AIREITERPika H3 Flex rende finalmente rapida l’iterazione su brevi video AI con audio, ma il claim «15 secondi in 7 secondi» va interpretato correttamente: riguarda soltanto il calcolo del transformer. Per ottenere davvero una clip servono ancora minuti in locale, oppure meno di un minuto tramite API ospitata; inoltre, oltre i 768p si passa necessariamente dal servizio a pagamento.
Il dato dei 7 secondi, messo nel giusto contesto
I 7 secondi indicano il solo tempo di elaborazione del Diffusion Transformer sui cluster interni di Pika, non la durata totale della generazione. È una distinzione che emerge dalla analisi tecnica di Pika, quando presenta i dati dei propri server. Nel flusso reale entrano anche encoding del testo, decodifica VAE, interleaving audio, trasferimento dei dati e code di attesa. Via API ospitata si resta sotto il minuto end-to-end; su una GPU consumer locale bisogna invece mettere in conto diversi minuti.
Per una clip audio di 5 secondi a 768p, eseguita su otto GPU B300, Pika dichiara 3,409 secondi di calcolo server prima delle ottimizzazioni di serving e 2,129 secondi dopo: un miglioramento di 1,60x (fonte). La panoramica di kie.ai avverte esplicitamente che il dato di 7 secondi per una clip da 15 secondi a 768p non equivale a una latenza API garantita né alle prestazioni di una GPU consumer.
Anche i test degli utenti confermano lo scarto. Una raccolta di prove indipendenti riporta circa 4 minuti e 55 secondi su RTX 5090 per una clip di 10 secondi a 6 passaggi, contro 20 minuti e 34 secondi della configurazione stock, con qualità visiva quasi invariata; una RTX 4070 ha invece richiesto circa 7 minuti e 11 secondi per 5 secondi, con un audio sensibilmente migliore. I sei passaggi riducono le fasi di sampling di circa 8x rispetto al programma del teacher da 50 passaggi e, nei test della community, il tempo effettivo di circa 3-4x sulla stessa scheda: un vantaggio concreto per iterare, non una generazione più veloce del tempo reale sulla propria scrivania.
Cos’è davvero Pika H3 Flex
Pika H3 Flex non introduce una nuova architettura video: è un MiniMax H3 post-addestrato e distribuito sotto forma di due adattatori LoRA. Pika ha eseguito il fine-tuning di MiniMax H3 su un dataset interno audio-video usando il programma del teacher da 50 passaggi; dopo aver riscontrato instabilità con DMD standard, lo ha distillato a 6 passaggi tramite projected distribution matching (PDMD), quindi allineato con reward learning ReFL per l’estetica e DPO per l’aderenza alle istruzioni (approfondimento della ricerca Pika). L’annuncio di lancio di Pika lo presenta come una derivazione H3 più veloce e controllabile, pensata per l’iterazione professionale; il thread ufficiale di lancio conferma inoltre pesi aperti fin dal primo giorno.
In locale si ottiene questo:
| Categoria | Specifiche locali di Pika H3 Flex |
|---|---|
| Modello base | MiniMax H3 (video-audio omni da 33B) |
| Formato | 2 LoRA: FL2VA + Ref2VA (2,77 GB FP32 ciascuno, build ComfyUI BF16 da 1,96 GB) |
| Sampling | 6 passaggi, sampler lcm, programma sigma manuale |
| Risoluzioni | 480p o 768p, 11 rapporti d’aspetto da 21:9 a 9:21 |
| Durata | 5-15 s a 24 fps (5 s = 124 frame, 15 s = 362 frame) |
| Audio | Stereo a 32 kHz incorporato nel file MP4 |
| Finestra del prompt | 1-8.000 caratteri |
| Data di lancio | 29 ottobre 2026, pesi aperti dal primo giorno |
Gli adattatori Pika si applicano ai normali file base di MiniMax H3. Chi dispone già di una configurazione H3 deve quindi aggiungere solo i due download LoRA; per chi parte da zero, l’ingombro è di circa 210 GB per i file base più 5,5 GB di adattatori (dettaglio dell’occupazione su disco). Il repository del modello su Hugging Face ospita pesi, esempi e licenza, mentre la documentazione di integrazione Diffusers spiega i due adattatori e la pipeline a 6 passaggi.
