AIREITERKısa AI video üretiminde deneme-yanılma sürecini gerçekten hızlandıran çözümlerden biri Pika H3 Flex. Ancak öne çıkarılan “15 saniye, 7 saniyede” iddiası yalnızca transformer hesaplama süresini ifade ediyor. Pratikte yerelde bir klibin üretilmesi hâlâ dakikalar alıyor; barındırılan API tarafında ise süreç bir dakikanın altına inebiliyor. Ayrıca 768p üzerindeki tüm çözünürlükler ücretli hizmetin arkasında kalıyor.
“7 saniye” iddiasının arkasındaki gerçek
7 saniyelik rakam, Pika'nın dahili kümelerinde yalnızca Diffusion Transformer hesaplamasını ölçüyor; uçtan uca video üretim süresini değil. Pika'nın teknik analizinde de sunucu sonuçları bu ayrımla veriliyor. Gerçek iş akışında metin kodlama, VAE çözümleme, sesin videoya eklenmesi, veri aktarımı ve kuyruk süresi de var. Barındırılan API ile uçtan uca üretim bir dakikanın altına inebilirken, tüketici sınıfı bir GPU'da birkaç dakikayı gözden çıkarmak gerekiyor.
Pika'nın verilerine göre sesli, 5 saniyelik 768p bir klip için sekiz B300 GPU üzerinde ham sunucu hesaplaması 3.409 saniye sürüyor. Sunum optimizasyonlarından sonra bu süre 2.129 saniyeye iniyor; yani 1.60 katlık bir servis kazanımı var (kaynak). kie.ai özeti ise 15 saniyelik 768p video için telaffuz edilen 7 saniyenin, garanti API gecikmesi ya da tüketici GPU performansı olarak yorumlanmaması gerektiğini açıkça belirtiyor.
Kullanıcı testleri de bu farkı doğruluyor. Topluluk testlerini derleyen bir paylaşımda, RTX 5090'ın 6 adımda 10 saniyelik bir klibi yaklaşık 4 dakika 55 saniyede ürettiği görülüyor; stok modelde aynı süreç 20 dakika 34 saniye sürmüş. Görüntü kalitesi ise neredeyse aynı kalmış. RTX 4070 tarafında 5 saniyelik video yaklaşık 7 dakika 11 saniye sürerken ses belirgin biçimde daha iyi bulunmuş. Altı adım, 50 adımlık öğretmen zamanlamasına kıyasla örnekleme geçişlerini yaklaşık 8 kat azaltıyor; topluluk testlerinde aynı kart üzerindeki gerçek süre de yaklaşık 3-4 kat düşüyor. Bu, masaüstünde gerçek zamanlı üretim değil ama tekrar iterasyonunda ciddi bir hız kazanımı.
Pika H3 Flex tam olarak nedir?
Pika H3 Flex, yeni bir video mimarisi değil; sonradan eğitilmiş MiniMax H3 için hazırlanmış iki LoRA adaptöründen oluşuyor. Pika, MiniMax H3'ü kendi ses-video veri kümesinde öğretmenin 50 adımlık zamanlamasıyla ince ayar yaptı. Standart DMD'nin kararsız kalmasının ardından modeli projected distribution matching (PDMD) yöntemiyle 6 adıma damıttı; estetik için ReFL ödül öğrenmesi, komut takibi için de DPO hizalaması uyguladı (Pika araştırma açıklaması). Pika'nın duyurusu, modeli profesyonel üretimde daha hızlı ve daha kontrollü H3 türevi olarak konumlandırıyor. Resmi lansman dizisi de ağırlıkların ilk günden açık olduğunu doğruluyor.
