Pika H3 Flex 리뷰: 6스텝 오픈 비디오 모델의 현실

Pika H3 Flex는 사운드가 포함된 짧은 AI 영상을 빠르게 반복 제작하기에 유용한 모델이다. 다만 “15초 영상을 7초에 생성”한다는 문구는 트랜스포머 연산 시간만 가리킨다. 실제 클립은 로컬에서 수분, 호스팅 API에서는 1분 이내가 걸리며 768p를 넘는 출력은 유료 기능으로 제공된다.

‘7초 생성’이라는 숫자를 제대로 이해하기

7초라는 수치는 Pika 내부 클러스터에서 Diffusion Transformer가 순수하게 연산하는 시간이다. 최종 결과물이 나오기까지 필요한 전체 생성 시간과는 다르다. Pika의 기술 분석도 서버 성능을 설명할 때 이 차이를 구분한다. 실제 작업에는 텍스트 인코딩, VAE 디코딩, 오디오 삽입, 전송과 대기열 처리가 더해진다. 호스팅 API는 처음부터 끝까지 1분 이내, 일반 소비자용 GPU에서 로컬로 실행하면 수분 정도를 예상하는 편이 현실적이다.

Pika가 공개한 수치에 따르면 오디오가 포함된 5초 768p 클립을 8개의 B300 GPU에서 생성할 때 서버 연산 시간은 최적화 전 3.409초, 최적화 후 2.129초였다. 서빙 최적화로 1.60배 빨라진 셈이다(출처). kie.ai의 정리도 15초 768p 클립을 7초에 생성한다는 수치를 보장된 API 지연 시간이나 소비자용 GPU 성능으로 받아들여서는 안 된다고 명시한다.

실사용자 테스트에서도 차이는 분명하다. 여러 테스트를 모은 자료에 따르면 RTX 5090은 6스텝으로 10초 영상을 만드는 데 약 4분 55초가 걸렸고, 기본 설정에서는 20분 34초가 필요했다. 화질 차이는 거의 없었다. RTX 4070은 5초 영상에 약 7분 11초가 걸렸지만 사운드는 눈에 띄게 나아졌다. 6스텝은 교사 모델의 50스텝 스케줄과 비교해 샘플링 패스를 대략 8분의 1로 줄인다. 같은 그래픽카드에서 실제 경과 시간은 커뮤니티 테스트 기준 약 3~4배 단축됐다. 작업 반복에는 큰 이점이지만, 책상 위 GPU에서 실시간보다 빠르게 생성된다는 뜻은 아니다.

Pika H3 Flex는 어떤 모델인가

Pika H3 Flex는 새로운 비디오 아키텍처가 아니라, MiniMax H3를 추가 학습한 뒤 두 개의 LoRA 어댑터로 배포한 모델이다. Pika는 교사 모델의 50스텝 스케줄로 자체 오디오·비디오 데이터셋을 학습한 다음, 표준 DMD가 불안정하다는 판단에 따라 projected distribution matching(PDMD) 방식으로 6스텝까지 증류했다. 이후 미적 품질을 위한 ReFL 보상 학습과 지시 따르기를 위한 DPO 정렬을 적용했다(Pika 연구 설명). Pika의 출시 발표는 이를 전문가의 반복 작업에 맞춘 빠르고 제어 가능한 H3 파생 모델로 소개하며, 공식 출시 스레드는 첫날부터 오픈 웨이트로 제공된다는 점을 확인한다.

로컬에서 사용할 때 필요한 구성은 다음과 같다.

Pika의 어댑터는 표준 MiniMax H3 기반 파일에 연결된다. 이미 H3를 사용 중이라면 LoRA 두 개만 추가로 내려받으면 된다. H3가 처음이라면 기반 파일 약 210 GB와 어댑터 5.5 GB를 준비해야 한다(용량 정리). Hugging Face 모델 저장소에서 웨이트, 예제와 라이선스를 확인할 수 있으며, Diffusers 통합 문서는 두 어댑터와 6스텝 파이프라인을 설명한다.

