Pika-Labs/Pika-H3-Flex · Hugging Face

来源：https://huggingface.co/Pika-Labs/Pika-H3-Flex Pika H3 Flex

为专业迭代而生。

六步生成 · 全参考输入 · 原生 480p / 768p · 通过 Pika API 最高可达 4K

Pika API (https://dev.pika.art/)Create with Pika (https://create.pika.art/)技术博客 (https://pika.art/blog/pika-h3-flex-research)GitHub (https://github.com/Pika-Labs/Pika-H3-Flex)Hugging Face (https://huggingface.co/Pika-Labs/Pika-H3-Flex)

模型权重 (https://huggingface.co/Pika-Labs/Pika-H3-Flex)·观看样例 (https://huggingface.co/Pika-Labs/Pika-H3-Flex#watch-the-model)·快速上手 (https://github.com/Pika-Labs/Pika-H3-Flex#install)·提示词指南 (https://github.com/Pika-Labs/Pika-H3-Flex/blob/main/docs/prompt-guidance.md)·Pika API 扩展能力 (https://huggingface.co/Pika-Labs/Pika-H3-Flex#pika-api-extensions)

Pika H3 Flex 是一个经过后训练的 H3 模型，专为让专业创作者拥有灵活而高效的精确探索能力。它针对更强的可控性进行了优化，能在六个采样步骤内生成带有同步音频的视频，并支持最多 12 路参考输入，可通过参考图与提示词来指导镜头调度。

Pika 的托管 API 将这一工作流进一步扩展，支持 1080p、2K 与 4K 视频生成 (https://dev.pika.art/models/pika/pika-h3-flex/draft-to-video)、音频分轨 (https://dev.pika.art/models/pika/pika-h3-flex/audio-stems) 以及提示词增强 (https://dev.pika.art/models/pika/pika-h3-flex/prompt-rewriter)。本地开源权重推理则支持原生 480p / 768p 视频与混合立体声音频。