Yerel kullanımda elde edilen temel özellikler şöyle:
| Kategori | Pika H3 Flex yerel özellikleri |
|---|---|
| Temel model | MiniMax H3 (33B omni video-ses) |
| Format | 2 LoRA: FL2VA + Ref2VA (her biri 2.77 GB FP32, ComfyUI BF16 sürümlerinde 1.96 GB) |
| Örnekleme | 6 adım, lcm sampler, manuel sigma zamanlaması |
| Çözünürlükler | 480p veya 768p, 21:9 ile 9:21 arasında 11 en-boy oranı |
| Süre | 24 fps'de 5-15 sn (5 sn = 124 kare, 15 sn = 362 kare) |
| Ses | MP4 içine mikslenmiş 32 kHz stereo |
| Prompt penceresi | 1-8.000 karakter |
| Çıkış tarihi | 29 Ekim 2026, ilk günden açık ağırlıklar |
Pika'nın adaptörleri standart MiniMax H3 temel dosyalarına bağlanıyor. Dolayısıyla mevcut bir H3 kurulumuna yalnızca iki LoRA indirmesi eklemek yeterli. H3'e sıfırdan başlayacaklar ise yaklaşık 210 GB temel dosya ve 5.5 GB adaptör alanı ayırmalı (dosya boyutu dökümü). Hugging Face model deposu ağırlıkları, örnekleri ve lisansı barındırıyor. İki adaptör ve 6 adımlık pipeline için Diffusers entegrasyon dokümanına bakılabilir.
FL2VA mı Ref2VA mı? Doğru adaptörü seçmek
FL2VA ve Ref2VA, MiniMax H3'ün iki ayrı transformer koluna karşılık geliyor. Bu yüzden adaptörün hem kullandığınız iş akışıyla hem de temel checkpoint ile eşleşmesi şart. Yanlış LoRA'yı yanlış temel modelle kullanmak, erken dönem ComfyUI kurulum rehberlerinde en sık görülen hata olarak öne çıkıyor.
| Adaptör | Girdiler | Kullanım alanı | Eşleşeceği temel model |
|---|---|---|---|
| FL2VA | Metin, isteğe bağlı ilk ve/veya son kare | Metinden videoya, görselden videoya, ilk kare, son kare, ilk ve son kare ile üretim | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | Metin ile sıralı görsel, video ve ses referansları | Referanstan videoya, hareket aktarımı, karakter değiştirme, referans yönlendirmeli düzenleme | minimax_h3_ref2va_pruned_int8_convrot |
İki adaptör arasındaki asıl ayrışma Ref2VA tarafında. Her üretimde en fazla 12 referans kullanılabiliyor: en fazla 9 görsel, 3 video ve 3 ses klibi; her medya türünde toplam süre en fazla 15 saniye ve en az bir görsel ya da video zorunlu. Böylece görselden kimlik, videodan hareket, ses örneğinden de ses tonu ayrı ayrı kontrol edilebiliyor.
Ref2VA prompt'ları subject_definitions, summary ve <Subject 1>, <Picture 1>, <Video 1>, <Audio 1> gibi etiketleri içeren yapılandırılmış bir referans biçimi kullanıyor. ComfyUI, tek bir prompt içinde sert kesmeler, kamera koreografisi ve diyalog gibi çok planlı yönergeleri de destekliyor. Referans ağırlıklı işler için MiniMax H3 Max API fiyatlandırmasını değerlendirenler önce Ref2VA'yı denemeli; açık ağırlık tarafında aynı plan kontrolüne en çok yaklaşan seçenek bu.
Uyulması gereken net bir kural var: üzerine başka bir hız LoRA'sı eklemeyin. Flex zaten kendi 6 adımlı latent zamanlamasına damıtılmış durumda. ComfyUI rehberi, Turbo, Lightning, PTD ya da 8 adımlı Acc hızlandırmasının eklenmesinin “çıktıyı bozduğunu” söylüyor. Damıtılmamış H3'e göre eğitilmiş stil veya karakter LoRA'ları teknik olarak yüklenebilir; ancak üretimde kullanmadan önce mutlaka yeniden test edilmeli.
Pika'nın API tarafında tuttuğu özellikler
Yerel üretim, mikslenmiş stereo sesle birlikte 768p'de sona eriyor. Daha yüksek çözünürlükler, ayrık ses kanalları ve prompt iyileştirme ise Pika'nın barındırılan API'si üzerinden sunuluyor.