FL2VA o Ref2VA: quale adattatore scegliere per la scena
FL2VA e Ref2VA corrispondono ai due rami transformer di MiniMax H3. L’adattatore deve combaciare sia con il workflow sia con il checkpoint base: abbinare LoRA e base sbagliati è l’errore di configurazione più comune nelle guide iniziali, come il tutorial di configurazione ComfyUI.
| Adattatore | Input | Quando usarlo | Abbinamento con base |
|---|---|---|---|
| FL2VA | Testo, primo e/o ultimo frame opzionali | Text-to-video, image-to-video, primo frame, ultimo frame, primo più ultimo frame | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | Testo più riferimenti ordinati di immagini, video e audio | Reference-to-video, trasferimento del movimento, sostituzione di personaggi, editing guidato da riferimenti | minimax_h3_ref2va_pruned_int8_convrot |
Ref2VA è l’adattatore più distintivo: supporta fino a 12 riferimenti per generazione, con limiti per tipo di 9 immagini, 3 video e 3 clip audio, massimo 15 secondi complessivi per ciascun tipo di media e almeno un’immagine o un video. Permette di controllare separatamente l’identità da un’immagine, il movimento da un video e la voce da un campione audio.
I prompt Ref2VA seguono un formato strutturato di riferimenti con subject_definitions, un summary e tag come <Subject 1>, <Picture 1>, <Video 1>, <Audio 1>. ComfyUI supporta anche istruzioni multi-shot nello stesso prompt, comprese stacchi netti, coreografie di camera e dialoghi. Chi sta valutando i prezzi dell’API MiniMax H3 Max per lavori ricchi di riferimenti dovrebbe provare prima Ref2VA: è la strada open-weight più vicina allo stesso livello di controllo dell’inquadratura.
Una regola è tassativa: non sovrapporre un altro LoRA di accelerazione. Flex è già distillato secondo il proprio programma latente a 6 passaggi e la guida ComfyUI avverte che aggiungere Turbo, Lightning, PTD o l’accelerazione Acc a 8 passaggi «rompe l’output». I LoRA di stile o personaggio addestrati sull’H3 non distillato possono anche caricarsi, ma vanno ritestati prima dell’uso in produzione.
Cosa resta esclusivo dell’API Pika
L’output locale si ferma a 768p con una traccia stereo mixata. Risoluzioni superiori, stem separati e miglioramento del prompt passano invece dall’API ospitata di Pika.
| Funzionalità | Pesi aperti locali | API Pika ospitata |
|---|---|---|
| Risoluzione | 480p, 768p | 480p, 768p, 1080p, 2K, 4K |
| Audio | Stereo mixato a 32 kHz | Mixato più 5 stem WAV separati: dialoghi, colonna sonora, SFX, Foley, ambiente |
| Assistenza al prompt | Manuale | Prompt rewriter ($0.02 per richiesta) |
| Fatturazione dei video di riferimento | N/D, solo calcolo | Vengono fatturati i secondi di input e output |
Al lancio, la tariffazione ospitata è promozionale e pari a circa metà delle normali tariffe Pika (dati sui prezzi via kie.ai):
| Risoluzione | Promo per secondo di output | Prezzo standard per secondo di output | Costo promo di una clip da 15 s |
|---|---|---|---|
| 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 |
Gli stem audio costano $0.001 per secondo audio aggiuntivo. Per i video di riferimento viene applicata la tariffa di generazione sia ai secondi di input sia a quelli di output; immagini e riferimenti audio non comportano costi di input. Durante la finestra di lancio dal 29 ottobre al 5 novembre, i membri API Club hanno ricevuto 15 generazioni gratuite al giorno (termini della promozione).
Il workflow bozza-finale di Pika, descritto qui, prevede una bozza a bassa risoluzione in 480p o 768p, l’approvazione della take e poi il rendering dello stesso seed latente da 1080p a 4K pagando soltanto la differenza. Un creator che realizza dieci bozze a 480p ($0.15 l’una in promo) e ne finalizza una in 4K spende $1.50 per le bozze più $1.05 per l’upgrade, cioè $2.55 in totale, invece di $12.00 per finalizzare tutte e dieci in 4K. Per i workflow video MiniMax H3 con molta esplorazione dei seed, questa struttura riduce sensibilmente il costo della sperimentazione.
