Pika abre os pesos do modelo de vídeo H3 Flex: 15 segundos com áudio em 6 passos

A Pika liberou em acesso aberto os pesos do H3 Flex, versão refinada (fine-tuned) do modelo de vídeo MiniMax H3, que gera clipes com áudio em apenas 6 passos de denoising, em vez dos habituais 50. Um modelo de vídeo baseado em difusão constrói os quadros a partir de ruído: a cada passo, ele "limpa" um pouco a imagem, e cada um desses passos significa uma execução completa de uma rede neural pesada. Com 6 passos em vez de 50, são necessárias cerca de oito vezes menos execuções.

Daí vem a velocidade: segundo a documentação, 5 segundos de vídeo em resolução 1344×768 ficam prontos em cerca de um minuto, numa única placa de vídeo. A documentação não informa qual placa foi usada.

O que o modelo faz

O H3 Flex gera clipes de 5 a 15 segundos a 24 quadros por segundo. Há suporte a 11 proporções de tela, do widescreen 21:9 ao vertical 9:21. O áudio é gerado junto com a imagem: 32 kHz, estéreo, tudo direto em MP4 (vídeo H.264, áudio AAC), sem precisar juntar as faixas depois. O prompt pode ter até 8000 caracteres.

O repositório traz duas LoRAs, ou seja, adaptadores compactos sobre o modelo base MiniMax H3:

• FL2VA recebe texto mais o primeiro e/ou o último quadro e, a partir deles, gera vídeo com áudio.
• Ref2VA trabalha com referências: até 9 imagens, 3 vídeos e 3 gravações de áudio, mas no máximo 12 arquivos no total. Cada vídeo e cada áudio deve ter de 2 a 15 segundos, e a duração somada de cada tipo não pode passar de 15 segundos.

Nas duas LoRAs, rank e alpha são iguais a 128, e os pesos originais estão em FP32. Para o ComfyUI, há versões separadas em BF16, de 1,9 GB cada.

Quanto pesa e o que é preciso para rodar em casa

O conjunto completo de pesos é pesado, cerca de 210 GB:

• transformer H3: cerca de 62 GB;
• codificador de texto Qwen3-VL 32B: mais cerca de 62 GB;
• VAE de vídeo (módulo que codifica e decodifica os quadros): cerca de 10 GB;
• VAE de áudio: 0,6 GB.

Para uma placa doméstica, isso é demais, então o caminho realista passa pelo ComfyUI. Ele carrega um transformer int8 com pruning (parte dos pesos é removida do modelo e os restantes são comprimidos para 8 bits), o codificador Qwen3-VL em formato NVFP4 e os dois VAEs.

A Pika não publicou requisitos oficiais de memória de vídeo. Segundo a estimativa do autor da análise no canal de Telegram Neurogen, o nível de trabalho é de 24 GB de VRAM. Com 16 GB, o modelo roda descarregando blocos para a memória RAM, mas devagar. Com 12 GB, a situação é bem ruim. Quanto à RAM, o ideal é ter 32 GB ou mais, porque o ComfyUI carrega e descarrega blocos conforme o processamento avança.

É preciso usar uma versão recente do ComfyUI. O template de texto para vídeo exige a 0.43.2+; para Ref2VA e FL2VA, a versão indicada é a 0.30.0+. O caminho é: Template Library → Video → video_pika_h3_flex_t2v.

Resolução e preços na nuvem

Nativamente, o modelo entrega apenas 480p e 768p. As opções 1080p, 2K e 4K estão disponíveis somente na nuvem da Pika, e consistem em uma única passada de upscaling a partir de 768p, não em geração real em alta resolução. Quem espera detalhamento genuíno de 4K não deve esperar isso desse modo.

Na API, a cobrança é por segundo de vídeo pronto, e apenas por gerações bem-sucedidas:

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

O modo com referências é mais caro: $0.03, $0.06, $0.075, $0.08 e $0.10 para as mesmas resoluções, na mesma ordem. Para comparar: 15 segundos em 768p no modo comum custam $0.30.

Dá para testar sem instalar nada: na página do modelo no Hugging Face há um Space de demonstração gratuito. Ele roda em uma A10G, então pode haver fila.

O que isso significa na prática

Pesos abertos de um modelo de vídeo com áudio integrado e múltiplas referências são raros. Seis passos em vez de cinquenta tornam a geração local tolerável em tempo, sobretudo com 24 GB. Mas os números de velocidade e os requisitos de memória ainda são aproximados: a Pika não informou a placa usada na medição, e as estimativas de VRAM são do autor da análise, não da empresa. A fonte também não mediu a qualidade em comparação com os 50 passos completos, então vale testar o modelo nas suas próprias tarefas antes de levá-lo à produção. A boa notícia para estúdios e entusiastas é que dá para testar pela API, por centavos, ou no ComfyUI, no próprio hardware.