| Yetenek | Yerel açık ağırlıklar | Barındırılan Pika API |
|---|---|---|
| Çözünürlük | 480p, 768p | 480p, 768p, 1080p, 2K, 4K |
| Ses | Mikslenmiş 32 kHz stereo | Mikslenmiş ses + 5 ayrı WAV kanalı: diyalog, müzik, SFX, Foley, ambiyans |
| Prompt yardımı | Manuel | Prompt yeniden yazıcı ($0.02 / istek) |
| Referans video ücretlendirmesi | Yok (yalnızca hesaplama maliyeti) | Girdi ve çıktı saniyeleri ücretlendirilir |
Lansman dönemindeki barındırılan fiyatlar promosyonlu ve Pika'nın normal ücretlerinin yaklaşık yarısı seviyesinde (kie.ai üzerinden fiyat bilgileri):
| Çözünürlük | Promosyonlu çıktı saniyesi fiyatı | Standart çıktı saniyesi fiyatı | 15 sn klip promosyon maliyeti |
|---|---|---|---|
| 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 |
Ses kanalları, ses saniyesi başına $0.001 ek ücret getiriyor. Referans video girdilerinde hem giriş hem de çıkış saniyeleri, üretim tarifesi üzerinden ücretlendiriliyor. Görsel ve ses referansları için ise giriş ücreti yok. API Club üyeleri, 29 Ekim-5 Kasım arasındaki lansman döneminde günlük 15 ücretsiz üretim aldı (kampanya koşulları).
Pika'nın burada açıklanan taslaktan finale iş akışında, önce 480p veya 768p'de düşük çözünürlüklü bir taslak oluşturuluyor. Beğenilen çekim seçildikten sonra aynı latent seed, yalnızca fiyat farkı ödenerek 1080p'den 4K'ya kadar tamamlanabiliyor. Örneğin bir içerik üreticisi 480p'de on taslak üretirse promosyonla her biri $0.15, toplamda $1.50 öder. Bunlardan birini 4K'ya yükseltmek için de $1.05 verir; toplam maliyet $2.55 olur. On videonun tamamını 4K'da bitirmek ise $12.00 tutar. Yoğun seed denemesi içeren MiniMax H3 video iş akışlarında bu yapı, deneme maliyetini belirgin biçimde azaltıyor.
Lisans konusu da en az fiyat kadar önemli. Adaptörler, MiniMax H3 türevi oldukları için MiniMax H3 Community License Agreement kapsamında geliyor; yalnızca çıkarım kodu Apache 2.0 lisansına sahip (lisans ayrımı). Temel lisans hakkında önceki haberler, ABD, AB, Birleşik Krallık ve Güney Kore'de yerel dağıtımın hariç tutulması dahil olmak üzere bölgesel ve ticari kullanım koşullarına işaret ediyor. Pika, lansman sırasında ek koşulları doğrulamadı. Bu nedenle ücretli müşteri işi planlayanların adaptör deposundaki lisans dosyasını doğrudan incelemesi; Pika'dan netlik gelene kadar kısıtlı bölgelerde barındırılan API'yi uyumlu olabilecek seçenek olarak değerlendirmesi gerekiyor.
H100 olmadan yerelde çalıştırmak mümkün mü?
Pika'nın temsilî testleri, tek klip için çoklu GPU bölüştürmesi olmadan tek bir 80 GB H100 üzerinde yürütüldü (donanım notları). Tam indirme boyutu da yaklaşık 215.5 GB. CPU offload seçeneği VRAM ihtiyacını düşürüyor, ancak bunun karşılığında sistem RAM'i ve aktarım süresi artıyor. İlk rehberlerdeki pratik kural geçerli: Stok H3 belirli bir GPU'da çalışıyorsa, Flex de çalışır; buna LoRA için yaklaşık 2 GB daha eklemek gerekir.
Lansman günündeki ayrıntılı bir donanım raporu, 480p 5 saniyelik üretimlerde 66-69 GiB VRAM kullanımı kaydetti. 768p 15 saniyelik üretimler ise CPU offload ve yaklaşık 94 GiB sistem belleği gerektirdi. 5 saniyelik 1344x768 ComfyUI render'ı yaklaşık bir dakikada tamamlandı. Tüketici tarafındaki tablo net: 480p taslaklar, offload ile 24 GB kartlarda erişilebilir; 768p uzun videolar ise büyük ölçüde sistem RAM'i meselesi.