适用于多镜头叙事 · 动态图形 · 产品影片 · 参考引导动画

https://huggingface.co/Pika-Labs/Pika-H3-Flex#watch-the-model观看模型效果

探索镜头调度、电影叙事、平面设计与参考引导动画。播放带声音的片段；展开其提示词查看生成描述。

提示词Image 1 是完全相同的两名选手、服装、青蛙面具、乒乓球桌和已排干的泳池：请严格保持与 Image 1 一致。一场快速的乒乓球对拉，严格按照以下镜头运动拍摄：00:00–00:03 —— 从正上方俯拍的顶视镜头，与 Image 1 一致，对拉开始、球来回闪动；00:03–00:06 —— 一个流畅的摇臂从正上方垂直下降到球台高度，结束于球网旁，球从画面中掠过；00:06–00:09 —— 快速左右甩摇，跟随球越过球网，从一名选手到另一名；00:09–00:12 —— 绕着戴青蛙面具的选手做 180 度环绕，她跃起扣杀；00:12–00:15 —— 沿泳池池底的低角度后退轨道镜头，红运动服女子飞扑救球未果；青蛙举起双臂跳了一小段胜利舞；镜头稳定并保持定格。选手、球台和泳池全程保持一致且位置不变。写实 35mm 胶片质感，真实色彩，轻微自然颗粒，与 Image 1 匹配。速度至关重要：一切以正常实时速度运动，如同 24fps 素材以 24fps 播放 —— 自然动作，无慢动作。声音：球的急促 tock-tock 声、球鞋在水泥地上的吱吱声、扣杀声、她扑救时的闷响、空泳池中的回声、青蛙含混的欢呼。音乐：放克风、轻快的鼓与贝斯律动。 提示词一座高耸的白色现代主义公寓塔楼，背景是柔和的淡蓝色天空，带有淡淡的条状卷云。建筑位于画面右半部分，左半部分是开阔的天空。平滑的米白色外立面，带有粗白框的小方形窗户。建筑转角处垂直叠放着三个相同的悬挑混凝土阳台，每个都是厚实的白色板材，底部呈斜角楔形，配有由竖直栏杆组成的纤细白色金属栏杆。干净、平面化、极简的柔和 1970 年代胶片色调：粉笔白、粉蓝、柔和粉彩。三个人正在做缓慢、平静的晨间拉伸，每个阳台一人。他们始终处于轻柔的运动中，从不静止，但每个动作都缓慢、流畅、受控，如同瑜伽或太极：每个拉伸用三到四秒完成过渡，在结尾处轻缓收住，再不慌不忙地流入下一个动作。没有快速、抖动、骤然或挥舞的动作。优雅、从容、冥想式。顶部阳台：一位深色头发向后束起的年轻女子，身穿淡紫色毛绒针织上衣和同色系淡紫色阔腿针织裤。她缓慢地将双臂高举过头顶，然后逐渐将上半身向左侧弯出长长的弧线，轻缓回到中线，再慢慢向右倾。中部阳台：一位留着短深色头发的男子，身穿铁锈红运动服。他保持深度前屈、手掌触地，然后沿脊柱缓缓卷起站直，双臂在头顶画一个大而慢的圆。底部阳台：一位银灰色短发的年长女性，身穿钴蓝色短袖 Polo 衫和宽松米色长裤。她保持宽距战士弓步，双臂向两侧伸展，缓慢地将重心从一条弯曲的膝盖移到另一条，并轻柔地将一只手臂向上扫过头顶进入侧弯。每个人按自己从容的节奏运动，彼此略有错开，具有全身幅度的动作：针织衫和裤子随之拉伸并回落，呈现真实的平衡与重量感。镜头：一镜到底、无剪辑：0–3 秒：宽幅建立镜头。镜头开始绕塔楼转角缓慢平稳环绕，弧线约 40 度，阳台、建筑立面与天空之间形成强烈视差。3–5 秒：仍在移动，镜头强力推近中部阳台，直到穿红色运动服的男子独自充满画面，半身构图，正在拉伸中，前景为栏杆。5–7 秒：沿建筑立面向上稳定垂直升起，经过上方板材的混凝土底面，露出淡紫色女子正处在侧弯中。7–10 秒：快速而受控地垂直下降，经过中部阳台到达底部，露出年长女性正在弓步中切换重心。10–13 秒：平稳后拉并反向环绕，回到开场的宽幅构图，三人仍在积极拉伸。柔和漫射的日光，每块板材下方有轻柔的软阴影，无强烈直射阳光。35mm 胶片质感，颗粒细腻。稳定的摇臂/无人机运动，从不抖动。声音：仅限自然的环境现场音 —— 轻风掠过建筑、远处的城市嗡鸣、隐约的鸟鸣、轻柔的织物摩擦声。无音乐、无配乐、无演唱、无旋律、无节奏轨。无人声、无说话、无对白、无低语、无任何发声。 提示词一个 1990 年代美国多机位情景喜剧场景，完全如同 Image 1：明亮、平光的摄影棚客厅布景，略带录像带的柔和感，同一个穿红衣的女子。现场观众全程笑声不断。不同机位之间硬切。[镜头 1] 0–3 秒：全景。她端着一个漂亮的生日蛋糕走进客厅，放到茶几上；一只戴着派对帽的小狗坐在沙发旁，盯着蛋糕。（观众：“Aww。”）[镜头 2] 3–5 秒：中景。突然传来敲门声。她指着狗说：“待在这儿，别碰它。“然后走出画面去开门。[镜头 3] 5–9 秒：特写，锁定茶几：狗跳起来狼吞虎咽地吃掉蛋糕，奶油四溅，派对帽歪到一边，尾巴疯狂摇摆。（观众哄堂大笑。）[镜头 4] 9–12 秒：全景。她回来后愣住了：只剩下一小块蛋糕，狗满脸奶油，若无其事地坐回去，舔着嘴唇。她双手一摊，困惑不已：”……到底怎么回事？！“[镜头 5] 12–15 秒：特写。狗打了一个带着奶油的小饱嗝，歪头看她。她看向镜头，叹了口气。（大笑与掌声，情景喜剧过场音乐。）