Pika H3 Flex：多参考视频、分离音轨和本地权重的边界

Pika H3 Flex可以把图片、视频和音频混合作为参考，生成带同步声音的短片；但它开放的本地能力和托管服务提供的功能并不完全一样。

Pika在10月29日公布这个基于MiniMax H3后训练的视频模型。官方介绍支持最多12个参考文件：例如一张图提供角色外观，另一张图提供场景，再用视频参考动作。它支持文生视频、首尾帧以及多模态参考生成，原生生成分辨率为480p或768p，并输出混合立体声。官方同时表示创作产品计划从11月2日接入；具体账号能否使用仍要以实际开放情况为准。

需要后期混音的人要留意音轨范围：通过其托管接口可以请求对白、配乐、音效、拟音和环境声五个独立音轨；本地开放推理部分提供的是混合立体声，不能把“五轨可分别导出”理解成所有本地部署都有。1080p、2K和4K也是托管的放大处理，原生生成仍是480p或768p，不是直接原生生成4K。

开发者侧公布的是生成器适配权重和推理代码；模型示例需要加载MiniMax H3基础模型再加载适配权重。模型卡列出的是MiniMax H3社区许可，实际使用前需要同时核对相关权重和代码的许可条件，不能只凭“开放权重”就假定所有用途没有限制。

官方还给出过15秒、768p片段约7秒的数字，但脚注明确这是受控测试中的变换器计算时间，不包括接口排队、参考素材处理、放大或音轨拆分等完整流程。它不能直接当成自己的端到端等待时间。以上是根据公开介绍整理，没有实际生成视频或测量本地性能。