“Flex klibi DAHA FAZLA hareket ediyor. H100 yok. Masada tek bir 24GB kart var.” — @KuGeKinbaku, RTX 3090 Ti üzerinde aynı prompt ve seed ile karşılaştırma yaparken: Turbo 8 adımda 212.61 sn, Pika H3 Flex LoRA ise 6 adımda 146.81 sn; uçtan uca yaklaşık %31 daha hızlı
Şablon varsayımlarına göre çalışan ComfyUI reçetesi (ayar kaynağı) oldukça dar kapsamlı; değerleri aynen uygulamakta fayda var:
| Ayar | Değer | Neden |
|---|---|---|
| Adımlar | 6 | Damıtılmış zamanlama; 4 adımda ince ayrıntılarda sıçrama görülüyor |
| Sampler | lcm | Eğitim yapılandırmasıyla eşleşiyor |
| Sigmas | Manuel, düğümler 1000/750/500/250/100/40/0 | Genel 6 adımlı Euler eşdeğer değil |
| Guider / CFG | BasicGuider, CFG 1.0 | Negatif prompt geçişini atlar |
| LoRA gücü | 1.0 | Daha düşük değerlerde model kısmen damıtılmış kalır |
| Shifts | Video 12, ses 3 | Pika'nın referans değerleri |
ComfyUI'de metinden videoya şablonu için 0.43.2 veya üzeri sürüm gerekiyor. Referans ve ilk-son kare şablonlarında 0.30.0 yeterli. Workflow > Browse Templates > Video altında üç şablon bulunuyor ve özel node gerekmiyor. 16 GB kartlarda 480p ve 5 saniyeyle başlayın, uygulamayı --reserve-vram 1.5 ile açın, 64 GB sistem RAM'ini rahat çalışma seviyesi olarak düşünün ve GPU'yu yoran diğer uygulamaları kapatın.
Kalite açısından nerede duruyor?
Pika H3 Flex, DesignArena'nın metinden videoya panosunda 1293 Elo ile çıkış yaptı. Duyuru anında genel sıralamada 7. sıradaydı ve 1277 Elo'lu MiniMax H3'ün önünde, en yüksek puanlı açık ağırlıklı girişti (liderlik tablosu görüntüsü). Aynı tablodaki diğer sonuçlar şöyle: Gemini Omni 1.1 Flash 1360, Wan 3.0 1324, FLUX 3 Max 1297, FLUX 3 Video 1286 ve Seedance 2.5 1256. Öğretmen modele karşı 16 puanlık fark, görsel kalitede devrimden çok agresif damıtmayı dengeleyen tercih optimizasyonuna işaret ediyor.
Pika'nın 768p'de yaptığı eşleştirilmiş benchmark, ölçülen alanların çoğunda Flex'i öne çıkarıyor (Pika benchmark tablosu):
| Metrik | Pika H3 Flex, 6 adım | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| Videonun teknik kalitesi | 12.3 | 11.7 | 10.6 |
| Video estetiği | 5.41 | 5.28 | 5.00 |
| Ses estetiği | 7.02 | 6.85 | 6.89 |
| Ses-video uyumu | 0.212 | 0.208 | 0.216 |
Bunlar bağımsız doğrulama değil, Pika'nın kendi ölçümleri. Ses-video hizalamasında Fal H3 Max, 0.216 ile küçük farkla öne geçiyor. Pika; fizik, çok sahneli hikâye anlatımı, ışık, malzemeler ve aksiyon yoğun referans görevlerinde hâlâ zayıflıklar olduğunu kabul ediyor (Pika'nın sıraladığı sınırlar). djbfilmz'in 6 ve 20 adım karşılaştırması gibi ilk testlerden çıkan pratik sonuç şu: Çok sayıda klipte prompt ve seed keşfi için Flex kullanın; fizik veya malzeme detayının sahneyi taşıdığı final render'larda ise 20 adımlı stok H3'e dönün.
ComfyUI prompt bölümünden öne çıkan notlar:
- Kamera hareketini vardığı noktayla birlikte tarif edin: “kamera yavaşça yaklaşır ve yüzünde durur” gibi. Kesme zamanları 0.2-0.3 sn kayabilir.
- Kadrajı yalnızca lens terimleriyle değil, sahne içeriğiyle kurun: “devasa boş bir salonda tek başına küçük bir figür” gibi.