FL2VA와 Ref2VA, 어떤 어댑터를 써야 할까

FL2VA와 Ref2VA는 MiniMax H3의 서로 다른 트랜스포머 브랜치에 대응한다. 따라서 작업 방식뿐 아니라 기반 체크포인트와도 맞춰야 한다. 잘못된 LoRA를 다른 기반 모델에 연결하는 것이 초기 가이드에서 가장 흔한 설정 오류다. ComfyUI 설정 가이드에서도 이 문제를 강조한다.

차별점이 뚜렷한 쪽은 Ref2VA다. 한 번의 생성에 최대 12개 레퍼런스를 사용할 수 있다. 유형별 제한은 이미지 9개, 비디오 3개, 오디오 클립 3개이며, 미디어 유형별 합산 길이는 최대 15초다. 이미지나 비디오가 최소 하나는 포함돼야 한다. 이미지로 정체성을, 비디오로 움직임을, 오디오 샘플로 목소리를 따로 제어할 수 있다.

Ref2VA 프롬프트는 subject_definitions, summary, <Subject 1>, <Picture 1>, <Video 1>, <Audio 1> 같은 라벨을 사용하는 구조화된 형식이다. ComfyUI에서는 하드컷, 카메라 동선, 한 프롬프트 안의 대화처럼 멀티샷 지시도 지원한다. MiniMax H3 Max API 가격을 검토하면서 레퍼런스가 많은 작업을 계획한다면 먼저 Ref2VA를 테스트할 만하다. 같은 수준의 샷 제어에 접근할 수 있는 오픈 웨이트 방식에 가장 가깝기 때문이다.

한 가지는 반드시 지켜야 한다. 다른 속도 LoRA를 위에 추가하지 말 것. Flex는 이미 자체 6스텝 잠재 스케줄에 맞춰 증류됐으며, ComfyUI 가이드는 Turbo, Lightning, PTD 또는 8-step Acceleration을 더하면 “출력이 깨진다”고 경고한다. 증류되지 않은 H3용으로 학습된 스타일·캐릭터 LoRA는 기술적으로 불러올 수 있더라도, 실제 제작에 투입하기 전 별도 테스트가 필요하다.

API에만 남겨둔 기능

로컬 출력은 768p와 믹싱된 스테레오 트랙에서 끝난다. 더 높은 해상도, 개별 오디오 스템, 프롬프트 보강은 Pika 호스팅 API를 사용해야 한다.

출시 당시 호스팅 가격은 프로모션으로 Pika 정가의 대략 절반 수준이었다(kie.ai 가격 정보).

오디오 스템은 오디오 1초당 $0.001이 추가된다. 레퍼런스 비디오는 입력과 출력 초 모두 생성 요율로 과금된다. 이미지와 오디오 레퍼런스에는 입력 요금이 없다. API Club 회원은 10월 29일부터 11월 5일까지 진행된 출시 기간에 하루 15회 무료 생성을 제공받았다(프로모션 조건).

Pika의 드래프트-최종본 워크플로(설명)는 먼저 480p 또는 768p로 저해상도 초안을 만든다. 마음에 드는 테이크를 승인하면 같은 잠재 시드를 1080p부터 4K까지 마무리하며 가격 차액만 지불하는 방식이다. 480p 초안 10개를 각각 프로모션 가격 $0.15에 만들고, 그중 하나를 4K로 완성하면 초안 비용 $1.50에 업그레이드 비용 $1.05가 더해져 총 $2.55다. 10개 모두를 4K로 완성하는 경우의 $12.00와 비교하면 차이가 크다. MiniMax H3 비디오 워크플로에서 여러 시드를 탐색하는 작업이라면 실험 비용을 줄일 수 있는 구조다.

