「Pika-H3-Flex」音声付き動画生成モデル:配布ファイル一覧

「Pika-H3-Flex」音声付き動画生成モデル:配布ファイル一覧

基本情報

項目 内容
リポジトリ Pika-Labs/Pika-H3-Flex
まとめページ MiniMax-H3 のまとめ(記事14本)
公開元のまとめ MiniMax のモデルとライセンスのまとめ
公開日 2026-10-30
ライセンス minimax-h3-community-license-agreement
配布形式 safetensors
出典の種類 公開元の一次情報(Pika-Labs公式HFリポジトリが一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Pika-Labsより、同期したステレオ音声付きの動画を生成できるモデルアダプタ「Pika H3 Flex」が公開されました。本モデルはテキストや画像、各種参照メディアを入力として受け取り、映像と音声を同時に生成する動画生成モデルです。

ベースモデルにはMiniMaxAIの「MiniMax-H3」を採用しており、わずか6サンプリングステップという短時間で、同期したステレオ音声付き動画を生成できるように最適化されています。ローカル環境での推論では480pおよび768pの解像度に対応し、最大12個の参照ファイルを用いたマルチモーダルな条件付けに対応しています。

スペック

公開資料に記載されているPika H3 FlexおよびベースモデルMiniMax-H3の仕様は以下の通りです。

  • モデル構成・アダプタ形式: FP32精度のLoRA(rank 128 / alpha 128)として提供されています。タスクに応じて「FL2VA」(テキストおよび開始・終了フレーム制御用、ベース trunk: transformer)と「Ref2VA」(マルチモーダル参照用、ベース trunk: transformer_ref)の2種類のアダプタが用意されています。
  • ベースモデルのアーキテクチャ: MiniMax-H3をベースとしています。MiniMax-H3のOmni-Transformerは33Bパラメータのdense、single-stream Transformerであり、うち約13BパラメータがAdaLN関連ブランチに存在します。エンコーダにはQwen3-VL-32B(50層目の隠れ状態を使用)、視覚VAEにはH3-VisualVAE(空間16倍、時間4倍圧縮、実効空間ダウンサンプリング32倍)、音声VAEには左右チャンネルを独立処理する32kHzステレオ対応のH3-AudioVAEが用いられています。
  • 出力解像度: ネイティブ解像度は480pおよび768pです。全11種類のアスペクト比バケット(21:9、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、9:21)に対応しています。
  • 出力フレームレート: 24 fpsです。
  • 出力尺(動画の長さ): 5秒〜15秒の整数秒指定に対応しています。実際の生成長はモデルのフレームグリッドに切り上げられ、5秒の指定では124フレーム(約5.17秒)、15秒の指定では362フレーム(約15.08秒)となります。
  • 出力音声: 32 kHzのステレオ音声が映像にミックスされた状態で出力されます。
  • 出力ファイル形式: H.264映像とAAC音声を含むMP4形式、および生成メタデータのJSONファイルが出力されます。
  • プロンプト入力仕様: テキスト直接入力またはUTF-8プロンプトファイルに対応し、文字数は1〜8,000文字です。
  • ステップ数・サンプリング: 公開アダプタ専用のサンプリングスケジュールを用いた6ステップ推論で動作します(一般的な6ステップEulerサンプリングとは同一ではないと説明されています)。
  • 生成モードと参照上限:
  • FL2VA: 入力メディアなしのテキストから動画・音声生成(t2va)、開始フレーム指定(i2va)、終了フレーム指定(l2va)、開始・終了両フレーム指定(fl2va)の各モードに対応します。 – Ref2VA(ref2va): 最大12個の参照ファイルを入力可能です。内訳として画像最大9枚、動画最大3クリップ、独立した音声クリップ最大3本を受け付けます(画像または動画が最低1つ必須)。動画や独立音声は各クリップ2〜15秒で、合計尺は動画・音声それぞれ最大15秒までに制限されます。
  • ライセンス条件: MiniMax H3 Community License Agreement(minimax-h3-community-license-agreement)が適用されます。

