AIREITERFür schnelle Iterationen bei kurzen KI-Videos mit Ton ist Pika H3 Flex derzeit eine der praktischsten Optionen. Die beworbenen „15 Sekunden in 7 Sekunden“ beziehen sich allerdings ausschließlich auf die Transformer-Rechenzeit. Lokal dauert ein fertiger Clip weiterhin mehrere Minuten, über die gehostete API weniger als eine Minute – und alles oberhalb von 768p bleibt kostenpflichtig.
Was hinter der 7-Sekunden-Angabe steckt
Die 7 Sekunden stehen für die reine Diffusion-Transformer-Rechenzeit auf Pikas internen Clustern, nicht für die komplette Generierung. Diesen Unterschied macht auch Pikas technische Analyse bei den Serverwerten. In der Praxis kommen Text-Encoding, VAE-Decoding, Audio-Interleaving, Übertragung und Wartezeiten hinzu. Über die gehostete API sollte ein Clip Ende zu Ende in unter einer Minute fertig sein; auf einer lokalen Consumer-GPU sind mehrere Minuten realistisch.
Für einen 5-Sekunden-Clip in 768p mit Audio nennt Pika 3,409 Sekunden Server-Rechenzeit vor den Serving-Optimierungen und 2,129 Sekunden danach. Das entspricht einem Serving-Gewinn von 1,60x auf acht B300-GPUs (Quelle). Die Übersicht von kie.ai weist ausdrücklich darauf hin, dass die 7 Sekunden für einen 15-Sekunden-Clip in 768p weder als garantierte API-Latenz noch als Consumer-GPU-Leistung verstanden werden dürfen.
Praxisberichte bestätigen diese Lücke. Eine Sammlung von Community-Tests dokumentiert auf einer RTX 5090 rund 4 Minuten 55 Sekunden für einen 10-Sekunden-Clip mit 6 Schritten, gegenüber 20 Minuten 34 Sekunden mit dem Standardmodell – bei nahezu unveränderter Bildqualität. Eine RTX 4070 benötigte für 5 Sekunden etwa 7 Minuten 11 Sekunden, lieferte dabei aber hörbar besseren Ton. Sechs Schritte reduzieren die Sampling-Durchläufe gegenüber dem 50-Schritte-Teacher grob um den Faktor 8; auf derselben Karte sinkt die reale Laufzeit in Community-Tests um etwa das 3- bis 4-Fache. Das ist ein echter Vorteil beim Iterieren, aber kein schneller-als-Echtzeit-Rendering auf dem eigenen Schreibtisch.
Pika H3 Flex: Was genau steckt dahinter?
Pika H3 Flex ist keine neue Videoarchitektur, sondern ein nachtrainiertes MiniMax H3, das als zwei LoRA-Adapter verteilt wird. Pika hat MiniMax H3 zunächst mit einem internen Audio-Video-Datensatz im 50-Schritte-Schedule des Teachers feinabgestimmt. Anschließend folgte eine Destillation auf 6 Schritte mittels Projected Distribution Matching (PDMD), nachdem sich Standard-DMD als instabil erwiesen hatte. ReFL Reward Learning für die Ästhetik und DPO für die Befolgung von Anweisungen rundeten das Alignment ab (Pikas Forschungsaufschlüsselung). Die Launch-Ankündigung von Pika positioniert das Ergebnis als schnellere, besser steuerbare H3-Variante für professionelle Iterationen; der offizielle Launch-Thread bestätigt Open Weights vom ersten Tag an.
