Pika H3 Flex 详解：开源权重、同步音频、本地部署与 API

Pika H3 Flex 是 Pika 在 MiniMax H3 基础上后训练的开源视频模型，6 步采样、自带同步立体声。本文讲清开源权重包含什么、许可证怎么读、ComfyUI 本地部署与 API 价格。

2026年11月5日AINovaTools Team

2026 年 10 月 29 日，Pika 发布了自家新的旗舰视频模型 H3 Flex，并且做了一件如今少见的事：直接放出了权重。它生成视频时自带同步立体声，去噪只要 6 步，checkpoint 就摆在 Hugging Face 上，谁都能下载。三天后的 11 月 2 日，它进入 Pika 的创作产品，供完全不想碰模型文件的人使用。

名字本身就是一份族谱：H3 Flex 是 Pika 在 MiniMax 开源视频模型 H3 基础上后训练的版本——名字里的 H3 指的就是基座模型。Pika 把它定位成「全能生成器」（omni-generator）：一个模型同时输出画面和声音，靠参考素材而非提示词咒语来操控。

这篇讲清楚几件事：权重里到底包含什么（哪些留在托管端）、怎么用 ComfyUI 在本地跑、API 路线和报道中的价格，以及任何商用之前都必须先读的许可证。

H3 Flex 是什么，「H3」这个名字从哪来

Pika 拿 MiniMax 的开源视频模型 H3 做了后训练。成品带两个任务适配器：FL2VA 用文本加端点帧做条件（首尾帧生视频）；Ref2VA 最多接收 12 个混合参考文件——图片、视频、音频都可以——再据此生成。参考素材同样用于编辑：换服装、换道具、换场景，同时保住表演本身。

第二个卖点是蒸馏。教师模型大约要走 50 步去噪，H3 Flex 只要 6 步，少了约 8 倍。发布时 Pika 给出的排位是：开源权重模型中第一，DesignArena 文生视频总榜第七。这里转述的是 Pika 对发布时榜单快照的说法，不是我们独立复现的跑分——不过这个说法足够具体、可以核对，也和社区几天内的跟进热度对得上。

两个适配器：FL2VA 和 Ref2VA

适配器的名字就是输入契约的说明书：

适配器	条件输入	适合做什么
FL2VA	文本加一个端点帧	首尾帧生视频——钉住镜头从哪开始、落到哪结束
Ref2VA	最多 12 个混合参考文件	人物与场景一致性：角色、服装、道具、场景、声音

实际用起来，大多数简报都是 Ref2VA 简报：把主体作为文件交给模型，用文本描述镜头怎么拍。这和我们提示词指南反复强调的纪律一致——每一段都写具体——区别在于这里有三段可以直接是文件。

规格一张表看完：

规格	内容
发布时间	2026 年 10 月 29 日（权重 + 博客）；11 月 2 日进入 Pika 产品
基座	MiniMax H3，Pika 后训练
采样	6 步去噪，从约 50 步的教师模型蒸馏而来（少约 8 倍）
原生分辨率	480p、768p
音频	与视频一同生成的同步立体声
参考素材	最多 12 个混合文件（图片 / 视频 / 音频）；支持首尾帧条件
任务适配器	FL2VA（文本 + 端点帧）、Ref2VA（多模态参考）
权重	Hugging Face 与 GitHub
许可证	自定义——MiniMax H3 社区许可协议，并非标准许可证

「开源权重」到底给了你什么

下载到 checkpoint 不等于拿到整个产品。诚实地划一条线：

权重里包含	托管 / 仅 API
480p 和 768p 文生视频	上采样到 1080p、2K、4K
首尾帧条件控制	音轨分离：Dialogue、Score、SFX、Foley、Ambience 五轨
多模态参考生视频，带同步音频	提示词增强
参考引导编辑（换服装、道具、场景）	加速推理服务

核心生成链路——包括音频——只要装得下模型，在哪都能跑。凡是依赖 Pika 自家基础设施的部分（上采样器、音轨分离、提示词改写、优化过的服务端），都锁在产品和 API 背后。这是开源权重的标准交易；H3 Flex 只是把它划得格外清楚。

这条分界线也解释了围绕这个模型的定价差。自托管 H3 Flex 花的是 GPU 时长；托管渲染按视频秒数计费，但能到 4K、还能交付分离音轨。两边都不免费——一边收硬件的钱，一边收按量计费的钱。

本地跑 H3 Flex：ComfyUI、Turbo-LoRA 与硬件现实

发布没几天，生态就动了起来：

ComfyUI 从 v147 起原生支持，SwarmUI 也能用。
Pika 官方的 Turbo-LoRA 提供 2 步、4 步、8 步三档 checkpoint，一周内成了下载量最高的 H3 Flex 变体——到 11 月 5 日约 4.3 万次下载。
社区产物还有 WAS/Pika-H3-Flex-PTD、FastVideo 的 NVFP4 量化版，以及面向 Apple Silicon 的 MLX 移植。MLX 移植是社区行为，不是 Pika 官方维护。

