Pika H3 Flex es un modelo de generación de video y audio post-entrenado, diseñado para ofrecer a creadores profesionales un control preciso y una velocidad de iteración optimizada. Basado en la arquitectura MiniMax-H3, este sistema genera clips de video con audio estéreo sincronizado en solo seis pasos de muestreo, soportando hasta 12 referencias multimodales para guiar la dirección de la toma y la coherencia visual.
La herramienta destaca por su capacidad de inferencia local, permitiendo la generación nativa de video en resoluciones de 480p y 768p, con la opción de escalar hasta 4K a través de la API de Pika. El pipeline de inferencia codifica el prompt y los medios de entrada, genera latentes de video y audio, y los decodifica para crear archivos MP4 con audio AAC a 32 kHz. El sistema soporta múltiples modos de entrada, desde texto puro hasta condicionamiento por primer y último cuadro, así como referencias de imágenes, video y audio ordenadas.
Las especificaciones técnicas incluyen una duración de salida de entre 5 y 15 segundos, con una tasa de fotogramas de 24 fps y una variedad de proporciones de aspecto desde 21:9 hasta 9:21. El modelo requiere al menos una GPU para ejecutar una solicitud por vez, aunque ofrece opciones de offload por CPU. Esta solución es ideal para flujos de trabajo de cine, gráficos de movimiento y animación guiada por referencias, integrándose con librerías como Diffusers y plataformas de inferencia como Google Colab o Draw Things.