Pika Labs publica H3 Flex, un modelo de vídeo abierto: 6 pasos en lugar de 50

Pika Labs ha lanzado H3 Flex, un modelo abierto de generación de vídeo. Es un ajuste fino de MiniMax H3 que reduce el proceso de renderizado de 50 pasos a 6. Un paso es una pasada de una gran red neuronal (un transformador de difusión, DiT) que convierte ruido aleatorio en imagen y lo elimina de forma gradual. Cuantas menos pasadas, más rápido y barato es el resultado. Pika afirma que la limpieza de ruido de un clip de 15 segundos en resolución 768p lleva 7 segundos, y que el modelo en conjunto funciona 1,8 veces más rápido y un 80% más barato que H3 Max.

Por qué hay 8 veces menos pasos pero la aceleración es de solo 1,8

Los modelos de vídeo son caros precisamente por el número de pasos. Cada pasada procesa decenas de fotogramas a la vez, así que 50 iteraciones se traducen en facturas considerables de GPU. Pika tomó MiniMax H3 y lo ajustó con un método basado en preferencias. El modelo recibe pares de resultados en los que uno es mejor que el otro y aprende a generar rápido la variante buena, sin depender de una larga cadena de refinamientos. Esta técnica se usa a menudo para comprimir el número de pasos sin una pérdida de calidad evidente.

Conviene matizar: los pasos se han reducido 8,3 veces, pero la aceleración total respecto a H3 Max es de 1,8 veces. La cifra de 7 segundos se refiere únicamente al denoising. El ciclo completo incluye otras etapas: análisis de la consulta y de las referencias, decodificación de fotogramas, sonido y escalado. Lo más probable es que sean estas las que impiden que la aceleración crezca en proporción. Las cifras de velocidad y precio las aporta la propia Pika; en este artículo no hay mediciones independientes.

Sonido en pistas separadas y 12 referencias

La principal diferencia práctica de H3 Flex no es solo la velocidad, sino también lo que entrega al montador. El modelo exporta cinco pistas de audio independientes:

• diálogos;
• banda sonora;
• efectos especiales;
• ruidos;
• ambiente (el sonido de fondo del entorno).

El montador no tiene que extraer la voz de una mezcla indistinta: puede quitar la música, reescribir las frases y dejar el ruido de la calle. Para publicidad y clips cortos, esto simplifica mucho la posproducción.

Como entrada, el modelo acepta hasta 12 referencias, entre ellas bocetos, muestras de audio y moodboards. Así se puede definir el aspecto de un personaje, el estilo o el sonido sin intentar describirlo todo en una sola instrucción de texto.

Además, el modelo incluye:

• generación de borradores: versiones de prueba rápidas para elegir la dirección;
• edición puntual de personajes o del movimiento de cámara sin regenerar todo el clip;
• escalado a 4K.

Los borradores encajan bien con una inferencia barata y rápida: se pueden hacer muchas pruebas y lanzar la costosa pasada final solo para la que salga bien.

Precio, pesos abiertos y qué comprobar antes de implantarlo

Pika ha publicado en abierto el código de inferencia y los pesos del modelo (un repositorio en GitHub y una página en Hugging Face) y ha lanzado una API. La generación cuesta:

• desde 1 centavo por segundo de vídeo en modo «texto a vídeo»;
• hasta 3 centavos por segundo si el clip se crea a partir de referencias.

Según una aritmética sencilla, un clip de 15 segundos saldría por unos 15 centavos al generarlo a partir de texto y hasta 45 centavos al trabajar con referencias. Es una cifra orientativa: la factura final depende de la resolución y de los ajustes. El modelo se integrará en la plataforma Pika.art el 2 de noviembre.

En calidad, H3 Flex ocupa el octavo puesto en la clasificación general de modelos de vídeo de DesignArena. No es un liderazgo, pero para un modelo abierto, rápido y económico el resultado es notable. Por encima hay ocho competidores, y conviene evaluar con tareas propias la distancia que lo separa de los líderes.

Qué significa para los profesionales. Los estudios y los desarrolladores de servicios con vídeo disponen ahora de un modelo abierto con sonido separado y un precio razonable. Se puede desplegar en GPU propias o conectar mediante API. Antes de usarlo comercialmente, conviene leer la licencia del repositorio y probar uno mismo los escenarios habituales: una velocidad de 7 segundos para el denoising no garantiza el mismo tiempo para todo el pipeline. Para el mercado es una señal más: la carrera de los modelos de vídeo se desplaza de la belleza del fotograma al precio por segundo y a la comodidad del montaje.