Pika تتيح أوزان نموذج الفيديو H3 Flex: 15 ثانية بصوت مدمج في 6 خطوات

أتاحت Pika للعموم أوزان H3 Flex، وهي نسخة مُعاد تدريبها من نموذج الفيديو MiniMax H3، تُنتج مقاطع بصوت في 6 خطوات فقط من إزالة الضجيج (denoising) بدل 50 المعتادة. يبني نموذج الفيديو القائم على الانتشار (diffusion) الإطارات من الضجيج: في كل خطوة «ينظّف» الصورة قليلًا، وكل خطوة من هذه تعني تشغيلًا كاملًا لشبكة عصبية ثقيلة. وعندما تكون الخطوات 6 لا 50، يحتاج النموذج إلى عدد تمريرات أقل بنحو ثماني مرات. ومن هنا جاءت السرعة: بحسب الوثائق، يجهز 5 ثوانٍ من الفيديو بدقة 1344×768 في نحو دقيقة على بطاقة رسوميات واحدة. أما البطاقة المستخدمة تحديدًا فلم تُذكر.

ما الذي يقدمه النموذج

يُنتج H3 Flex مقاطع مدتها من 5 إلى 15 ثانية بمعدل 24 إطارًا في الثانية. ويدعم 11 نسبة أبعاد، من العريضة 21:9 إلى العمودية 9:21. ويُولَّد الصوت مع الصورة: 32 كيلوهرتز، ستيريو، وكل ذلك في ملف MP4 واحد (فيديو H.264 وصوت AAC)، فلا حاجة إلى دمج المسارات. ويصل طول الأمر النصي (prompt) إلى 8000 رمز نصي.

يضم المستودع اثنتين من LoRA، أي إضافات مدمجة فوق النموذج الأساسي MiniMax H3:

• FL2VA تستقبل نصًا مع إطار أول و/أو أخير، وتُنتج منها فيديو بصوت.
• Ref2VA تعمل بالاعتماد على مراجع: حتى 9 صور و3 مقاطع فيديو و3 تسجيلات صوتية، على ألا يزيد المجموع على 12 ملفًا. ويجب أن تتراوح مدة كل مقطع فيديو وكل تسجيل صوتي بين 2 و15 ثانية، وألا يتجاوز مجموع المدد لكل نوع 15 ثانية.

تبلغ قيمتا rank وalpha في كلتا الإضافتين 128، والأوزان الأصلية بصيغة FP32. وتتوفر لـ ComfyUI نسخ منفصلة بصيغة BF16، حجم كل منها 1,9 غيغابايت.

كم تزن الأوزان وما المطلوب للتشغيل المنزلي

المجموعة الكاملة من الأوزان ثقيلة، نحو 210 غيغابايت:

• المحوّل (transformer) H3 — نحو 62 غيغابايت؛
• مشفّر النصوص Qwen3-VL 32B — نحو 62 غيغابايت أخرى؛
• VAE الخاص بالفيديو (وحدة تشفّر الإطارات وتفكّ ترميزها) — نحو 10 غيغابايت؛
• VAE الخاص بالصوت — 0,6 غيغابايت.

هذا حجم كبير جدًا لبطاقة منزلية، لذا يمرّ الطريق العملي عبر ComfyUI. هناك يجري تنزيل محوّل int8 مُقلَّم (أُزيل جزء من الأوزان وضُغطت البقية إلى 8 بت)، ومشفّر Qwen3-VL بصيغة NVFP4، وكلا الـ VAE.

لم تنشر Pika متطلبات رسمية لذاكرة الفيديو. وبحسب تقدير صاحب التحليل في قناة Neurogen على Telegram، فإن المستوى العملي هو 24 غيغابايت من VRAM. وعلى بطاقة بذاكرة 16 غيغابايت يعمل النموذج مع تفريغ بعض الكتل إلى الذاكرة العشوائية، لكن ببطء. أما على 12 غيغابايت فالوضع سيئ جدًا. ويُفضَّل أن تبلغ الذاكرة العشوائية 32 غيغابايت أو أكثر، لأن ComfyUI يحمّل الكتل ويفرّغها أثناء العمل.

يتطلب التشغيل نسخة حديثة من ComfyUI. فقالب تحويل النص إلى فيديو يحتاج إلى الإصدار 0.43.2+، أما Ref2VA وFL2VA فالمذكور لهما الإصدار 0.30.0+. والمسار هو: Template Library → Video → video_pika_h3_flex_t2v.

الدقة والأسعار في السحابة

يُنتج النموذج بصورة أصلية دقتي 480p و768p فقط. أما 1080p و2K و4K فمتاحة فقط في سحابة Pika، وهي تمريرة واحدة لرفع الدقة من 768p، وليست توليدًا حقيقيًا بدقة عالية. فإذا كنتم تحتاجون إلى تفاصيل 4K حقيقية، فلا ينبغي توقعها من هذا الوضع.

في API يُحتسب الدفع عن كل ثانية من الفيديو الجاهز، وعن عمليات التوليد الناجحة فقط:

• 480p — $0.01؛
• 768p — $0.02؛
• 1080p — $0.035؛
• 2K — $0.04؛
• 4K — $0.08.

أما وضع المراجع فهو أغلى: $0.03 و$0.06 و$0.075 و$0.08 و$0.10 للدقات نفسها بالترتيب. وللمقارنة: تكلفة 15 ثانية بدقة 768p في الوضع العادي هي $0.30.

يمكن التجربة دون أي تثبيت: توجد في صفحة النموذج على Hugging Face مساحة عرض تجريبية (demo space) مجانية. وهي تعمل على A10G، لذلك قد تظهر طوابير انتظار.

ماذا يعني ذلك عمليًا

أوزان مفتوحة لنموذج فيديو بصوت مدمج ومراجع متعددة أمر نادر. وتجعل الخطوات الست بدل الخمسين التوليد المحلي مقبولًا من حيث الزمن، خصوصًا على 24 غيغابايت. لكن أرقام السرعة ومتطلبات الذاكرة ما زالت تقريبية: فلم تحدد Pika البطاقة المستخدمة في القياس، كما أن تقديرات VRAM تعود إلى صاحب التحليل وليست صادرة عن الشركة. ولم يقِس المصدر الجودة مقارنةً بالـ 50 خطوة الكاملة، لذا يحسن اختبار النموذج على مهامكم الخاصة قبل اعتماده في الإنتاج. والخبر الجيد للاستوديوهات والهواة أن الاختبار ممكن عبر API بكلفة زهيدة، أو في ComfyUI على عتادكم الخاص.