라이선스 문제도 같은 비중으로 살펴봐야 한다. 어댑터는 MiniMax H3의 파생물인 만큼 MiniMax H3 Community License Agreement를 따르며, 추론 코드에만 Apache 2.0이 적용된다(라이선스 구분). 기반 모델 라이선스에 대한 기존 보도에서는 미국, EU, 영국, 한국에서의 로컬 배포 제한을 포함해 지역별·상업적 사용 조건을 확인했다. 출시 당시 Pika는 추가 조건을 확인하지 않았다. 따라서 유료 고객 작업에 사용할 계획이라면 어댑터 저장소의 라이선스 파일을 직접 확인하고, 해당 지역에서 조건이 확인될 때까지는 호스팅 API를 준수 가능한 대안으로 보는 편이 안전하다.

H100 없이 로컬에서 실행하기

Pika의 대표 테스트는 단일 클립을 대상으로 80 GB H100 한 장에서 진행됐으며 멀티 GPU 샤딩은 사용하지 않았다(하드웨어 정보). 전체 다운로드 용량은 약 215.5 GB다. CPU 오프로드 옵션을 사용하면 VRAM을 줄일 수 있지만 시스템 RAM과 전송 시간이 더 필요하다. 초기 가이드의 경험칙도 유효하다. 특정 GPU에서 기본 H3가 실행된다면 Flex 역시 실행되며, 여기에 LoRA 용량 약 2 GB가 추가된다.

출시 당일의 상세 하드웨어 보고서에서는 480p 5초 생성에 66~69 GiB VRAM이 필요했고, 768p 15초 생성은 CPU 오프로드와 약 94 GiB의 시스템 메모리를 요구했다. 5초 1344x768 ComfyUI 렌더링은 약 1분이었다. 소비자용 환경에서 24 GB 그래픽카드로 오프로드를 활용하면 480p 초안은 가능하지만, 768p 장편 클립은 시스템 RAM이 핵심이라는 뜻이다.

“Flex 클립이 더 많이 움직인다. H100은 없다. 책상 위 24GB 카드 한 장뿐이다.” — @KuGeKinbaku, RTX 3090 Ti에서 같은 프롬프트와 시드를 비교한 결과: Turbo 8스텝은 212.61초, Pika H3 Flex LoRA 6스텝은 146.81초로 엔드투엔드 기준 약 31% 빠름

템플릿 기본값에 따른 ComfyUI 권장 설정은 다음과 같다(설정 출처).

텍스트-투-비디오 템플릿을 사용하려면 ComfyUI 0.43.2 이상이 필요하다. 레퍼런스와 첫 프레임-마지막 프레임 템플릿은 0.30.0으로도 충분하다. 템플릿은 Workflow > Browse Templates > Video 아래에 3개가 있다. 커스텀 노드는 필요하지 않다. 16 GB 그래픽카드라면 480p, 5초부터 시작하고 --reserve-vram 1.5 옵션으로 실행하자. 시스템 RAM은 64 GB를 확보하는 편이 좋으며, 다른 GPU 부하가 큰 앱은 종료하는 것이 안전하다.

화질은 어느 수준인가

Pika H3 Flex는 DesignArena 텍스트-투-비디오 보드에서 1293 Elo로 데뷔했다. 발표 시점 기준 전체 7위이자 오픈 웨이트 모델 중 1위였으며, MiniMax H3의 1277보다 앞섰다(리더보드 스냅샷). 같은 자료에서 Gemini Omni 1.1 Flash는 1360, Wan 3.0은 1324, FLUX 3 Max는 1297, FLUX 3 Video는 1286, Seedance 2.5는 1256이었다. 교사 모델보다 16점 높은 점수는 시각적 혁명이라기보다, 강한 증류로 인한 손실을 선호도 최적화가 보완한 결과에 가깝다.

Pika가 768p에서 동일 조건으로 진행한 자체 벤치마크에서는 대부분의 측정 항목에서 Flex가 앞섰다(Pika 벤치마크 표).