Lokal steht Folgendes bereit:
| Kategorie | Lokale Spezifikation von Pika H3 Flex |
|---|---|
| Basismodell | MiniMax H3 (33B Omni Video-Audio) |
| Format | 2 LoRAs: FL2VA + Ref2VA (je 2,77 GB FP32, 1,96 GB als BF16-ComfyUI-Builds) |
| Sampling | 6 Schritte, lcm sampler, manueller Sigma-Plan |
| Auflösungen | 480p oder 768p, 11 Seitenverhältnisse von 21:9 bis 9:21 |
| Laufzeit | 5–15 s bei 24 fps (5 s = 124 Frames, 15 s = 362 Frames) |
| Audio | 32-kHz-Stereo, in MP4 eingemischt |
| Prompt-Fenster | 1–8.000 Zeichen |
| Veröffentlichung | 29. Oktober 2026, Open Weights ab Tag eins |
Die Adapter werden an die regulären MiniMax-H3-Basisdateien angehängt. Wer H3 bereits eingerichtet hat, lädt also nur die zwei LoRAs zusätzlich herunter. Für Neueinsteiger fallen ungefähr 210 GB an Basisdateien plus 5,5 GB für die Adapter an (Aufschlüsselung des Speicherbedarfs). Das Hugging-Face-Modell-Repository enthält Gewichte, Beispiele und Lizenz; die Diffusers-Integrationsdokumentation erläutert die beiden Adapter und die 6-Schritte-Pipeline.
FL2VA oder Ref2VA: Der passende Adapter für den Shot
FL2VA und Ref2VA gehören zu den zwei Transformer-Zweigen von MiniMax H3. Der Adapter muss sowohl zum Workflow als auch zum Basis-Checkpoint passen. Eine falsche LoRA-Basis-Kombination ist laut frühen Anleitungen wie dem ComfyUI-Setup-Guide die häufigste Ursache für Einrichtungsfehler.
| Adapter | Eingaben | Geeignet für | Passendes Basismodell |
|---|---|---|---|
| FL2VA | Text, optional erster und/oder letzter Frame | Text-zu-Video, Bild-zu-Video, erster Frame, letzter Frame, erster plus letzter Frame | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | Text plus geordnete Bild-, Video- und Audio-Referenzen | Referenz-zu-Video, Motion Transfer, Character Swap, referenzgesteuerte Bearbeitung | minimax_h3_ref2va_pruned_int8_convrot |
Ref2VA ist der besondere Teil des Pakets: Pro Generierung sind bis zu 12 Referenzen möglich. Die Obergrenzen pro Typ liegen bei 9 Bildern, 3 Videos und 3 Audioclips; je Medientyp sind maximal 15 Sekunden kombiniert erlaubt, und mindestens ein Bild oder Video ist erforderlich. So lassen sich Identität über ein Bild, Bewegung über ein Video und Stimme über eine Audioreferenz getrennt steuern.
Ref2VA-Prompts folgen einem strukturierten Referenzformat mit subject_definitions, einer summary und Labels wie <Subject 1>, <Picture 1>, <Video 1> und <Audio 1>. ComfyUI unterstützt außerdem Multi-Shot-Anweisungen, etwa harte Schnitte, Kamerachoreografie und Dialog innerhalb eines Prompts. Wer für referenzlastige Arbeit die MiniMax H3 Max API-Preise prüft, sollte Ref2VA zuerst testen: Es ist die offen verfügbare Option, die dieser Art von Shot-Kontrolle am nächsten kommt.
Eine feste Regel: Keine weitere Speed-LoRA darüberstapeln. Flex ist bereits auf seinen eigenen 6-Schritte-Latent-Schedule destilliert. Der ComfyUI-Guide warnt, dass Turbo, Lightning, PTD oder 8-Step-Acc-Beschleunigung das Ergebnis „breaks the output“. Stil- oder Character-LoRAs, die gegen das nicht destillierte H3 trainiert wurden, lassen sich möglicherweise technisch laden, sollten vor dem Produktionseinsatz aber neu getestet werden.
Diese Funktionen bleiben der Pika API vorbehalten
Lokal ist bei 768p und einer gemischten Stereo-Tonspur Schluss. Höhere Auflösungen, getrennte Stems und Prompt-Optimierung gibt es ausschließlich über Pikas gehostete API.