La questione della licenza merita la stessa attenzione. Gli adattatori sono distribuiti sotto la MiniMax H3 Community License Agreement in quanto derivati di MiniMax H3, mentre soltanto il codice di inferenza usa Apache 2.0 (separazione delle licenze). Un’analisi precedente della licenza base ha rilevato condizioni territoriali e commerciali, incluso il divieto di deployment locale negli Stati Uniti, nell’UE, nel Regno Unito e in Corea del Sud. Al lancio Pika non aveva confermato termini aggiuntivi: chi pianifica lavori retribuiti per clienti dovrebbe leggere direttamente il file di licenza nel repository degli adattatori e, nelle regioni escluse, considerare l’API ospitata come possibile percorso conforme finché non arriverà una conferma da Pika.
Eseguirlo in locale senza un H100
I test rappresentativi di Pika sono stati condotti su un singolo H100 da 80 GB, senza sharding multi-GPU per una singola clip (note sull’hardware), e il download completo occupa circa 215,5 GB. Un flag di CPU offload riduce il fabbisogno di VRAM, ma a costo di RAM di sistema e tempi di trasferimento. La regola pratica emersa dalle prime guide resta valida: se H3 stock gira su una data GPU, anche Flex girerà su quella GPU, con circa 2 GB aggiuntivi per il LoRA.
Un report hardware dettagliato del giorno del lancio ha registrato esecuzioni da 5 secondi a 480p con 66-69 GiB di VRAM, mentre le clip da 15 secondi a 768p hanno richiesto CPU offload e circa 94 GiB di memoria di sistema. Un render ComfyUI di 5 secondi a 1344x768 si è attestato attorno a un minuto. Il quadro per l’utenza consumer è chiaro: le bozze a 480p sono alla portata delle schede da 24 GB con offload, mentre le clip lunghe a 768p diventano soprattutto un esercizio di RAM di sistema.
«la clip Flex si MUOVE DI PIÙ. Nessun H100. Una sola scheda da 24GB su una scrivania.» — @KuGeKinbaku, confrontando prompt e seed identici su RTX 3090 Ti: Turbo a 8 passaggi in 212.61 s contro Pika H3 Flex LoRA a 6 passaggi in 146.81 s, circa il 31% più veloce end-to-end
La ricetta ComfyUI funzionante, secondo i valori predefiniti del template (fonte delle impostazioni), è ristretta e conviene seguirla alla lettera:
| Impostazione | Valore | Motivo |
|---|---|---|
| Passaggi | 6 | Programma distillato; con 4 passaggi compaiono artefatti nei dettagli fini |
| Sampler | lcm | Corrisponde alla configurazione di training |
| Sigmas | Manuale, nodi 1000/750/500/250/100/40/0 | Un generico Euler a 6 passaggi non è equivalente |
| Guider / CFG | BasicGuider, CFG 1.0 | Evita il passaggio del negative prompt |
| Forza LoRA | 1.0 | Valori inferiori lasciano il modello parzialmente distillato |
| Shift | Video 12, audio 3 | Valori di riferimento Pika |
Per il template text-to-video ComfyUI richiede la versione 0.43.2 o successiva; per i template reference e primo-ultimo frame basta la 0.30.0. I tre template si trovano in Workflow > Browse Templates > Video e non servono nodi personalizzati. Su schede da 16 GB, conviene iniziare a 480p e 5 secondi, avviare con --reserve-vram 1.5, avere 64 GB di RAM di sistema per stare tranquilli e chiudere le altre applicazioni pesanti per la GPU.
Qualità: dove si colloca
Pika H3 Flex ha debuttato con 1293 Elo nella classifica text-to-video di DesignArena: 7° assoluto e migliore proposta open-weight al momento dell’annuncio, davanti a MiniMax H3 fermo a 1277 (istantanea della classifica). Nella stessa rilevazione, Gemini Omni 1.1 Flash è a 1360, Wan 3.0 a 1324, FLUX 3 Max a 1297, FLUX 3 Video a 1286 e Seedance 2.5 a 1256. Il vantaggio di 16 punti rispetto al teacher suggerisce che l’ottimizzazione delle preferenze compensi la distillazione aggressiva, più che segnalare una rivoluzione visiva.
Nel benchmark interno comparativo di Pika a 768p, Flex prevale su quasi tutti gli assi misurati (tabella benchmark di Pika):
| Metrica | Pika H3 Flex, 6 passaggi | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| Tecnica video | 12.3 | 11.7 | 10.6 |
| Estetica video | 5.41 | 5.28 | 5.00 |
| Estetica audio | 7.02 | 6.85 | 6.89 |
| Allineamento audio-video | 0.212 | 0.208 | 0.216 |
Si tratta di misurazioni di Pika, non di verifiche indipendenti, e Fal H3 Max mantiene un lieve vantaggio nell’allineamento con 0.216. Pika riconosce limiti ancora presenti in fisica, narrazione multi-scena, illuminazione, materiali e task di riferimento ricchi d’azione (limiti elencati da Pika). La regola operativa che emerge dai primi tester, come il confronto di djbfilmz tra 6 e 20 passaggi, è usare Flex per esplorare prompt e seed su molte clip, passando a H3 stock a 20 passaggi per il rendering finale quando fisica o materiali sono centrali nell’inquadratura.
