Pika H3 Flex: ست خطوات، وصوت يخرج مع الصورة

خمسون خطوة إزالة تشويش رقم لا يجب أن يهتم به أحد خارج هذه الصناعة. وهو أيضاً، بهدوء، الرقم الذي يحدد هل نموذج الفيديو عرض تجريبي أم أداة.

إصدار Pika الجديد مبني على ذلك الرقم. Pika H3 Flex يأخذ نموذج H3 من MiniMax، ويضبطه ضبطاً دقيقاً، ويقطّر خمسين خطوة من المعلّم إلى 6 بتقطير مطابقة توزيع الإسقاط، ثم يمنح أوزان المحوّل وكود الاستنتاج. ست خطوات، والصورة والصوت يخرجان معاً.

الشطر الأخير يستحق التشديد. معظم نماذج «الصوت والصورة» تولّد مقطعاً ثم موسيقى تصويرية تطابقه تقريباً. التوليد المشترك يعني أن الصوت يُزال تشويشه في الحلقة نفسها التي تُزال فيها الإطارات، فصفقة الباب والارتعاش حدث واحد، لا شيئان يصادف أنهما تزامنا.

ما هو المفتوح فعلاً

محوّلان LoRA. أحدهما يتولى التوجيه النصي وتوجيه الإطار الأول والأخير؛ والآخر يتولى إدخالاً مرجعياً متعدد الوسائط. وإلى جانبهما نشرت Pika مكوّنات قاعدة MiniMax H3 وأدوات الاستنتاج المحلي، إضافة إلى مسار عمل ComfyUI ومسار Hugging Face Diffusers.

المخرج الأصلي 480P أو 768P، من خمس إلى خمس عشرة ثانية، بصوت ستيريو متزامن. يبدو متواضعاً حتى تنظر فيما تضيفه الـAPI: تحسين إلى 1080P و2K و4K، وفصل للمسارات الصوتية يقسّم الموسيقى المولّدة إلى خمسة مسارات — الحوار، والموسيقى، والمؤثرات الصوتية، والمؤثرات الحركية (foley)، والأجواء.

فصل المسارات هو الميزة التي كنت سأدفع مقابلها فعلاً. من حاول استخدام فيديو مولّد في مونتاج حقيقي يعرف المشكلة: الصوت كتلة واحدة لا تُفصل. لا تستطيع خفض الموسيقى تحت تعليق صوتي، ولا استبدال الحوار بلغة أخرى، ولا إسقاط صوت الأجواء لأنه يتصارع مع نغمة الغرفة في اللقطة التالية. خمسة مسارات تحوّل مقطعاً مولّداً إلى مادة تصوير.

وسير العمل المقصود يتبع ذلك: ولّد بدقة منخفضة، واختر اللقطة التي تعجبك، ثم حسّن. مسودة رخيصة، ولمسة نهائية مكلفة. هكذا يعمل كل جزء آخر من صناعة الفيلم أصلاً، ومن الجيد أن يعترف بائع نموذج بذلك بدل التظاهر بأن كل توليد يجب أن يكون تصديراً نهائياً.

أرقام السرعة، في سياقها

نشرت Pika أيضاً نتائج تحسين الاستنتاج المستضاف. على 8 وحدات GPU من NVIDIA B300، مع الإبقاء على الأوزان ومُعاين الخطوات الست نفسه، انخفض توليد مقطع 768P لخمس ثوانٍ بصوت من 3.409 ثانية إلى 2.129 ثانية عبر التوجيه وإزالة التشويش وفك الترميز. نحو 1.6 ضعف.

مكسب هندسي بمعامل 1.6 ليس عنواناً. لكنه نوع الأرقام التي تحدد اقتصاديات الوحدة حين تدير ملايين المسودات، ومنعش أن ينشروا قبل وبعد بدل نسبة مقابل أساس غير مذكور.

ادعاءات الجودة أقل قابلية للتحقق. تقول Pika إن H3 Flex سجّل الأعلى في خمسة مقاييس جودة بصرية وصوتية بين النماذج التي قارن بها، وإنه حلّ ثامناً في لوحة تحويل النص إلى فيديو في DesignArena — أعلى نموذج فيديو مفتوح هناك. ومقارنات يجريها البائع تبقى مقارنات يجريها البائع. وموقع DesignArena هو الإشارة الأنفع لأنه تصويت أعمى من غرباء لا يهمهم معمارك.

توجيه نموذج يسمع نفسه

التوليد المشترك للصوت والصورة يغيّر استراتيجية التوجيه بطريقة لا تبدو بديهية حتى تجربها. إن وصفت الصورة فقط، يخترع النموذج مشهداً صوتياً يطابقها، وسيختار عادة شيئاً عاماً: نغمة غرفة، وصافرة بعيدة، وطنين غير محدد.

لذا اكتب الصوت صراحة. سمِّ مصدر كل ضجيج تريده، والأهم سمِّ ما يجب أن يكون صامتاً. «باب واحد يُغلق عند الثانية، بلا موسيقى، بلا طيور» ينتج شيئاً قابلاً للاستخدام. أما «مشهد متوتر عند مدخل» فينتج تقريباً لمكتبة أصوات تجارية عن التوتر، وهو أسوأ من الصمت.

