Pika H3 Flex destilliert 50 Schritte auf 6 und legt die Gewichte offen

Fünfzig Denoising-Schritte sind eine Zahl, um die sich außerhalb dieser Branche niemand kümmern müsste. Sie entscheidet still darüber, ob ein Videomodell eine Demo ist oder ein Werkzeug.

Pikas neues Release baut auf genau dieser Zahl auf. Pika H3 Flex nimmt MiniMax' H3-Modell, trainiert es nach, destilliert die 50 Schritte des Lehrers mit Projection Distribution Matching Distillation auf 6 herunter und gibt dann die Adaptergewichte und den Inferenzcode heraus. Sechs Schritte, und Bild und Ton kommen zusammen heraus.

Der letzte Punkt verdient Betonung. Die meisten „Audio-Video“-Modelle erzeugen einen Clip und danach eine Tonspur, die halbwegs dazu passt. Gemeinsame Generierung heißt: Das Audio wird in derselben Schleife entrauscht wie die Frames, also sind das Zuschlagen der Tür und das Zusammenzucken dasselbe Ereignis und nicht zwei Dinge, die zufällig zusammenfallen.

Was tatsächlich offen ist

Zwei LoRA-Adapter. Einer übernimmt Text- und Erst-/Letztbild-Konditionierung, der andere multimodalen Referenz-Input. Daneben hat Pika die MiniMax-H3-Basiskomponenten und lokale Inferenzwerkzeuge veröffentlicht, dazu einen ComfyUI-Workflow und einen Weg über Hugging Face Diffusers.

Nativ kommen 480P oder 768P heraus, fünf bis fünfzehn Sekunden, mit synchronisiertem Stereo-Audio. Das klingt bescheiden, bis man sieht, was die API obendrauf legt: 1080P, 2K und 4K als Enhancement, und Stem-Trennung, die die erzeugte Tonspur in fünf Spuren zerlegt – Dialog, Musik, Geräusche, Foley und Atmosphäre.

Für die Stem-Trennung würde ich tatsächlich zahlen. Wer schon versucht hat, generiertes Video in einem echten Schnitt zu verwenden, kennt das Problem: Das Audio ist ein untrennbarer Klumpen. Du kannst die Musik nicht unter einen Voiceover ducken, den Dialog nicht durch eine andere Sprache ersetzen, die Atmosphäre nicht rausnehmen, weil sie mit dem Raumklang der nächsten Einstellung kollidiert. Fünf Spuren machen aus einem generierten Clip Material.

Der vorgesehene Workflow folgt daraus: in niedriger Auflösung generieren, den brauchbaren Take auswählen, dann hochrechnen. Billig entwerfen, teuer finishen. So funktioniert jeder andere Teil der Filmarbeit längst, und es ist gut, dass ein Modellanbieter das zugibt, statt zu tun, als müsste jede Generierung ein Final Render sein.

Die Geschwindigkeitszahlen im Kontext

Pika hat auch Ergebnisse zur Optimierung der gehosteten Inferenz veröffentlicht. Auf 8 NVIDIA B300, bei gleichen Gewichten und gleichem Sechs-Schritte-Sampler, sank die Zeit für einen fünfsekündigen 768P-Clip mit Audio von 3,409 auf 2,129 Sekunden – über Konditionierung, Denoising und Decoding hinweg. Etwa 1,6-fach.

Ein 1,6-facher Engineering-Gewinn ist keine Schlagzeile. Es ist aber die Art Zahl, die über Unit Economics entscheidet, wenn man Millionen Entwürfe laufen lässt, und es ist erfrischend, dass sie vorher und nachher veröffentlichen statt einen Prozentsatz gegen eine ungenannte Basis.

Die Qualitätsaussagen sind schwerer zu prüfen. Pika sagt, H3 Flex habe bei fünf visuellen und Audio-Qualitätsmetriken die höchsten Werte unter den verglichenen Modellen erzielt, und es stehe auf Platz acht von DesignArenas Text-to-Video-Board – das bestplatzierte offene Videomodell dort. Anbietervergleiche bleiben Anbietervergleiche. Die DesignArena-Platzierung ist das nützlichere Signal, weil dort Fremde blind abstimmen, die sich für deine Architektur nicht interessieren.

Prompting für ein Modell, das sich selbst hört

Gemeinsames Audio-Video verändert die Prompt-Strategie auf eine Weise, die erst beim Ausprobieren offensichtlich wird. Beschreibst du nur das Bild, erfindet das Modell eine passende Klanglandschaft, und meistens greift es zu etwas Generischem: Raumklang, eine ferne Sirene, ein unspezifisches Brummen.

Schreib den Ton also explizit. Benenne die Quelle jedes Geräuschs, das du willst, und, wichtiger, benenne, was still sein soll. „Eine einzelne Tür fällt bei Sekunde zwei zu, keine Musik, keine Vögel“ ergibt etwas Brauchbares. „Eine angespannte Szene in einem Türrahmen“ ergibt eine Stock-Audio-Anmutung von Anspannung, und die ist schlechter als Stille.

