一句话结论
Pika 发布基于 MiniMax H3 的开源模型 Pika H3 Flex，支持六步联合生成音视频，降低本地创作门槛并拓展视频编辑能力。
关键要点
- Pika H3 Flex 通过六步去噪同时生成视频画面与立体声音频，支持文本、首尾帧和多模态参考输入，可输出 480P 或 768P、时长约 5 至 15 秒的音视频内容。
- 本次开放两套 LoRA 适配器，分别对应文本及首尾帧条件生成与多模态参考生成，同时提供 MiniMax H3 基础组件、本地推理工具、ComfyUI 工作流以及 Hugging Face Diffusers 接入方式。
- Pika API 在本地生成基础上提供 1080P、2K、4K 视频增强，并支持将同步生成音频拆分为对白、配乐、音效、拟音和环境声五类独立音轨，供后期分别调整。
- 在保持权重与六步采样方案不变的测试中，使用 8 张 NVIDIA B300 GPU 生成 5 秒、768P 音视频的合计耗时由 3.409 秒缩短至 2.129 秒，处理速度约为原来的 1.6 倍。
- Pika 公布的对比评测显示，H3 Flex 在五项视觉和音频质量指标上均在参评模型中取得最高得分，并在 DesignArena 文生视频榜单中位列第八，为该榜单下排名最高的开源视频模型。
背景与事实
Pika 于 2026 年 11 月 1 日发布 MiniMax H3 衍生模型 Pika H3 Flex，并同步开放适配器权重与推理代码。该模型以 MiniMax H3 为基底，通过六步去噪实现音视频联合生成，支持文本提示、首尾帧控制以及多模态参考输入，面向创作者的镜头设计、参考生成和视频编辑场景。发布内容包括两套 LoRA 适配器、MiniMax H3 基础组件与本地推理工具；模型原生支持 480P 与 768P 输出，可生成约 5 至 15 秒的视频及同步立体声音频。
Pika 在技术博客中说明其训练路径：团队先在内部音视频数据集上对 MiniMax H3 进行监督微调，随后采用投影分布匹配蒸馏（PDMD）将教师模型的 50 步去噪压缩至 6 步；再通过奖励反馈学习与直接偏好优化训练 LoRA 适配器，以改善美学质量、画面清晰度与指令遵循能力。适配器合并后用于推理，无须增加生成步数。
在商业化与工程层面，Pika 提供 ComfyUI 工作流和 Hugging Face Diffusers 接入方式，方便开发者将模型纳入现有创作管线；本地生成之外，Pika 通过 API 提供 1080P、2K、4K 视频增强，以及将同步生成音频拆分为对白、配乐、音效、拟音与环境声五类独立音轨的音频分轨功能。
据 Pika 公布的性能测试数据，在保持模型权重与六步采样方案不变的条件下，使用 8 张 NVIDIA B300 GPU 生成一段 5 秒、768P 音视频时，条件编码、去噪与解码的合计耗时从 3.409 秒缩短至 2.129 秒，处理速度约为原来的 1.6 倍。Pika 公布的评测结果同时显示，H3 Flex 在五项视觉和音频质量指标上均在参评模型中取得最高得分，并在 DesignArena 文生视频榜单中取得第八名成绩，成为该榜单下排名最高的开源视频模型。
影响分析
对中文开发者而言，Pika H3 Flex 的实际价值首先体现在“开源可用”与“本地化部署”两点上：适配器权重、推理代码与基础组件的开放，使得团队无需依赖 Pika 云端即可完成 480P 与 768P 的音视频联合生成；ComfyUI 与 Hugging Face Diffusers 接入方式进一步降低了集成成本，便于与现有剪辑、渲染或内容生产工作流对接。其次，六步去噪与 B300 加速组合表明，中高分辨率的同步音视频生成在合理硬件配置下可接近实时草稿级体验，这对短视频、镜头预演、素材筛选等高频场景具有直接意义。需要指出，这是分析判断：开源开放与六步采样组合降低了门槛，但音频分轨与 1080P、2K、4K 增强仍依赖 Pika API，意味着“草稿本地、精修上云”的混合管线仍会形成对 Pika 服务的持续依赖。
适用边界
Pika H3 Flex 的开源能力主要适用于本地生成 480P 与 768P、时长约 5 至 15 秒的音视频内容，以及通过文本、首尾帧或多模态参考进行镜头设计与素材筛选；其音频分轨与 1080P、2K、4K 视频增强依赖 Pika API，未使用云端服务时仅能获得本地生成能力。若任务要求更高分辨率交付、更复杂音轨后期处理、或超出 5 至 15 秒时长的连续叙事，仅凭本次开源包可能不足，需要额外管线或模型组合。
孤本观察
从开源生态角度看，Pika H3 Flex 是继 MiniMax H3、H3 Max 768P、H3 Max 480P、FastH3、StreamRender-H3 等之后又一个面向工程与创作混合场景的衍生模型，其“六步去噪 + 音视频联合 + 本地权重开放”的组合，可能进一步抬高开源视频模型在可部署性与音视频同步方面的基线。这是基于本文事实的判断。
常见问题
Pika H3 Flex 本地生成的视频分辨率、时长及去噪步数是多少？
本地支持输出 480P 或 768P，时长约 5 至 15 秒，采用六步去噪生成音视频。
使用 8 张 NVIDIA B300 GPU 生成 5 秒 768P 音视频耗时多少？
合计耗时由 3.409 秒缩短至 2.129 秒，处理速度约为原来的 1.6 倍。
Pika H3 Flex 的 1080P 增强和音频分轨功能如何实现？
需通过 Pika API 实现，支持 1080P、2K、4K 增强及将音频拆分为对白等五类独立音轨。
Pika H3 Flex 在 DesignArena 文生视频榜单中排名第几？
位列第八，为该榜单下排名最高的开源视频模型。
Pika H3 Flex 支持哪些输入条件？
支持文本提示、首尾帧控制以及多模态参考输入。
来源：雷峰网