| Funktion | Lokale Open Weights | Gehostete Pika API |
|---|---|---|
| Auflösung | 480p, 768p | 480p, 768p, 1080p, 2K, 4K |
| Audio | Gemischtes 32-kHz-Stereo | Gemischt plus 5 separate WAV-Stems (Dialog, Score, SFX, Foley, Ambiente) |
| Prompt-Hilfe | Manuell | Prompt-Rewriter ($0.02 pro Anfrage) |
| Abrechnung von Referenzvideos | N/A (nur Rechenzeit) | Eingabe- und Ausgabe-Sekunden werden abgerechnet |
Zum Start gelten Aktionspreise, die ungefähr bei der Hälfte von Pikas regulären Tarifen liegen (Preisangaben über kie.ai):
| Auflösung | Aktionspreis pro Ausgabe-Sekunde | Regulärer Preis pro Ausgabe-Sekunde | Aktionspreis für 15-s-Clip |
|---|---|---|---|
| 480p | $0.01 | $0.02 | $0.15 |
| 768p | $0.02 | $0.04 | $0.30 |
| 1080p | $0.035 | $0.07 | $0.525 |
| 2K | $0.04 | $0.08 | $0.60 |
| 4K | $0.08 | $0.16 | $1.20 |
Audio-Stems kosten zusätzlich $0.001 pro Audiosekunde. Bei Referenzvideos wird die Generierungsrate sowohl für Eingabe- als auch für Ausgabe-Sekunden berechnet. Bild- und Audioreferenzen verursachen keine Eingabekosten. Mitglieder des API Club erhielten während des Launch-Zeitraums vom 29. Oktober bis 5. November täglich 15 kostenlose Generierungen (Aktionsbedingungen).
Pikas Draft-to-Final-Workflow (hier beschrieben) erzeugt zunächst einen Entwurf in 480p oder 768p. Nach Freigabe des Takes wird derselbe Latent Seed in 1080p bis 4K fertig gerendert, wobei nur die Preisdifferenz anfällt. Wer zehn 480p-Entwürfe zum Aktionspreis erstellt ($0.15 je Clip) und einen davon in 4K finalisiert, zahlt $1.50 für die Entwürfe plus $1.05 für das Upgrade: insgesamt $2.55. Würden alle zehn Clips direkt in 4K fertiggestellt, wären es $12.00. Für MiniMax H3 Video-Workflows mit intensiver Seed-Suche reduziert dieses Modell die Kosten des Experimentierens deutlich.
Der Lizenzvorbehalt ist ebenso wichtig. Die Adapter stehen als Derivate von MiniMax H3 unter dem MiniMax H3 Community License Agreement, während nur der Inference-Code unter Apache 2.0 steht (Aufteilung der Lizenzen). Frühere Berichte zur Basislizenz nennen territoriale und kommerzielle Nutzungsbedingungen, darunter einen Ausschluss lokaler Deployments in den USA, der EU, dem Vereinigten Königreich und Südkorea. Pika hatte zum Launch keine zusätzlichen Bedingungen bestätigt. Wer bezahlte Kundenprojekte plant, sollte daher die Lizenzdatei im Adapter-Repository direkt lesen und die gehostete API in ausgeschlossenen Regionen als potenziell regelkonformen Weg betrachten, bis Pika dies bestätigt.
Lokal nutzen – auch ohne H100?
Pikas repräsentative Tests liefen auf einer einzelnen H100 mit 80 GB, ohne Multi-GPU-Sharding für einen einzelnen Clip (Hardware-Hinweise). Der vollständige Download beansprucht rund 215,5 GB. Ein CPU-Offload-Flag reduziert den VRAM-Bedarf, kostet aber Systemspeicher und Übertragungszeit. Als Faustregel aus frühen Guides gilt: Wenn das Standard-H3 auf einer GPU läuft, läuft dort auch Flex – zuzüglich ungefähr 2 GB für die LoRA.
Ein detaillierter Hardware-Bericht vom Launch-Tag protokollierte 480p-Generierungen mit 5 Sekunden bei 66–69 GiB VRAM. Für 15 Sekunden in 768p waren CPU-Offload und rund 94 GiB Systemspeicher nötig. Ein 5-Sekunden-Render in 1344x768 aus ComfyUI lag bei ungefähr einer Minute. Damit ist die Consumer-Realität klar umrissen: 480p-Entwürfe sind mit Offload auf Karten mit 24 GB erreichbar, während lange 768p-Clips vor allem den Systemspeicher fordern.
