Pika H3 Flex: مدل ویدیوساز سریع با وزن‌های باز
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
تیم Pika مدل Pika H3 Flex رو معرفی کرده. این مدل نسخهٔ post-train شدهٔ MiniMax H3 هست، یعنی مدل پایه رو گرفتن و با آموزش اضافه بهترش کردن. به گفتهٔ تیم، هدفش اینه که هنرمندها سریع‌تر ایده‌های مختلف رو امتحان کنن و روی هر نسخه کنترل بیشتری داشته باشن.
مهم‌ترین تغییر سرعته. تیم Pika مدل رو طوری آموزش داده که به‌جای ۵۰ مرحله، تو ۶ مرحله ویدیو بسازه. نتیجه اینه که یه کلیپ ۱۵ ثانیه‌ای با صدای هماهنگ در کیفیت 768p، فقط با حدود هفت ثانیه محاسبهٔ ترنسفورمر (DiT) ساخته میشه. البته خودشون می‌گن این عدد زمان کل API نیست و چیزهایی مثل فایل‌های مرجع، سخت‌افزار و بالا بردن کیفیت زمان رو بیشتر می‌کنن. موقع انتشار، Flex تو جدول text-to-video سایت DesignArena بین مدل‌های open-weights اول و در کل هفتم بوده.
Flex تا ۱۲ فایل مرجع قبول می‌کنه که می‌تونه ترکیبی از عکس، ویدیو و صدا باشه. مثلاً شخصیت رو از یه عکس، فضا رو از یه عکس دیگه و حرکت رو از یه ویدیو می‌گیره. با ویرایش بر اساس مرجع هم میشه فقط بخشی از شات رو عوض کرد، مثل لباس یا پس‌زمینه، و بقیه‌ش دست نخوره.
صدا هم جدا جدا قابل دریافته. از طریق Pika API میشه پنج stem صوتی جدا (یعنی هر لایهٔ صدا به‌صورت یه فایل جدا) گرفت: دیالوگ، موسیقی، افکت (SFX)، فولی و صدای محیط. پس میشه موسیقی رو کم کرد بدون اینکه صدای گفتگو کم بشه. خود مدل در 480p یا 768p ویدیو می‌سازه و upsampler مخصوص Pika بعداً خروجی رو به 1080p، 2K یا 4K می‌رسونه.
Pika آداپتورهای generator و کد inference مدل رو با وزن‌های باز منتشر کرده. این نسخه text-to-video، ساخت ویدیو از فریم اول و آخر و reference-to-video چندرسانه‌ای رو با صدا در 480p و 768p پوشش می‌ده. ولی upsampler برای کیفیت بالاتر، جدا کردن stemها و سرور سریع فقط روی سرویس خود Pika در دسترسه. Flex از ۲ نوامبر به محصول اصلی Pika هم میاد.
نکات کلیدی:
- Pika H3 Flex نسخهٔ post-train شدهٔ MiniMax H3 هست و به‌جای ۵۰ مرحله، ۶ مرحله کار می‌کنه.
- کلیپ ۱۵ ثانیه‌ای 768p با حدود ۷ ثانیه محاسبهٔ DiT ساخته میشه (نه زمان کل API).
- تا ۱۲ فایل مرجع از نوع عکس، ویدیو و صدا قبول می‌کنه.
- پنج stem صوتی جدا از طریق API: Dialogue، Score، SFX، Foley و Ambience.
- وزن‌های باز فقط تا 768p هستن؛ upsampler تا 4K مخصوص سرویس Pika هست.
- رتبهٔ اول بین مدل‌های open-weights و هفتم در کل، تو DesignArena.
