Pika视频模型可下载了,本地能做什么?

想做一段视频，手头有角色图、场景图，还想给一段动作或声音参考，这次Pika开放的H3 Flex提供了一个值得关注的入口。

按官方说明，它支持把不同类型的参考交给模型，生成带声音的视频；相关任务适配器和推理代码已经可以下载。

官方案例《Record-shop dance》的3秒静帧。图源：Pika-Labs。

但如果你期待下载之后，就能在自己的电脑上直接生成宣传里的4K成片，需要先分清本地生成与托管服务的范围。

Pika在10月29日发布H3 Flex。

它建立在MiniMax H3底座之上，经过进一步训练，开放了用于不同生成任务的适配器，以及运行生成所需的代码。

两类任务适配器在官方仓库的位置。图源：Pika-Labs／Hugging Face。

适配器可以理解为一组配合底座使用的追加参数。只拿到它，并不能脱离底座独立生成视频，仍要准备相应的基础模型组件。

对创作者来说，本地部分有几种明确的用法。可以用文字描述生成视频，给定首帧或尾帧约束画面，也可以进入多参考模式，把图像、视频和音频组合起来使用。

例如，你可以分别提供人物外观与场景的参考，再用一段视频提示动作。

这是官方支持的输入方式，最终能否稳定保持人物、动作是否合意，仍要看具体生成结果，不能只凭“支持参考”就下结论。

同一案例的角色、场景、动作参考及结果；角色外观存在差异。图源：Pika-Labs。

多参考模式最多接收12个文件，是所有参考文件的总数。图像最多9张，视频与音频各最多3个，三个子类的上限不能直接相加。

视频和音频还各有时长限制，准备复杂参考前，需要继续核对模型卡。

本地原生生成的分辨率是480p或768p，并带混合立体声音频。

混合音频里，声音已经合在一起；如果后期要分别调整对白、音乐与音效，就需要关注音轨分离能力。

官方介绍里的高分辨率和音轨分离，属于另外一层服务。

这里的4K是放大后的输出，不能当作本地模型的原生分辨率。托管服务由Pika的服务器运行，调用它的接口，也不等于在自己的电脑上运行下载包。

开放下载给了创作者自行部署的选择，但它离普通软件的下载即用还有距离。

官方模型卡给出的代表测试使用H100 80GB显卡，并支持把部分模型参数转移到CPU一侧，以减轻显存压力。

这个测试配置不能直接当作绝对最低配置，也不能反过来保证自己的显卡一定能跑。

基础模型组件的文件总量约210GB，还要准备所需适配器和运行环境。210GB说的是文件体积，不能读成显卡需要210GB显存。

磁盘空间和显存是两项不同的准备条件。

我这次核对的是官方公告、模型卡与仓库说明，没有安装模型，也没有在自己的电脑上生成视频。

宣传中的“7秒”指特定测试里生成模型的一段计算用时，没有把拿到成片前的所有环节算进去，例如排队和加载，以及参考处理与放大，不能据此估计自己从提交到拿到成片要等多久。

使用条件也要分别看。推理代码采用Apache-2.0许可，模型适配器受MiniMax H3社区许可约束。

代码许可不能代替模型许可，更不能据此推断示例素材都可任意使用。

准备尝试之前，先确定自己的下一条视频需要什么。要用哪些参考，480p或768p是否够做测试，后期是否需要更高分辨率或分轨？

这些问题会把下载包与托管服务的用途分开。至于值不值得自己部署，要等核过机器条件和实际结果再判断。

本文依据《Introducing Pika H3 Flex》（Pika）和《Pika-H3-Flex》模型卡（Pika-Labs），运行与许可说明另见《Pika H3 Flex》代码仓库（Pika-Labs）。