Note sul prompting, tutte tratte dalla sezione ComfyUI dedicata ai prompt:
- Descrivere il movimento di camera includendone il punto di arrivo («la camera avanza lentamente e si ferma sul suo viso»); il timing degli stacchi può slittare di 0.2-0.3 s.
- Costruire l’inquadratura attraverso il contenuto della scena («una piccola figura sola in un’enorme sala vuota») invece di affidarsi a semplici termini legati alle lenti.
- Le interazioni di contatto molto precise restano poco affidabili; secondo le segnalazioni, le brevi etichette testuali sugli oggetti resistono ai movimenti di camera.
- Il limite di 15 secondi resta invariato, quindi le storie multi-shot vanno pianificate come generazioni separate.
Meglio scaricarlo o chiamare semplicemente l’API?
| Situazione | Percorso consigliato | Motivo |
|---|---|---|
| Iterazione settimanale su decine di seed o inquadrature | Scaricare i LoRA e preparare bozze a 480p | Le bozze a 6 passaggi riducono i tempi di esplorazione di ~3-4x; nessun addebito al secondo |
| Servono 4K, stem separati o riscrittura del prompt | API ospitata | Queste funzioni non esistono nei pesi locali |
| GPU consumer da 24 GB o meno | API oppure bozze locali a 480p | Le esecuzioni locali a 768p per 15 secondi richiedono offload e molta RAM |
| Consegna commerciale negli Stati Uniti, UE, Regno Unito o Corea del Sud | API finché la licenza non sarà chiarita | La licenza community base potrebbe escludere il deployment locale in queste aree |
| Serie con personaggi coerenti o trasferimento del movimento | Scaricare nello specifico Ref2VA | Il controllo tramite 12 riferimenti è il differenziatore in locale |
Il punto di partenza sensato è un batch locale di bozze a 480p, per poi finalizzare via hosting il seed approvato.
FAQ su Pika H3 Flex
Cos’è Pika H3 Flex?
Pika H3 Flex è il MiniMax H3 post-addestrato di Pika, pubblicato il 29 ottobre 2026 come due adattatori LoRA open-weight che generano video da 5-15 secondi con audio stereo sincronizzato in 6 passaggi di sampling.
In cosa differisce Pika H3 Flex da MiniMax H3?
Conserva architettura e file base di MiniMax H3, ma aggiunge fine-tuning supervisionato, distillazione PDMD a 6 passaggi e allineamento ReFL più DPO. In questo modo porta il sampling da 20-50 passaggi a 6, con punteggi di preferenza leggermente superiori nei test interni di Pika.
Pika H3 Flex può generare video 4K in locale?
No. L’output locale si ferma a 480p e 768p. L’output a 1080p, 2K e 4K, insieme ai cinque stem audio separati, è disponibile esclusivamente tramite l’API ospitata di Pika alle tariffe promozionali di $0.035-$0.08 al secondo.
Quale GPU serve per eseguire Pika H3 Flex in locale?
Pika ha testato il modello su un H100 da 80 GB, con circa 215 GB di download. I test della community mostrano esecuzioni 480p praticabili su schede da 24 GB con CPU offload, mentre i render da 15 secondi a 768p richiedono molta RAM di sistema: per la maggior parte delle configurazioni consumer conviene pianificare bozze a 480p.
Devo usare l’adattatore FL2VA o Ref2VA?
FL2VA gestisce text-to-video, image-to-video e condizionamento tramite primo o ultimo frame. Ref2VA è pensato per task reference-to-video quali trasferimento del movimento e sostituzione dei personaggi, con fino a 12 riferimenti combinati tra immagini, video e audio.
Pika H3 Flex è gratuito per l’uso commerciale?
I pesi sono scaricabili gratuitamente, ma ereditano la MiniMax H3 Community License, che prevede condizioni territoriali e commerciali. I team commerciali dovrebbero verificare il file di licenza del repository e considerare l’API ospitata nelle regioni soggette a restrizioni, finché Pika non fornirà indicazioni diverse.