Pika 基于 MiniMax H3 开源 H3 Flex，六步实现音视频联合生成

Pika 开源 H3 Flex：六步去噪联合生成音视频

据雷峰网报道，Pika 近日发布 MiniMax H3 的衍生模型 Pika H3 Flex，并开放适配器权重与推理代码。该模型通过六步去噪联合生成画面和声音，支持文本、首尾帧和多模态参考输入，面向镜头设计、参考生成与视频编辑等创作场景。发布内容包含两套 LoRA 适配器，分别用于文本及首尾帧条件生成、多模态参考生成，同时提供 MiniMax H3 基础组件和本地推理工具。

背景与影响

据 Pika 技术博客介绍，团队先在内部音视频数据集上对 MiniMax H3 进行监督微调，再采用投影分布匹配蒸馏（PDMD），将教师模型的 50 步去噪压缩至 6 步；随后通过奖励反馈学习和直接偏好优化训练 LoRA 适配器，适配器合并用于推理后无须增加生成步数。模型原生支持 480P、768P 输出，可生成约 5 至 15 秒的视频及同步立体声音频，并提供 ComfyUI 工作流和 Hugging Face Diffusers 接入方式。本地生成之外，Pika 通过 API 提供 1080P、2K 和 4K 视频增强及音频分轨，可将声音拆分为对白、配乐、音效、拟音和环境声五类音轨。报道称，H3 开源一个月内下载量超过 2400 万次，产生超过 300 个公开衍生模型。

限制与来源

上述性能与评测表述均来自 Pika 公布的信息，尚未获独立验证；高分辨率增强与音频分轨由 Pika API 提供，具体可用地区、额度与费用以官网当前信息为准。本文信息来源为雷峰网报道及 Pika 技术博客内容。