近日，Pika 发布了基于 MiniMax H3 的衍生模型 Pika H3 Flex，并同步开放了适配器权重与推理代码。这一动作意味着，原本需要较高算力门槛的音视频联合生成能力，正在向更广泛的创作者和开发者群体开放。与只生成画面的视频模型不同，H3 Flex 的核心特点是在同一次生成过程中同时产出画面与声音，让视频与音频在时间轴上保持同步。
从技术路径看，Pika 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），把教师模型原本 50 步的去噪过程压缩到 6 步。随后团队通过奖励反馈学习和直接偏好优化训练 LoRA 适配器，用于改善美学质量、清晰度和指令遵循能力。适配器合并进推理流程后，并不会增加生成步数，这也是该模型能够在较低成本下保持输出质量的关键。
本次发布包含两套 LoRA 适配器，分别面向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。模型原生支持 480P 与 768P 输出，可生成约 5 至 15 秒的视频以及同步立体声音频，并给出 ComfyUI 工作流和 Hugging Face Diffusers 接入方式，方便开发者将其嵌入现有创作工具链。对于需要更高画质的场景，Pika 通过 API 提供 1080P、2K 和 4K 视频增强以及音频分轨功能，创作者可以先以低分辨率生成和筛选草稿，再对选定版本做高分辨率处理；同步生成的声音则可拆分为对白、配乐、音效、拟音和环境声五类独立音轨，便于后期分别调整。
在性能方面，Pika 对托管推理服务做了加速。在保持模型权重和六步采样方案不变的测试中，使用 8 张 NVIDIA B300 GPU 生成一段 5 秒、768P 的音视频，条件编码、去噪和解码的合计耗时从 3.409 秒缩短至 2.129 秒，处理速度约为原来的 1.6 倍。Pika 公布的对比评测显示，H3 Flex 在五项视觉和音频质量指标上均在参评模型中取得最高得分，并在 DesignArena 文生视频榜单上位列第八，是该榜单中排名最高的开源视频模型。
放到更大的背景下看，今年 8 月 MiniMax H3 开源后，围绕不同使用场景的衍生训练持续涌现：与 Running Hub 打造 MiniMax H3 480P，与 fal 面向实时生成做后训练和推理优化并推出 H3 Max 768P、H3 Max 480P，FastVideo 通过稀疏化和硬件适配推出 FastH3，英伟达与 MIT 联合开发 StreamRender-H3、Open-H3-Regenerate-2K 等。海外开发者还围绕 H3 衍生模型搭出了 Twitch 直播、24 小时“AI 电视台”和 AI 短视频直播软件等玩法。H3 开源一个月内下载量已超过 2400 万次，产生超过 300 个公开衍生项目。H3 Flex 的发布，进一步把“六步出片、声画同步”的能力推向本地创作与二次开发，音视频生成的门槛和成本有望继续下探。