声音：摄影棚观众的笑声与掌声、敲门声、狗狼吞虎咽声和一个小小的饱嗝、欢快的 90 年代情景喜剧主题曲。仅有这两句台词。无字幕或其他文字。 提示词一个大胆的全出血动态图形，无画框、无边框、无纸张边缘 —— 设计铺满整个 16:9 屏幕。扁平瑞士/几何风格，颜色与形状严格对应 Image 1，边缘干净锐利。大幅运动，绝不静止，与强劲的 120 BPM 曲目节拍同步。0–3 秒：屏幕起初为单一纯色；几何色块在每个节拍上从四面猛冲入画，逐步搭建出 Image 1 的版式。3–7 秒：圆形滚过、三角形翻转、条纹滑入；一个由图形组成的人物跑过构图，每一步都盖印出一个新的色块。7–10 秒：字母 MOVE 逐个砸落，带有厚重的挤压与拉伸，随后完全静止；拼写必须完全一致。10–13 秒：除 MOVE 之外的一切向外爆开，并在节拍上弹回，重新排列成新的版式。13–15 秒：镜头快速推近并旋转 15 度进入 MOVE 中的 O，以纯色收尾。声音：强劲的电子节拍，每个图形出现时配一击。无其他文字。 提示词一个 15 秒的快速剪辑、高能量电影级产品广告，主角是来自参考图 1 的钴蓝色头戴式耳机（形状、颜色、网状头带、针织耳垫与金属铰链完全一致，无 logo），主题是深沉低音。剪辑方式如同高端科技发布影片：踩点快速硬切，每个镜头都是大胆、不同的电影化机位与镜头。影片的主体是耳机。没有玻璃、没有水、没有植物、没有其他道具。整支影片保持在干净无缝的粉蓝色影棚布景中；背景始终是干净的粉蓝色，绝不会出现墙角边缘或暗色影棚。镜头 1（0–2.5 秒）：开场完全采用参考图 1 的构图 —— 相同的取景与角度，钴蓝色耳机将成熟的桃子夹在两个耳罩之间，置于粉蓝背景上。桃子完全静止、位置不动 —— 它不跳、不弹、不位移 —— 只在脉动：其表面随着每次深沉低音的撞击有节奏地微妙隆起与收缩，如同心跳，耳罩随之轻轻收紧。缓慢推近。镜头 2（2.5–4 秒）：踩点硬切，桃子在余下影片中消失：快速变焦式极端微距横扫钴蓝色头带网面，织物随低音颤动。镜头 3（4–5.5 秒）：极低的虫视仰角，广角镜头，仰望空无一物的耳机高耸于粉蓝背景前，快速轨道推进。镜头 4（5.5–7 秒）：正上方俯拍缓慢旋转，耳机在粉蓝色上展开成完美的图形形状。镜头 5（7–8.5 秒）：荷兰角微距，沿着抛光金属铰链与伸缩臂滑动，光线在金属上拉出光痕。镜头 6（8.5–10 秒）：从前景柔软的针织耳垫到后方第二个耳罩的移焦，浅景深。镜头 7（10–12 秒）：快速甩摇切入低角度跟拍，耳机滑过粉蓝色地面向镜头而来，大量运动模糊，落在 drop 上。镜头 8（12–13.5 秒）：侧面剪影式轮廓角度，柔和的边缘光勾勒出头带曲线，慢动作。镜头 9（13.5–15 秒）：摇臂下降到最终主镜头，空耳机独占画面，四分之三角度、粉蓝背景，停在最后一个节拍上。声音：深沉的次低音心跳脉冲逐渐发展为强劲、时尚的极简电子曲目，每次剪辑处有硬朗的撞击，并有一个大 drop。视觉：高端电影级美妆/科技广告质感，编辑化而精致，Jacquemus / Loewe 宣传片气质。柔和浅淡的真实色调背景衬托深饱和的主色，大面积柔和漫射光，阴影柔和但存在，低到中等对比度，奶油般高光，细腻的 35mm 胶片颗粒，浅景深，变形宽银幕质感。镜头始终处于大胆自信的运动中 —— 轨道、微距环绕、摇臂运动、快速移动时的运动模糊 —— 绝不静止。产品始终锐利清晰、易于辨识。镜头之间硬切，每个镜头角度与景别不同，从头到尾一条清晰的故事线。符合真实世界的物理规律。任何位置都没有文字、标题、字幕、logo。音频：无旁白、无对白，只有精致的广告配乐加上干脆、有触感的声音设计。 提示词参考：@Image1 是角色设定表（同一角色的正面、四分之三与背面视图）。@Image2 是环境。@Video1 仅作为运动参考。用 @Image1 中的角色，在 @Image2 的环境内，制作一段新视频，完全执行 @Video1 中人物的身体动作、编舞、节奏与镜头运动。不要从 @Video1 中取用任何其他东西 —— 不取用此人的脸、身体、服装、道具、地点、背景、颜色或摄影质感。保持角色与 @Image1 设计完全一致 —— 同样的脸、比例、服装、配色 —— 并以 @Image1 与 @Image2 的确切美术风格渲染整段视频，绝不写实。画面中只有一位角色。风格：带有黑色墨线轮廓、平涂色块、半调与孔版印刷颗粒的复古波普时尚插画，完全如 @Image1 与 @Image2 所示。Desmond 在 @Image2 中唱片店的陶土色棋盘格地板上起舞：与 @Video1 中相同的旋转、甩臂与踢腿，芥末黄西装外套在每次转身时扬起。当 @Video1 中的人物将盆栽蕨类高举过头时，Desmond 将他的黑胶唱片像舞伴一样高高举过头顶。他以双臂张开和一个略带冷面的鞠躬收尾。音频：唱机中播放的原创欢快 1960 年代灵魂乐律动，乐福鞋在地板上轻点与吱吱作响，轻柔的唱片沙沙声。正常实时速度，无慢动作。无文字、无字幕、无 logo。