- İnce temas etkileşimlerinin hâlâ güvenilmez olduğunu kabul edin; buna karşılık nesne üzerindeki kısa metin etiketleri, bildirildiğine göre kamera hareketlerinde korunabiliyor.
- Her iki durumda da üst sınır 15 saniye. Çok planlı hikâyeleri ayrı üretimler olarak tasarlayın.
İndirmek mi, doğrudan API kullanmak mı?
| Durumunuz | Önerilen yol | Neden |
|---|---|---|
| Her hafta onlarca seed veya plan deniyorsanız | LoRA'ları indirin, 480p'de taslak üretin | 6 adımlı taslaklar keşif süresini yaklaşık 3-4 kat azaltır; saniye başına ücret yoktur |
| 4K, ayrı ses kanalları veya prompt yeniden yazımı gerekiyorsa | Barındırılan API | Bu özellikler yerel ağırlıklarda bulunmuyor |
| Tüketici GPU'su kullanıyorsanız (24 GB veya altı) | API ya da yerelde 480p taslak | 768p 15 saniyelik yerel üretimler offload ve yüksek RAM ister |
| ABD, AB, Birleşik Krallık veya Güney Kore'de ticari teslim yapıyorsanız | Lisans netleşene kadar API | Temel topluluk lisansı bu bölgelerde yerel dağıtımı hariç tutabilir |
| Karakter tutarlılığı yüksek seri veya hareket aktarımı yapıyorsanız | Özellikle Ref2VA'yı indirin | Yereldeki ayrıştırıcı avantaj, 12 referanslı kontrol mekanizması |
İyi başlangıç noktası şu: Yerelde 480p taslaklardan oluşan bir batch üretin, onaylanan seed'i ise barındırılan hizmette tamamlayın.
Pika H3 Flex FAQ
Pika H3 Flex nedir?
Pika H3 Flex, Pika'nın 29 Ekim 2026'da iki açık ağırlıklı LoRA adaptörü olarak yayımladığı, sonradan eğitilmiş MiniMax H3 sürümüdür. Senkron stereo sesli 5-15 saniyelik videoları 6 örnekleme adımında üretebilir.
Pika H3 Flex, MiniMax H3'ten nasıl ayrılıyor?
MiniMax H3 mimarisini ve temel dosyalarını korur; ancak denetimli ince ayar, 6 adımlı PDMD damıtması, ReFL ve DPO hizalaması ekler. Böylece örnekleme sayısını 20-50 adımdan 6 adıma indirirken, Pika'nın kendi testlerinde biraz daha yüksek tercih puanları alır.
Pika H3 Flex ile yerelde 4K video üretilebilir mi?
Hayır. Yerel çıktı 480p ve 768p ile sınırlı. 1080p, 2K ve 4K çıktı ile beş ayrı ses kanalı yalnızca Pika'nın barındırılan API'sinde, promosyon döneminde saniye başına $0.035-$0.08 fiyat aralığında sunuluyor.
Pika H3 Flex'i yerelde çalıştırmak için hangi GPU gerekiyor?
Pika, modeli yaklaşık 215 GB indirme boyutuyla 80 GB H100 üzerinde test etti. Topluluk testleri, CPU offload ile 24 GB kartlarda kullanılabilir 480p üretimler gösteriyor. Buna karşılık 768p 15 saniyelik render'lar ciddi sistem RAM'i istiyor; bu nedenle çoğu tüketici sistemi 480p taslak planlamalı.
FL2VA mı yoksa Ref2VA adaptörü mü kullanılmalı?
FL2VA; metinden videoya, görselden videoya ve ilk ya da son kare koşullandırması için kullanılır. Ref2VA ise hareket aktarımı ve karakter değiştirme gibi referanstan videoya görevlerini, toplamda en fazla 12 görsel, video ve ses referansıyla ele alır.
Pika H3 Flex ticari kullanım için ücretsiz mi?
Ağırlıkları indirmek ücretsizdir ancak MiniMax H3 Community License kapsamındaki bölgesel ve ticari kullanım koşullarını devralırlar. Ticari ekipler depodaki lisans dosyasını incelemeli; Pika aksi yönde açıklama yapana kadar kısıtlı bölgelerde barındırılan API'yi değerlendirmelidir.