„the Flex clip moves MORE. No H100. One 24GB card on a desk.“ — @KuGeKinbaku, beim Vergleich desselben Prompts und Seeds auf einer RTX 3090 Ti: Turbo mit 8 Schritten in 212.61 s gegenüber Pika H3 Flex LoRA mit 6 Schritten in 146.81 s, also Ende zu Ende etwa 31 % schneller
Das funktionierende ComfyUI-Rezept ist laut Template-Standardwerten (Quelle der Einstellungen) eng definiert und sollte exakt eingehalten werden:
| Einstellung | Wert | Grund |
|---|---|---|
| Schritte | 6 | Destillierter Schedule; bei 4 Schritten treten feine Details sichtbar auf und ab |
| Sampler | lcm | Entspricht der Trainingskonfiguration |
| Sigmas | Manuell, Knoten 1000/750/500/250/100/40/0 | Generisches 6-Step-Euler ist nicht gleichwertig |
| Guider / CFG | BasicGuider, CFG 1.0 | Überspringt den Negative-Prompt-Durchlauf |
| LoRA-Stärke | 1.0 | Niedrigere Werte lassen das Modell nur teilweise destilliert |
| Shifts | Video 12, Audio 3 | Pika-Referenzwerte |
Für das Text-zu-Video-Template benötigt ComfyUI Version 0.43.2 oder neuer; für Referenz- sowie First-Last-Frame-Templates genügt 0.30.0. Die drei Vorlagen liegen unter Workflow > Browse Templates > Video. Zusätzliche Custom Nodes sind nicht erforderlich. Auf 16-GB-Karten empfiehlt sich der Einstieg mit 480p und 5 Sekunden, gestartet mit --reserve-vram 1.5. 64 GB Systemspeicher sind komfortabel, weitere GPU-intensive Anwendungen sollten geschlossen bleiben.
Wie gut ist die Bild- und Tonqualität?
Pika H3 Flex startete mit 1293 Elo auf dem Text-zu-Video-Board von DesignArena: Platz 7 insgesamt und zum Zeitpunkt der Ankündigung der bestplatzierte Open-Weight-Eintrag. Damit lag es vor MiniMax H3 mit 1277 Punkten (Leaderboard-Snapshot). Zum Vergleich aus demselben Snapshot: Gemini Omni 1.1 Flash bei 1360, Wan 3.0 bei 1324, FLUX 3 Max bei 1297, FLUX 3 Video bei 1286 und Seedance 2.5 bei 1256. Der Vorsprung von 16 Punkten gegenüber dem Teacher spricht eher dafür, dass die Präferenzoptimierung die aggressive Destillation ausgleicht, als für einen visuellen Umbruch.
In Pikas eigenem Vergleich bei 768p liegt Flex bei den meisten gemessenen Kriterien vorn (Pikas Benchmark-Tabelle):
| Metrik | Pika H3 Flex, 6 Schritte | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| Video-Technik | 12.3 | 11.7 | 10.6 |
| Video-Ästhetik | 5.41 | 5.28 | 5.00 |
| Audio-Ästhetik | 7.02 | 6.85 | 6.89 |
| Audio-Video-Ausrichtung | 0.212 | 0.208 | 0.216 |
Das sind Pikas eigene Messungen, keine unabhängige Bestätigung. Bei der Audio-Video-Ausrichtung liegt Fal H3 Max mit 0.216 knapp vorn. Pika selbst nennt weiterhin Schwächen bei Physik, mehrszenigem Storytelling, Beleuchtung, Materialien und aktionsreichen Referenzaufgaben (Pikas genannte Grenzen). Die Arbeitsregel früher Tester wie djbfilmz mit seinem 6-gegen-20-Schritte-Vergleich: Flex für Prompt- und Seed-Exploration über viele Clips hinweg, Standard-H3 mit 20 Schritten für den finalen Render, wenn Physik oder Materialien den Shot tragen.
Prompting-Hinweise aus dem ComfyUI-Prompting-Abschnitt:
- Kamerabewegungen mit ihrem Endpunkt beschreiben („die Kamera fährt langsam heran und stoppt auf ihrem Gesicht“); der Schnittzeitpunkt kann um 0,2–0,3 s abweichen.
