Pika ouvre les poids du modèle vidéo H3 Flex : 15 secondes avec son en 6 étapes

Pika a mis en accès libre les poids de H3 Flex, une version affinée du modèle vidéo MiniMax H3. Celle-ci génère des clips avec son en seulement 6 étapes de débruitage, au lieu des 50 habituelles. Ce modèle vidéo de diffusion construit les images à partir du bruit : à chaque étape, il « nettoie » un peu l'image, et chacune de ces étapes équivaut à un passage complet dans un réseau de neurones lourd. Avec 6 étapes plutôt que 50, il faut environ huit fois moins de passes. D'où la vitesse : selon la documentation, 5 secondes de vidéo en 1344×768 sont prêtes en environ une minute sur une seule carte graphique. La documentation ne précise pas laquelle.

Ce que sait faire le modèle

H3 Flex produit des clips de 5 à 15 secondes à 24 images par seconde. Il gère 11 formats d'image, du large 21:9 au vertical 9:21. Le son est généré en même temps que l'image : 32 kHz, stéréo, le tout dans un seul MP4 (vidéo H.264, audio AAC), sans pistes à assembler. Le prompt peut atteindre 8000 caractères.

Le dépôt contient deux LoRA, c'est-à-dire de compactes couches d'adaptation posées sur le modèle de base MiniMax H3 :

• FL2VA prend un texte plus la première et/ou la dernière image, et en tire une vidéo avec son.
• Ref2VA travaille avec des références : jusqu'à 9 images, 3 vidéos et 3 enregistrements audio, mais pas plus de 12 fichiers au total. Chaque vidéo et chaque fichier audio doit durer 2–15 secondes, et la durée cumulée pour chaque type ne doit pas dépasser 15 secondes.

Pour les deux LoRA, le rank et l'alpha valent 128, et les poids d'origine sont en FP32. Pour ComfyUI, des versions distinctes en BF16 sont proposées, de 1,9 Go chacune.

Poids et configuration requise pour un usage à domicile

L'ensemble complet des poids est lourd, environ 210 Go :

• transformer H3 : environ 62 Go ;
• encodeur de texte Qwen3-VL 32B : encore environ 62 Go ;
• VAE vidéo (le module qui encode et décode les images) : environ 10 Go ;
• VAE audio : 0,6 Go.

C'est trop pour une carte grand public. Le chemin réaliste passe donc par ComfyUI, qui récupère un transformer int8 élagué (une partie des poids a été retirée du modèle, le reste est compressé en 8 bits), l'encodeur Qwen3-VL au format NVFP4 et les deux VAE.

Pika n'a pas publié de configuration officielle en matière de mémoire vidéo. D'après l'estimation de l'auteur d'une analyse sur la chaîne Telegram Neurogen, le niveau de travail est de 24 Go de VRAM. Avec 16 Go, le modèle démarre en déchargeant des blocs vers la RAM, mais lentement. Avec 12 Go, la situation est franchement mauvaise. Côté RAM, 32 Go ou plus sont conseillés, car ComfyUI charge et décharge des blocs au fil du travail.

Il faut une version récente de ComfyUI. Le modèle texte-vers-vidéo exige 0.43.2+, tandis que pour Ref2VA et FL2VA, la version indiquée est 0.30.0+. Le chemin : Template Library → Video → video_pika_h3_flex_t2v.

Résolution et tarifs dans le cloud

En natif, le modèle ne sort que du 480p et du 768p. Les variantes 1080p, 2K et 4K ne sont disponibles que dans le cloud de Pika. Il s'agit d'un unique passage d'upscale depuis le 768p, et non d'une vraie génération en haute résolution. Si vous attendez un véritable niveau de détail 4K, ce mode n'est pas fait pour cela.

Dans l'API, le paiement se fait à la seconde de vidéo produite, et uniquement pour les générations réussies :

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

Le mode avec références coûte plus cher : $0.03, $0.06, $0.075, $0.08 et $0.10 pour les mêmes résolutions, dans l'ordre. À titre de comparaison, 15 secondes en 768p en mode standard coûtent $0.30.

On peut l'essayer sans rien installer : la fiche du modèle sur Hugging Face propose un space de démonstration gratuit. Il tourne sur un A10G, des files d'attente sont donc possibles.

Ce que cela change en pratique

Des poids ouverts pour un modèle vidéo avec son intégré et multiréférences, c'est rare. Six étapes au lieu de cinquante rendent la génération locale supportable en temps, surtout avec 24 Go. Mais les chiffres de vitesse et les besoins en mémoire restent approximatifs : Pika n'a pas nommé la carte utilisée pour la mesure, et les estimations de VRAM viennent de l'auteur de l'analyse, pas de l'entreprise.

La source n'a pas mesuré la qualité par rapport à un rendu complet en 50 étapes ; avant toute mise en production, mieux vaut donc tester le modèle sur vos propres cas d'usage. La bonne nouvelle pour les studios et les passionnés : on peut tester via l'API, pour quelques centimes, ou dans ComfyUI sur sa propre machine.