다만 이는 Pika의 자체 측정이며 독립적으로 검증된 결과는 아니다. 오디오·비디오 정렬에서는 Fal H3 Max가 0.216으로 앞선다. Pika 역시 물리 표현, 여러 장면을 잇는 스토리텔링, 조명, 재질, 동작이 많은 레퍼런스 작업을 약점으로 인정한다(Pika가 제시한 한계). djbfilmz의 6스텝과 20스텝 비교 같은 초기 테스터의 결과를 종합하면, 여러 클립의 프롬프트와 시드를 탐색할 때는 Flex를 쓰고 물리 표현이나 재질이 중요한 최종 렌더에는 20스텝 기본 H3를 쓰는 것이 현실적이다.

프롬프트 작성 시 참고할 만한 내용은 모두 ComfyUI 프롬프트 섹션에서 가져왔다.

• 카메라 움직임은 끝 지점까지 설명한다(“카메라가 천천히 줌인해 그녀의 얼굴에서 멈춘다”). 컷 타이밍은 0.2~0.3초 정도 어긋날 수 있다.
• 렌즈 용어만 던지기보다 장면의 내용으로 구도를 지정한다(“넓고 텅 빈 홀에 작은 인물 하나가 홀로 서 있다”).
• 사물과의 미세한 접촉 상호작용은 여전히 불안정하다. 짧은 소품 텍스트 라벨은 카메라가 움직여도 남는 경우가 있다고 보고됐다.
• 어떤 방식을 쓰든 최대 길이는 15초다. 여러 장면의 이야기는 별도 생성으로 나눠 계획해야 한다.

다운로드할까, API를 호출할까

로컬에서 480p 초안을 여러 개 만든 뒤, 승인한 시드를 호스팅 환경에서 마무리하는 방식부터 시작하자.

Pika H3 Flex FAQ

Pika H3 Flex란 무엇인가?

Pika H3 Flex는 Pika가 MiniMax H3를 추가 학습해 2026년 10월 29일 공개한 모델이다. 두 개의 오픈 웨이트 LoRA 어댑터로 제공되며, 6번의 샘플링 스텝으로 동기화된 스테레오 오디오가 포함된 5~15초 영상을 생성한다.

Pika H3 Flex는 MiniMax H3와 어떻게 다른가?

MiniMax H3의 아키텍처와 기반 파일은 유지하면서 지도 미세 조정, 6스텝 PDMD 증류, ReFL과 DPO 정렬을 추가했다. 그 결과 샘플링을 20~50스텝에서 6스텝으로 줄였고, Pika 자체 테스트에서는 선호도 점수가 소폭 높아졌다.

Pika H3 Flex로 로컬에서 4K 영상을 만들 수 있나?

불가능하다. 로컬 출력은 480p와 768p로 제한된다. 1080p, 2K, 4K 출력과 5개의 개별 오디오 스템은 Pika 호스팅 API에서만 제공되며, 프로모션 요금은 초당 $0.035~$0.08이다.

Pika H3 Flex를 로컬에서 실행하려면 어떤 GPU가 필요한가?

Pika는 약 215 GB를 다운로드하고 80 GB H100에서 테스트했다. 커뮤니티 테스트에서는 CPU 오프로드를 사용하면 24 GB 그래픽카드에서도 480p 실행이 가능했다. 반면 768p 15초 렌더링에는 상당한 시스템 RAM이 필요하므로, 대부분의 소비자용 환경에서는 480p 초안을 기준으로 계획하는 것이 좋다.

FL2VA와 Ref2VA 중 어떤 어댑터를 사용해야 하나?

FL2VA는 텍스트-투-비디오, 이미지-투-비디오, 첫 프레임 또는 마지막 프레임 조건을 처리한다. Ref2VA는 모션 전이와 캐릭터 교체처럼 레퍼런스-투-비디오 작업에 사용하며, 이미지·비디오·오디오 레퍼런스를 합쳐 최대 12개까지 활용할 수 있다.

Pika H3 Flex는 상업적 이용이 무료인가?

웨이트는 무료로 다운로드할 수 있지만 MiniMax H3 Community License를 상속하며, 지역별·상업적 사용 조건이 적용된다. 상업용 팀이라면 저장소의 라이선스 파일을 확인하고, 제한 지역에서는 Pika가 별도로 확인해줄 때까지 호스팅 API를 고려해야 한다.