Pika startet quelloffenes Videomodell H3 Flex mit Echtzeit-Generierung und 4K-Ausgabe
Pika hat H3 Flex veröffentlicht, eine quelloffene Omni-Videomodellfamilie, die auf MiniMax H3 nachtrainiert wurde. Laut Pika belegt sie unter den Open-Source-Modellen für Text-zu-Video Platz 1 und erzeugt Videos in Echtzeit.
- Pika hat H3 Flex veröffentlicht, ein quelloffenes Omni-Videomodell, das auf MiniMax H3 nachtrainiert wurde.
- Laut Pika belegt es Platz 1 unter den Open-Source-Modellen für Text-zu-Video und generiert schneller als in Echtzeit.
- Die Ausgabe reicht von 480p bis 4K, mit fünf getrennten editierbaren Audiospuren und bis zu 12 Referenzdateien.
- Die Startpreise liegen bei 0,01 US-Dollar pro Ausgabesekunde für Text- und Bild-zu-Video und bei 0,03 US-Dollar pro Sekunde für Referenz-zu-Video.
- Verfügbar über API, ComfyUI und Diffusers, die Gewichte liegen auf Hugging Face, der Code auf GitHub.
Was Pika für sich beansprucht
Pika beschreibt H3 Flex als Omni-Videomodellfamilie, die das eigene Team auf Basis von MiniMax H3 entwickelt hat. Das Unternehmen gibt an, Fine-Tuning und belohnungsbasierte Optimierung auf einem intern kuratierten, nach ästhetischer Qualität ausgewählten Datensatz kombiniert zu haben. Laut Pika liefert das Modell bei visuellen und akustischen Qualitätsmetriken sowie in Bewertungen der menschlichen Präferenz Spitzenergebnisse und übertrifft führende Wettbewerber um bis zu 91 Prozent, bei weiterhin wettbewerbsfähigen Preisen.
In Pikas eigener Studie mit menschlichen Bewertern belegt H3 Flex Platz 1 bei der menschlichen Anatomie sowie bei künstlerischen und ästhetischen Stilen. In einem begleitenden Beitrag ergänzt das Unternehmen, das Modell liege zum Zeitpunkt der Veröffentlichung auf Platz 1 der Modelle mit offenen Gewichten und auf Platz 7 insgesamt im Text-zu-Video-Ranking von DesignArena.
Diese Rankings und Vergleiche stammen von Pika selbst, die Quelle erläutert die Bewertungsmethoden nicht im Detail.
Geschwindigkeit, Auflösung und Audio
Pika zufolge generiert H3 Flex schneller als in Echtzeit. Echtzeit definiert das Unternehmen dabei als Generierungslatenz, die unter der Länge des erzeugten Clips liegt. Nach Angaben von Pika kann das Modell einen 15-Sekunden-Clip mit synchronem Ton in 768p mit nur sieben Sekunden Transformer-Rechenzeit erzeugen. Dafür hat Pika MiniMax H3 so nachtrainiert, dass es in sechs statt 50 Schritten generiert, und das schnellere Modell anschließend im Hinblick auf Qualität und kreative Kontrolle verfeinert.
Die Ausgabeauflösungen reichen von 480p bis 4K. H3 Flex exportiert zudem fünf getrennte, editierbare Audiospuren: Dialog, Score, SFX, Foley und Atmosphäre. Sie kommen zusätzlich zum generierten Soundtrack, was laut Pika eine Premiere für ein Videomodell ist.
Das Modell akzeptiert in einer einzigen Generierung bis zu 12 Referenzdateien aus Bildern, Videos und Audio. Pika nennt als Beispiele eine Skizze, ein Charakterblatt, ein Produktfoto, ein Moodboard, eine Sprachprobe oder ein Video mit der gewünschten Bewegung. Nutzer können festlegen, was jede Referenz beisteuern soll.
Über die Generierung hinaus nennt Pika nachgelagerte Bearbeitungsaufgaben wie Stilübertragung, Bewegungsübertragung, Objektaustausch, Charaktertausch und gezielte Änderungen.
Preise und Einordnung des Vergleichs
Pika hat zwei Vergleichstabellen veröffentlicht. Bei Text- und Bild-zu-Video beginnt H3 Flex bei 0,01 US-Dollar pro Sekunde Ausgabematerial und ist als echtzeitfähig, 4K-fähig, mit offenen Gewichten und Audiospuren gekennzeichnet. Die Tabelle führt HeyGen Speed, Quality und Ultra mit demselben Startpreis von 0,01 US-Dollar auf, allerdings ohne 4K-Ausgabe, offene Gewichte oder Audiospuren und ohne Angabe zur Echtzeitfähigkeit. MiniMax H3 ist mit 0,08 US-Dollar gelistet, Fal H3 Max mit 0,0325, Fal H3 Turbo mit 0,01625, Seedance 2.5 mit 0,103, FLUX 3 Video mit 0,06, Gemini Omni 1.1 Flash mit 0,101 und Wan 3.0 mit 0,03 US-Dollar.
Bei Referenz-zu-Video beginnt H3 Flex bei 0,03 US-Dollar pro Sekunde und ist als Modell gekennzeichnet, das 4K-Ausgabe, offene Gewichte, mehrere Bild-, Audio- und Videoreferenzen sowie Lippensynchronisation oder Redub mit hochgeladenem Audio unterstützt. Pika merkt an, dass Gemini Omni 1.1 Flash Bild- und eingeschränkt Videoreferenzen, aber keine hochgeladenen Audioreferenzen unterstützt und dass Seedance 2.5 und Wan 3.0 eine zusätzliche Gebühr für Videoreferenzen erheben.
Verfügbarkeit und Bedeutung
H3 Flex ist über Pikas API, ComfyUI und Diffusers verfügbar. Die Modellgewichte liegen auf Hugging Face, der Code auf GitHub. Pika bietet außerdem individuelle Trainingsleistungen an, Anfragen von Unternehmen gehen an [email protected].
Für Kreative und Entwickler deutet die Kombination aus offenen Gewichten, Mehrfachreferenzen und getrennten Audiospuren auf ein Modell hin, das eher auf iteratives Arbeiten als auf einmalige Generierungen zielt. Pika sagt, die geringe Latenz und die Open-Source-Verfügbarkeit ermöglichten schnelle Iterationen vom Konzept bis zur hochauflösenden Ausgabe und erlaubten es Teams, das Modell in eigene Workflows einzubinden. Die Leistungs- und Preisangaben stammen vom Unternehmen selbst und stützen sich auf dessen veröffentlichte Tabellen und Auswertungen.