提示词与输入素材 (https://github.com/Pika-Labs/Pika-H3-Flex/blob/main/docs/showcases.md)·样例元数据 (https://huggingface.co/Pika-Labs/Pika-H3-Flex/blob/main/assets/showcases/manifest.json)

这些是创意展示，而非发布验证渲染或吞吐量基准测试。使用发布包无法保证完全复现。

https://huggingface.co/Pika-Labs/Pika-H3-Flex#system-overview系统概述

Pika H3 Flex 属于同一个视频与音频模型家族，配备两个任务适配器：用于文本与首尾帧条件输入的 FL2VA，以及用于多模态参考输入的 Ref2VA。它基于 MiniMax-H3 (https://huggingface.co/MiniMaxAI/MiniMax-H3) 构建，可在六个采样步骤内生成带同步立体声音频的视频。

推理管线会编码提示词与输入媒体，通过所选的 Pika H3 Flex 适配器生成视频与音频隐变量，随后解码并合成一个 MP4。该软件包会自动下载锁定版本的基础组件与适配器。可使用提示词指南 (https://github.com/Pika-Labs/Pika-H3-Flex/blob/main/docs/prompt-guidance.md) 来描述场景、动作、对白、氛围与音乐；可选的提示词增强 (https://dev.pika.art/models/pika/pika-h3-flex/prompt-rewriter) 可通过 Pika API 使用。

https://huggingface.co/Pika-Labs/Pika-H3-Flex#input-and-output-specifications输入与输出规格

类别规格输入模态文本；首帧/尾帧图像；图像、视频与音频参考，取决于所选模式原生输出分辨率480p / 768p，覆盖全部 11 种支持的宽高比；精确像素尺寸遵循所选宽高比桶输出时长请求的 5–15 秒整数时长；实际长度遵循模型帧栅格输出宽高比21:9、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、9:21；尺寸使用软件包内置的分辨率桶输出帧率24 fps输出音频32 kHz 立体声，混入生成的视频中输出文件H.264 视频与 AAC 音频的 MP4，附带 JSON 生成元数据提示词输入文本或 UTF-8 提示词文件；1–8,000 字符采样使用发布适配器的采样调度进行六次生成器评估 时长会向上取整到支持的帧栅格：5 秒请求产生 124 帧（约 5.17 秒），15 秒请求产生 362 f