一条最简本地路线

把 ComfyUI 更新到 v147 或更高。
从 Hugging Face 仓库下载模型（diffusers 格式）。
先在 480p 用基础 6 步工作流验证环境。
跑通后换上 Turbo-LoRA，按需选 2 步、4 步或 8 步。
预算先算硬件：没有 H100 级别的显存，马上就会感受到。

硬件才是真正的门槛。完整模型要 H100 级别的 GPU 才跑得舒服。Turbo-LoRA 砍的是采样步数，不是基座权重的体积，所以它加快出片，但不会让消费级显卡一夜够用。没有数据中心卡的话，本地路线的定位是「可行、昂贵、基本属于已经在跑推理服务的人」——Mac 用户可以关注 MLX 移植，同时保留对社区移植画质和内存占用的常规警惕。

走 API 的路线

对其他人来说，Pika 产品在 11 月 2 日接入 H3 Flex，API 则通过官方所称的 Pika API Club 提供。第三方报道称价格约为每秒 0.01 美元——截至记录时，我们在 Pika 官方页面没有找到公开价目表，所以这个数字当作「据报道」看待，别当作已确认。

托管换来的是：上采样器（1080p 到 4K）、五轨音频分离、提示词增强和加速推理。对正式生产、特别是需要拆轨混音的工作流——对白要单独调、配乐要替换——API 目前是拿到分离音轨的唯一途径。

真正花钱之前，先做三个检查：到 Pika 官方 API 页面确认现价（每秒 0.01 美元是报道数字，不是官方价目卡）、核实你的接入档位实际包含哪些分辨率和音轨、并先在 480p 上验证提示词，别每一轮迭代都为 1080p 上采样付钱。

和闭源模型、开源同行比，它站在哪

我们不印对打记分牌：榜单每周都在变，我们只写能核实的数字。稳定的不是名次，而是三个维度上的取舍形状：

开源权重。 闭源旗舰——Sora 和它的同行们——只有产品，没有权重。H3 Flex 是少数能让你下载、检查、在其上继续构建的头部模型。这对一次性出片意义不大，对有流水线、有微调计划或有数据合规要求的团队，意义完全不同。
原生音频。 H3 Flex 生成画面的同时生成同步立体声。多数视频模型仍把声音当作独立的后处理步骤，在这个质量档位的开源权重模型里，原生同步音频相当罕见。Pika 自己的榜单说法也带着同样的限定：开源权重中第一，对闭源同行总榜第七。
速度。 6 步对比约 50 步是真实的架构差异，不是营销话术。在 Pika 的受控基准里，一条 15 秒 768p 短片最少只花了 7 秒 transformer（DiT）计算量——这是去噪本身的耗时，不是你等 API 返回的端到端时间，Pika 自己也这么说：排队、编码和传输各加各的秒数。

对开源同行，公平的比较维度是能力广度：参考生视频带音频、首尾帧控制、参考引导编辑，集中在同一个 checkpoint 里，这个表面积在开源发布里很少见。至于它在你的素材上能不能打过某个具体对手——跑同一条提示词各试一遍，答案自己会出来。

它适合谁

本地跑：工程团队、研究组、想要权重的工作室——微调、批量流水线、隔离或数据敏感场景。准备 H100 级别的硬件，先读许可证。
产品或 API：只想要结果的人。4K 输出、分离音轨、提示词增强、加速推理反正都在托管端。
先缓一缓：需要「不读法律文本就有保证商用条款」的人，或者核心工作在长片真人对白、电影级保真度上的团队——目前没有任何开源模型在那里是稳妥的默认选项。

上线之前，先把许可证读完

Hugging Face 把 H3 Flex 的许可证列为 other，即按模型自身的许可条款——具体说，就是 Pika 这个发布继承自 MiniMax 基座的 MiniMax H3 社区许可协议。这不是标准开源许可证，而「社区许可」这个名字底下，从附加条件、收入门槛到使用领域限制，什么都可能有。任何商用部署之前，去模型仓库读真正的 LICENSE 文件；Turbo-LoRA 仓库沿用同样条款。如果条款谈不拢，托管 API 可以完全绕开权重许可证，改用 Pika 的商用条款。

延伸阅读

跨模型通用的提示词习惯——重结构、轻咒语，一个镜头一种运镜——对 H3 Flex 同样适用，写 Ref2VA 的参考简报时尤其如此；公式见我们的即梦 AI 提示词指南和 Seedance 2.0 提示词。想比较托管竞品的定位，可以直接对照 Runway 与可灵 Kling AI，或浏览我们其余的 AI 视频内容。原始资料：Pika 发布博文、研究深潜和 Hugging Face 权重页。