- Das Framing über den Szeneninhalt anlegen („eine kleine Figur allein in einer riesigen leeren Halle“) statt nur über objektivbezogene Begriffe.
- Feine Kontaktinteraktionen bleiben voraussichtlich unzuverlässig; kurze Textbeschriftungen auf Requisiten sollen Kamerabewegungen hingegen überstehen.
- Bei 15 Sekunden ist in jedem Fall Schluss. Mehrszenige Geschichten daher als separate Generierungen planen.
Download oder API: Was ist die bessere Wahl?
| Ausgangslage | Empfohlener Weg | Begründung |
|---|---|---|
| Wöchentlich Dutzende Seeds oder Shots iterieren | LoRAs herunterladen, Entwürfe in 480p erstellen | 6-Schritte-Entwürfe verkürzen die Exploration um etwa das 3- bis 4-Fache; keine Abrechnung pro Sekunde |
| 4K, getrennte Stems oder Prompt-Rewriting nötig | Gehostete API | Diese Funktionen fehlen in den lokalen Gewichten |
| Consumer-GPU mit 24 GB oder weniger | API oder lokale 480p-Entwürfe | Lokale 768p-Clips mit 15 Sekunden verlangen Offload und viel RAM |
| Kommerzielle Auslieferung in USA, EU, UK oder KR | API, bis die Lizenz geklärt ist | Die Community-Lizenz des Basismodells könnte lokale Deployments dort ausschließen |
| Serien mit konsistenten Figuren oder Motion Transfer | Gezielt Ref2VA herunterladen | Die Steuerung über 12 Referenzen ist das lokale Alleinstellungsmerkmal |
Der sinnvolle Einstieg: lokal eine 480p-Draft-Batch erzeugen und den freigegebenen Seed anschließend gehostet finalisieren.
Pika H3 Flex: Häufige Fragen
Was ist Pika H3 Flex?
Pika H3 Flex ist Pikas nachtrainierte MiniMax-H3-Variante, die am 29. Oktober 2026 als zwei Open-Weight-LoRA-Adapter erschien. Sie erzeugt 5–15 Sekunden lange Videos mit synchronisiertem Stereo-Audio in 6 Sampling-Schritten.
Worin unterscheidet sich Pika H3 Flex von MiniMax H3?
Architektur und Basisdateien von MiniMax H3 bleiben erhalten. Hinzu kommen Supervised Fine-Tuning, 6-Schritte-PDMD-Destillation sowie ReFL- und DPO-Alignment. Dadurch sinkt das Sampling von 20–50 auf 6 Schritte; in Pikas eigenen Tests fallen die Präferenzwerte leicht höher aus.
Kann Pika H3 Flex lokal 4K-Videos generieren?
Nein. Lokal endet die Ausgabe bei 480p und 768p. 1080p, 2K und 4K sowie fünf separate Audio-Stems gibt es nur über Pikas gehostete API zu Aktionspreisen von $0.035–$0.08 pro Sekunde.
Welche GPU brauche ich für Pika H3 Flex lokal?
Pika testete auf einer H100 mit 80 GB und rund 215 GB Downloadvolumen. Community-Tests zeigen brauchbare 480p-Läufe auf 24-GB-Karten mit CPU-Offload. Für 15-Sekunden-Renderings in 768p ist dagegen viel Systemspeicher nötig; die meisten Consumer-Setups sollten daher 480p-Entwürfe einplanen.
Soll ich den FL2VA- oder Ref2VA-Adapter verwenden?
FL2VA ist für Text-zu-Video, Bild-zu-Video sowie Konditionierung über den ersten oder letzten Frame gedacht. Ref2VA verarbeitet Referenz-zu-Video-Aufgaben wie Motion Transfer und Character Swaps mit bis zu 12 kombinierten Bild-, Video- und Audioreferenzen.
Ist Pika H3 Flex kostenlos kommerziell nutzbar?
Die Gewichte lassen sich kostenlos herunterladen, unterliegen aber der MiniMax H3 Community License mit territorialen und kommerziellen Nutzungsbedingungen. Kommerzielle Teams sollten die Lizenzdatei im Repository prüfen und in eingeschränkten Regionen die gehostete API erwägen, bis Pika etwas anderes bestätigt.