وفي الحوار، أبقِ الجمل قصيرة وضعها مبكراً. النموذج لديه خمس إلى خمس عشرة ثانية، وجملة تستهلك تسعاً منها لا تترك مجالاً للقطة رد الفعل التي أردتها فعلاً. وإن كانت الجملة أهم من الصورة، ولّدها كلقطة منفصلة واقطعها في المونتاج.

وعامل التوليد الأول كاختبار صوت، لا اختبار صورة. مقطع بإضاءة متوسطة وfoley مثالي أنفع من لقطة جميلة تصل فيها الخطوات متأخرة نصف ثانية.

لماذا يصير H3 طبقة أساس

قبل إصدار Pika بيومين، نشر فريق من NVIDIA وMIT مشروع Open-H3-Regenerate-2K، تنفيذاً مفتوحاً لإعادة توليد المسودات منخفضة الدقة عند 2K، مع توليد أصلي عند 4K وتسريع مُبلَّغ عنه بـ3.9 ضعف على وحدة B200 واحدة بعد التسخين.

فريقان مستقلان، في أسبوع واحد، يبنيان على النموذج الأساسي الصيني نفسه، في اتجاهين متعاكسين: أحدهما يضغط حلقة المعاينة، والآخر يضيف دقة. هكذا تبدو طبقة الأساس. لا أحد يجادل في أي نموذج أساسي يفوز؛ إنهم يتجادلون في من يملك الطبقة فوقه.

وبالنسبة للمبدعين، النتيجة العملية أن سؤال «أي نموذج» يزداد عدم إثارة للاهتمام. إن كانت القاعدة المفتوحة القوية مشتركة، ينتقل التمايز إلى المحوّلات ومسارات العمل وكل ما تضيفه الـAPI فوقها — وهو هنا الدقة والمسارات الصوتية.

ما زال صعباً

خمس إلى خمس عشرة ثانية مدة قصيرة. تكفي لقطة، لا مشهداً. وكل نموذج في هذه الفئة يعاني الأشياء الثلاثة نفسها: الأيدي في الأعمال الدقيقة، والنص على الأسطح، والاستمرارية عبر القطع. ولا شيء في هذا الإصدار يدّعي غير ذلك، وهذا يقدّر عندي.

و768P أصلية قيد حقيقي إن كنت تسلّم لشيء أكبر من شاشة هاتف. مسار 2K و4K موجود، لكنه يمر عبر API الخاصة بـPika، ما يعني أن الأوزان المفتوحة تمنحك المسودة والخدمة المدفوعة تمنحك اللمسة النهائية. هذا نموذج عمل، لا خيانة، لكنه يعني أن «مفتوح» هنا تعني «مفتوح بما يكفي للتقييم والبناء عليه».

وتقطير الخطوات الست له كلفة يسهل تفويتها. خطوات أقل تعني مجالاً أقل للمُعاين كي يستكشف. والنماذج المقطّرة تميل إلى التميّز في التوزيع الذي قُطرت عليه، وإلى هشاشة طفيفة خارجه — نسب أبعاد غير معتادة، وقيود توجيه كثيفة، وإدخالات مرجعية ليست في التوزيع تماماً. فإن كان عملك تقليدياً فلن تلاحظ. وإن كان غريباً فستلاحظ.

كيف تجرّبه

إن كان ComfyUI يعمل عندك، فملف سير العمل أسرع طريق: حمّله، ووجّهه إلى المحوّلات، وولّد عند 768P، واستمع إلى الصوت. احكم على التزامن أولاً، لا على الصورة. حركة الشفاه وأصوات الارتطام هي حيث ينجح التوليد المشترك أو يفشل.

وإن كنت على Diffusers، فالمسار تقليدي والمحوّلات تندمج في القاعدة، فلا تدفع خطوات إضافية عند الاستنتاج. وتوقّع أن تمدّد صورة مرجعية زمن التوليد تقريباً، لأن رموزها تنضم إلى التسلسل نفسه الذي فيه النص والهدف.

ثم خذ مقطعاً يعجبك فعلاً ومرّره عبر الـAPI لأجل المسارات. تلك هي اللحظة التي تكفّ فيها الأداة عن كونها لعبة. القدرة على كتم الموسيقى، والإبقاء على الـfoley، وإسقاط مسار صوتي مختلف هي الفرق بين «توليد الذكاء الاصطناعي هذا» و«أستطيع استخدام هذا».

الحجة الهادئة في هذا الإصدار

سنتان كانت الحجة نماذج أكبر. وحجة Pika هنا حلقة معاينة أصغر، ومحوّلات مفتوحة، وسطح ما بعد إنتاج يحترم طريقة عمل المونتاج فعلاً.

هذه حكاية أقل إثارة، وهي التي تصمد عادة عند الاصطدام بموعد تسليم. وست خطوات ليست رقماً تسويقياً. إنها إعلان أن عنق الزجاجة انتقل من «هل يستطيع التوليد» إلى «هل أستطيع تحمّل التكرار»، وأن أحدهم سعّر الجواب أخيراً.