Pika abre los pesos del modelo de vídeo H3 Flex: 15 segundos con sonido en 6 pasos

Pika ha publicado en abierto los pesos de H3 Flex, una versión reentrenada del modelo de vídeo MiniMax H3 que genera clips con sonido en solo 6 pasos de eliminación de ruido (denoising) en lugar de los 50 habituales. Un modelo de vídeo de difusión construye los fotogramas a partir de ruido: en cada paso «limpia» un poco la imagen, y cada uno de esos pasos implica una ejecución completa de una red neuronal pesada. Con 6 pasos en vez de 50, hacen falta unas ocho veces menos pasadas.

De ahí la velocidad: según la documentación, 5 segundos de vídeo en resolución 1344×768 se preparan en aproximadamente un minuto con una sola tarjeta gráfica. No se indica qué tarjeta se utilizó.

Qué puede hacer el modelo

H3 Flex genera clips de 5 a 15 segundos de duración a 24 fotogramas por segundo. Admite 11 relaciones de aspecto, desde el panorámico 21:9 hasta el vertical 9:21. El sonido se genera junto con la imagen: 32 kHz, estéreo, todo directamente en un MP4 (vídeo H.264, audio AAC), sin necesidad de unir pistas. El prompt puede tener hasta 8000 caracteres.

El repositorio incluye dos LoRA, es decir, extensiones compactas que se añaden al modelo base MiniMax H3:

• FL2VA recibe texto más el primer y/o el último fotograma, y a partir de ellos produce un vídeo con sonido.
• Ref2VA trabaja con referencias: hasta 9 imágenes, 3 vídeos y 3 grabaciones de audio, con un máximo de 12 archivos en total. Cada vídeo y cada audio debe durar entre 2 y 15 segundos, y la duración total por tipo no puede superar los 15 segundos.

En ambas LoRA, rank y alpha valen 128, y los pesos originales están en FP32. Para ComfyUI hay versiones aparte en BF16, de 1,9 GB cada una.

Cuánto pesa y qué hace falta para ejecutarlo en casa

El paquete completo de pesos es pesado, unos 210 GB:

• transformer H3: aproximadamente 62 GB;
• codificador de texto Qwen3-VL 32B: otros 62 GB aproximadamente;
• VAE de vídeo (el módulo que codifica y decodifica los fotogramas): unos 10 GB;
• VAE de audio: 0,6 GB.

Para una tarjeta doméstica es demasiado, así que el camino realista pasa por ComfyUI. Allí se descarga un transformer int8 podado (se ha eliminado una parte de los pesos y el resto se ha comprimido a 8 bits), el codificador Qwen3-VL en formato NVFP4 y los dos VAE.

Pika no ha publicado requisitos oficiales de memoria de vídeo. Según la estimación del autor de un análisis en el canal de Telegram Neurogen, el nivel de trabajo es de 24 GB de VRAM. Con 16 GB, el modelo arrancará descargando bloques a la memoria RAM, pero lo hará despacio. Con 12 GB la situación es muy mala. Se recomiendan 32 GB de RAM o más, porque ComfyUI carga y descarga bloques sobre la marcha.

Para ejecutarlo hace falta una versión reciente de ComfyUI. La plantilla de texto a vídeo requiere 0.43.2+, mientras que para Ref2VA y FL2VA se indica la versión 0.30.0+. La ruta es: Template Library → Video → video_pika_h3_flex_t2v.

Resolución y precios en la nube

De forma nativa, el modelo solo ofrece 480p y 768p. Las variantes de 1080p, 2K y 4K están disponibles únicamente en la nube de Pika, y consisten en un solo paso de escalado desde 768p, no en una generación real en alta resolución. Si necesita un detalle auténtico de 4K, no conviene esperarlo de este modo.

En la API se paga por segundo de vídeo terminado, y solo por las generaciones exitosas:

• 480p: $0.01;
• 768p: $0.02;
• 1080p: $0.035;
• 2K: $0.04;
• 4K: $0.08.

El modo con referencias es más caro: $0.03, $0.06, $0.075, $0.08 y $0.10 para esas mismas resoluciones, por orden. A modo de comparación, 15 segundos en 768p en el modo normal cuestan $0.30.

Se puede probar sin instalar nada: en la ficha del modelo en Hugging Face hay un espacio de demostración gratuito. Funciona sobre una A10G, así que puede haber colas.

Qué significa en la práctica

Que un modelo de vídeo con sonido integrado y multirreferencias tenga pesos abiertos es poco habitual. Seis pasos en lugar de cincuenta hacen que la generación local sea soportable en tiempo, sobre todo con 24 GB. Pero las cifras de velocidad y los requisitos de memoria son por ahora aproximados: Pika no ha indicado la tarjeta usada para la medición, y las estimaciones de VRAM son del autor del análisis, no de la compañía.

La calidad frente a los 50 pasos completos no se midió en la fuente, así que conviene probar el modelo con tus propias tareas antes de llevarlo a producción. La buena noticia para estudios y entusiastas es que se puede experimentar por API, a precios muy bajos, o en ComfyUI con el hardware propio.