Pika Labs lança o H3 Flex, modelo de vídeo aberto: 6 passos em vez de 50

A Pika Labs lançou o H3 Flex, um modelo aberto de geração de vídeo. Ele foi treinado a partir do MiniMax H3, e o processo de renderização caiu de 50 passos para 6. Aqui, um passo é uma passada de uma grande rede neural (um transformer de difusão, ou DiT), que transforma ruído aleatório em imagem removendo esse ruído aos poucos. Quanto menos passadas, mais rápido e barato o resultado. A Pika afirma que a remoção de ruído de um clipe de 15 segundos em resolução 768p leva 7 segundos, e que o modelo como um todo roda 1,8 vez mais rápido e custa 80% menos que o H3 Max.

Por que são 8 vezes menos passos, mas a aceleração é de apenas 1,8 vez

Os modelos de vídeo são caros justamente por causa do número de passos. Cada passada processa dezenas de quadros de uma vez, então 50 iterações viram contas altas de GPU. A Pika pegou o MiniMax H3 e o refinou com um método baseado em preferências. O modelo recebe pares de resultados em que um é melhor que o outro e aprende a gerar rapidamente a boa versão, sem depender de uma longa cadeia de refinamentos. A técnica costuma ser usada para reduzir o número de passos sem perda explícita de qualidade.

Vale notar: o número de passos caiu 8,3 vezes, mas a aceleração total em relação ao H3 Max é de 1,8 vez. Os 7 segundos se referem apenas ao denoising. O ciclo completo tem outras etapas: interpretação do prompt e das referências, decodificação dos quadros, áudio e upscale. É provável que sejam elas que impeçam a aceleração de crescer na mesma proporção. Os números de velocidade e preço vêm da própria Pika, e o material não traz medições independentes.

Áudio em faixas separadas e 12 referências

A principal diferença prática do H3 Flex vai além da velocidade: está também no que ele entrega ao editor de vídeo. O modelo exporta cinco faixas de áudio independentes:

• diálogos;
• trilha sonora;
• efeitos especiais;
• ruídos;
• ambiente (o som de fundo do cenário).

O editor não precisa extrair a voz de uma mistura única: dá para remover a música, reescrever as falas e manter o barulho da rua. Em publicidade e vídeos curtos, isso simplifica bastante a pós-produção.

O modelo aceita até 12 referências como entrada. Entre elas podem estar esboços, amostras de áudio e moodboards. Assim, é possível definir a aparência de um personagem, o estilo ou o som sem tentar descrever tudo em um único prompt de texto.

O modelo também oferece:

• geração de rascunhos: versões de teste rápidas, para escolher a direção;
• edição pontual de personagens ou de movimentos de câmera, sem regenerar o clipe inteiro;
• upscale para 4K.

Os rascunhos combinam bem com uma inferência barata e rápida: dá para fazer muitos testes e reservar a execução final, mais cara, apenas para a versão que der certo.

Preço, pesos abertos e o que verificar antes de adotar

A Pika publicou em acesso aberto o código de inferência e os pesos do modelo (repositório no GitHub e página no Hugging Face) e lançou uma API. O preço da geração é:

• a partir de 1 centavo por segundo de vídeo no modo "texto para vídeo";
• até 3 centavos por segundo quando o clipe é criado a partir de referências.

Por uma conta simples, um clipe de 15 segundos sai por cerca de 15 centavos na geração por texto e até 45 centavos com referências. É apenas uma estimativa: a cobrança final depende da resolução e das configurações. O modelo será integrado à plataforma Pika.art em 2 de novembro.

Em qualidade, o H3 Flex ocupa o oitavo lugar no ranking geral de modelos de vídeo do DesignArena. Não é a liderança, mas o resultado chama atenção para um modelo aberto, rápido e barato. Há oito concorrentes acima dele, e vale avaliar a distância para os líderes nas suas próprias tarefas.

O que isso significa na prática. Estúdios e desenvolvedores de serviços com vídeo passam a contar com um modelo aberto, com áudio separado e preço razoável. Ele pode ser implantado em GPUs próprias ou acessado via API. Antes do uso comercial, é recomendável ler a licença no repositório e rodar por conta própria os cenários típicos: velocidade de 7 segundos no denoising não garante o mesmo tempo para todo o pipeline. Para o mercado, é mais um sinal: a corrida dos modelos de vídeo está saindo da beleza do quadro e indo para o preço do segundo e a facilidade de edição.