性能・品質

公開リポジトリには客観的なベンチマークテストの測定数値は掲載されていませんが、モデルの出力品質や動作特性について以下の内容が公表されています。

モデルカードでは、カメラワークの制御、シネマティックなストーリー表現、グラフィックデザイン、参照ガイド付きアニメーションなどの作例が提示されています。ただし、これらは機能を示すクリエイティブショーケースであり、性能検証のための正式なレンダリング結果やスループットのベンチマーク測定値ではないと注記されています。

また、元モデルであるMiniMax-H3側の公表資料によると、MiniMax-H3は事前学習段階からテキスト、画像、動画、音声を統合して理解するマルチモーダル基底モデルとして設計されています。複雑なマルチモーダル指示への追従性能に優れ、対話音声に関してはアラビア語、中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語の計11言語で安定した生成をサポートしているとされています。

Pika H3 Flexでは、これらのベースモデルの高い表現力を引き継ぎつつ、専用のサンプリングスケジュールによってわずか6ステップという高速な推論サイクルでの映像・ステレオ音声同時生成を可能にしています。

得意なこと・想定用途

Pika H3 Flexは、プロフェッショナルクリエイターが迅速かつ精密に試行錯誤を重ねるワークフロー(professional iteration)を想定して設計されています。わずか6ステップという非常に短いサンプリング工程で映像と同期したステレオ音声を一括生成できるため、制作プロセスの探索やドラフト作成を高速化する用途に極めて適しています。

公開資料において、特に適した具体的な用途として以下の領域が挙げられています。

  • 複数ショットによるストーリーテリング(Multi-shot storytelling): プロンプトによる詳細なシーン指示やカメラワークの指定を組み合わせ、映画的な演出や物語展開を持つ映像を構築する用途です。
  • モーショングラフィックスおよびグラフィックデザイン: 動きのあるデザイン表現やテキスト指示に基づくダイナミックなグラフィック映像の生成に向いています。
  • プロダクトフィルム(製品プロモーション映像): 精緻なプロンプト指示によって製品の質感やカメラの回り込みなどをコントロールし、コマーシャル用途のドラフトを迅速に作成できます。
  • 参照ガイド付きアニメーション(Reference-guided animation): 参照メディアを活用し、キャラクターや特定のアートスタイル、動きの一貫性を保ったアニメーション生成が可能です。

これらの用途を支えるのが、2種類のタスクアダプタ(FL2VAとRef2VA)による柔軟な入力制御です。FL2VAでは、開始フレームだけを指定してその後の展開を生成するだけでなく、終了フレームを指定してそこへ向かう映像を作ったり、開始と終了の両フレームを与えてその間を補間・接続したりする制御が可能です。これにより、シーン間のトランジションや意図した構図への着地を正確に演出できます。

またRef2VAでは、画像最大9枚、動画最大3本、独立音声最大3本(合計最大12ファイル)という極めてリッチなマルチモーダル参照を受け付けます。特定のキャラクターの見た目を複数枚の画像で指定しつつ、動きのサンプル動画やBGM・環境音の音声を組み合わせた高度な演出指示を手元で行える点が大きな強みとなっています。

類似モデルとの違い

MiniMax-H3をベースにした派生モデルとしては、過去に当サイトで 音声付き動画生成モデル「FastH3 V2」のFP8およびNVFP4版公開 や 音声付き動画生成モデル「FastH3 Trim」8ステップ版が公開 を取り上げています。

FastVideoチームが手掛けたこれらのモデルは、主としてコンシューマー向けGPU環境での動作を見据え、重みの量子化(FP8やNVFP4)やトランスフォーマーブロックの削除(50ブロック中8ブロックを削除して42ブロック化)といった軽量化を施し、8ステップ推論を単一モデルで完結させる点にフォーカスしていました。