Bei Dialog gilt: Zeilen kurz halten und früh setzen. Das Modell hat fünf bis fünfzehn Sekunden, und ein Satz, der neun davon braucht, lässt keinen Platz für die Reaktion, die du eigentlich wolltest. Wenn eine Zeile wichtiger ist als das Bild, generiere sie als eigenen Take und schneide sie hinein.

Und behandle die erste Generierung als Audiotest, nicht als Bildtest. Ein Clip mit mittelmäßigem Licht und perfektem Foley ist brauchbarer als eine schöne Einstellung, in der die Schritte eine halbe Sekunde zu spät kommen.

Warum H3 zur Basisschicht wird

Zwei Tage vor Pikas Release hat ein Team von NVIDIA und MIT Open-H3-Regenerate-2K veröffentlicht, eine offene Implementierung, die Niedrigauflösungs-Entwürfe in 2K neu generiert, mit nativer 4K-Regenerierung und laut Bericht 3,9-facher Beschleunigung auf einer einzelnen B200 nach dem Warm-up.

Zwei unabhängige Gruppen, eine Woche, beide auf demselben chinesischen Basismodell, in entgegengesetzte Richtungen: die eine komprimiert die Sampling-Schleife, die andere erhöht die Auflösung. So sieht eine Basisschicht aus. Niemand streitet mehr darüber, wessen Foundation-Modell gewinnt; gestritten wird darüber, wem die Schicht darüber gehört.

Für Kreative heißt das praktisch: Die Frage „welches Modell“ wird immer uninteressanter. Wenn die starke offene Basis geteilt ist, wandert die Differenzierung zu Adaptern, Workflows und dem, was die API obendrauf legt – hier also Auflösung und Stems.

Was weiterhin schwer ist

Fünf bis fünfzehn Sekunden sind kurz. Das reicht für eine Einstellung, nicht für eine Szene. Jedes Modell dieser Klasse kämpft weiter mit denselben drei Dingen: Hände bei feiner Arbeit, Text auf Oberflächen und Kontinuität über einen Schnitt hinweg. Nichts in diesem Release behauptet etwas anderes, was ich zu schätzen weiß.

768P nativ ist außerdem eine echte Einschränkung, wenn du für etwas Größeres als einen Handybildschirm lieferst. Der Weg zu 2K und 4K existiert, führt aber über Pikas API – die offenen Gewichte liefern den Entwurf, der bezahlte Dienst das Finish. Das ist ein Geschäftsmodell, kein Verrat, aber „offen“ heißt hier „offen genug zum Bewerten und Bauen“.

Und die Sechs-Schritte-Destillation hat einen Preis, den man leicht übersieht. Weniger Schritte heißt weniger Raum für den Sampler zum Explorieren. Destillierte Modelle sind meist exzellent in der Verteilung, auf die sie destilliert wurden, und etwas spröde außerhalb – ungewöhnliche Seitenverhältnisse, dichte Prompt-Vorgaben, Referenzeingaben, die nicht ganz in der Verteilung liegen. Ist deine Arbeit konventionell, wirst du es nie merken. Ist sie seltsam, wirst du es merken.

Wie man es ausprobiert

Wenn ComfyUI läuft, ist die Workflow-Datei der schnellste Weg: laden, auf die Adapter zeigen, in 768P generieren, Audio anhören. Beurteile zuerst die Synchronität, nicht das Bild. Lippenbewegungen und Aufprallgeräusche sind die Stellen, an denen gemeinsame Generierung funktioniert oder nicht.

Mit Diffusers ist die Pipeline konventionell, und die Adapter verschmelzen mit der Basis, du zahlst also zur Inferenzzeit keine zusätzlichen Schritte. Rechne damit, dass ein Referenzbild die Generierung ungefähr verlängert, weil seine Token in dieselbe Sequenz wie Text und Ziel gehen.

Dann nimm einen Clip, der dir wirklich gefällt, und schick ihn für die Stems durch die API. Das ist der Moment, in dem das Werkzeug aufhört, ein Spielzeug zu sein. Musik stummschalten, Foley behalten und eine andere Sprachspur einlegen zu können – das ist der Unterschied zwischen „das hat eine KI erzeugt“ und „das kann ich verwenden“.

Das leise Argument dieses Releases

Zwei Jahre lang hieß der Pitch: größere Modelle. Pikas Pitch ist hier eine kleinere Sampling-Schleife, offene Adapter und eine Postproduktions-Oberfläche, die respektiert, wie Schnitt tatsächlich funktioniert.

Das ist eine weniger aufregende Geschichte, und es ist die, die den Kontakt mit einer Deadline meist überlebt. Sechs Schritte sind keine Marketingzahl. Sie sind die Aussage, dass der Flaschenhals von „kann es generieren“ zu „kann ich mir Iterationen leisten“ gewandert ist – und jemand hat endlich den Preis dafür genannt.