これに対して今回登場したPika H3 Flexは、モデル本体を縮小・量子化して配布するアプローチではなく、ベースモデルであるMiniMax-H3に対して適用するLoRAアダプタとして設計されています。推論ステップ数をさらに短い6ステップへと圧縮しながら、FL2VA(開始・終了フレーム制御)とRef2VA(最大12件のマルチモーダル参照)という2つの専用アダプタを用意することで、表現力やコントロール性能を損なわずに柔軟な演出を可能にしている点が大きく異なります。手元のリソースに合わせて軽量化を最優先するFastH3シリーズに対し、Pika H3 Flexはマルチモーダルな参照素材を駆使したプロ向けの精密なディレクションと高速な生成の両立を狙ったモデルといえます。

配布ファイル

Pika-Labs/Pika-H3-Flex で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
audio_vae/diffusion_pytorch_model.safetensors 605MB
comfy/loras/pika_h3_flex_fl2va_comfy_bf16.safetensors 1.96GB
comfy/loras/pika_h3_flex_ref2va_comfy_bf16.safetensors 1.96GB
fl2va/adapter.safetensors 2.77GB
ref2va/adapter.safetensors 2.77GB
text_encoder/model-*-of-00002.safetensors 66.71GB(2分割)
transformer/diffusion_pytorch_model-*-of-00007.safetensors 66.28GB(7分割)
transformer_ref/diffusion_pytorch_model-*-of-00007.safetensors 66.28GB(7分割)
vae/diffusion_pytorch_model-*-of-00002.safetensors 10.42GB(2分割)

入手方法

Pika H3 FlexはHugging Face上で公開されており、特別な利用申請(ゲート)なしで誰でもダウンロードが可能です。

  • 配布形式: 重みはsafetensors形式で配布されています。公式推論用のFP32 LoRA(rank 128 / alpha 128)として fl2va/ および ref2va/ に格納されているほか、ComfyUI向けにBF16形式で調整されたLoRA重みが comfy/loras/ ディレクトリに収録されています。また、リポジトリ内には動作に必要なDiffusers形式のMiniMax-H3ベースコンポーネント(Transformer本体、Qwen3-VL-32Bベースのテキストエンコーダ、視覚VAE、音声VAEなど)もまとめて配置されています。
  • 入手先リポジトリ: Hugging Faceの Pika-Labs/Pika-H3-Flex から取得できます。
  • 公式CLIによる推論: GitHubで公開されている推論リポジトリ(https://github.com/Pika-Labs/Pika-H3-Flex)をクローンし、pip、Conda、またはDockerの環境構築手順に従うことで利用できます。提供されている pika-h3-pro コマンドを実行すると、必要なベースコンポーネントと選択したアダプタが自動的にダウンロードされる仕組みになっています。リポジトリのドキュメントでは、H100 80GB GPUでの実行が案内されており、大規模なリクエスト向けに --cpu-offload オプションも用意されています。
  • 対応ツールとライブラリ:
  • ComfyUI: 公式のチュートリアルと、R2V、FL2VA、T2Vそれぞれのワークフローテンプレートが提供されています。同梱のBF16 LoRA重みを読み込んでノード上で実行できます。 – Hugging Face Diffusers: 公式のDiffusersパイプラインドキュメントおよびリポジトリ内のサンプルコード(examples/)が提供されており、スクリプトから直接呼び出して生成を行うことができます。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス minimax-h3-community-license-agreement(商用利用不可): MiniMax の MiniMax H3 Community License です。ウェイトの利用を認める地域が EU・英国・韓国・米国に限られ、日本は対象外です(第II条・第V条4)。対象外の地域では個別の許諾が必要です。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(minimax-h3-community-license-agreement)は商用利用を認めていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

派生版・量子化版

→ 横にスクロールできます

追記日 配布元 形式 リポジトリ 最小のVRAM階層(量子化・必要メモリの目安)
2026-11-03 FastVideo NVFP4 FastVideo/Pika-H3-Flex-NVFP4-FP4Attn-QAD –
2026-11-03 FastVideo NVFP4 FastVideo/Pika-H3-Flex-NVFP4-QAD –

このほか、上記以外の投稿者による変換版が 2 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。

この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。

関連記事

次に読むなら

出典