Pika H3 Flex: seis pasos y el sonido en el mismo bucle que la imagen

Cincuenta pasos de eliminación de ruido es una cifra que nadie fuera de este sector debería tener que conocer. También es, en silencio, la cifra que decide si un modelo de vídeo es una demo o una herramienta.

El nuevo lanzamiento de Pika se apoya en ese número. Pika H3 Flex toma el modelo H3 de MiniMax, lo afina, destila los 50 pasos del profesor hasta 6 con destilación por coincidencia de distribución proyectada y luego regala los pesos del adaptador y el código de inferencia. Seis pasos, y la imagen y el sonido salen juntos.

Esa última parte merece énfasis. Casi todos los modelos «audio-vídeo» generan un clip y luego una banda sonora que más o menos le encaja. La generación conjunta significa que el audio se limpia en el mismo bucle que los fotogramas, así que un portazo y el sobresalto son el mismo suceso y no dos cosas que casualmente coinciden.

Qué es abierto de verdad

Dos adaptadores LoRA. Uno maneja el condicionamiento por texto y por primer y último fotograma; el otro maneja la entrada de referencia multimodal. Junto a ellos, Pika ha publicado los componentes base de MiniMax H3 y las herramientas de inferencia local, más un flujo de ComfyUI y una ruta por Hugging Face Diffusers.

La salida nativa es 480P o 768P, de cinco a quince segundos, con audio estéreo sincronizado. Suena modesto hasta que miras lo que añade la API: mejora a 1080P, 2K y 4K, y separación de pistas que parte la banda sonora generada en cinco pistas: diálogo, música, efectos, foley y ambiente.

La separación de pistas es la función por la que pagaría. Quien haya intentado usar vídeo generado en un montaje real conoce el problema: el audio es un bloque inseparable. No puedes bajar la música bajo una voz en off, no puedes cambiar el diálogo a otro idioma, no puedes quitar el ambiente porque se pelea con el tono de sala del plano siguiente. Cinco pistas convierten un clip generado en material de rodaje.

El flujo previsto se deriva de eso: genera en baja resolución, elige la toma que te guste y luego mejora. Borrador barato, acabado caro. Así funciona ya el resto de la producción audiovisual, y es bueno que un proveedor de modelos lo admita en vez de fingir que cada generación debería ser un render final.

Las cifras de velocidad, en contexto

Pika también publicó resultados de optimización de inferencia alojada. En 8 GPU NVIDIA B300, con los pesos y el muestreador de seis pasos iguales, generar un clip de cinco segundos en 768P con audio pasó de 3,409 segundos a 2,129 segundos contando condicionamiento, eliminación de ruido y decodificación. Unas 1,6 veces más rápido.

Una mejora de ingeniería de 1,6 veces no es titular. Sí es, en cambio, el tipo de cifra que decide la economía unitaria cuando ejecutas millones de borradores, y es de agradecer que publicaran el antes y el después en vez de un porcentaje contra una base no declarada.

Las afirmaciones de calidad son menos verificables. Pika dice que H3 Flex quedó el primero en cinco métricas de calidad visual y sonora entre los modelos con los que se comparó, y que ocupa el octavo puesto en la tabla de texto a vídeo de DesignArena, el modelo de vídeo abierto mejor situado allí. Las comparaciones hechas por el proveedor son comparaciones hechas por el proveedor. El puesto en DesignArena es la señal más útil porque lo votan a ciegas desconocidos a los que les da igual tu arquitectura.

Escribir prompts para un modelo que se oye

El audio y el vídeo conjuntos cambian la estrategia de prompts de una forma que no se ve hasta que lo pruebas. Si describes solo la imagen, el modelo se inventa un paisaje sonoro que encaje, y normalmente elige algo genérico: tono de sala, una sirena lejana, un zumbido sin especificar.

Así que escribe el sonido de forma explícita. Nombra la fuente de cada ruido que quieras y, más importante, nombra lo que debe estar en silencio. «Una sola puerta se cierra en el segundo dos, sin música, sin pájaros» produce algo usable. «Una escena tensa en un umbral» produce una aproximación de tensión de audio de stock, que es peor que el silencio.

Para el diálogo, mantén las frases cortas y colócalas pronto. El modelo tiene de cinco a quince segundos, y una frase que se lleva nueve no deja sitio para el plano de reacción que querías. Si una línea importa más que la imagen, genera otra toma aparte y móntala.

Y trata la primera generación como una prueba de audio, no de imagen. Un clip con iluminación mediocre y un foley perfecto es más útil que un plano precioso donde los pasos llegan medio segundo tarde.

Por qué H3 se está convirtiendo en capa base

Dos días antes del lanzamiento de Pika, un equipo de NVIDIA y MIT publicó Open-H3-Regenerate-2K, una implementación abierta para regenerar borradores de baja resolución en 2K, con regeneración nativa en 4K y una aceleración declarada de 3,9 veces en una sola B200 tras el calentamiento.

Dos grupos independientes, una semana, los dos sobre el mismo modelo base chino, en direcciones opuestas: uno comprime el bucle de muestreo, el otro añade resolución. Así es como se ve una capa base. Nadie discute qué modelo fundacional gana; discuten quién es dueño de la capa de encima.

Para los creadores, la consecuencia práctica es que la pregunta «qué modelo» es cada vez menos interesante. Si la base abierta potente es compartida, la diferenciación se traslada a los adaptadores, a los flujos de trabajo y a lo que añada la API por encima, que en este caso es resolución y pistas.

Lo que sigue siendo difícil

De cinco a quince segundos es poco. Alcanza para un plano, no para una escena. Todos los modelos de esta clase siguen peleando con las mismas tres cosas: manos haciendo trabajo fino, texto sobre superficies y continuidad entre un corte y el siguiente. Nada en este lanzamiento afirma lo contrario, cosa que agradezco.

Los 768P nativos también son una limitación real si entregas para algo más grande que una pantalla de teléfono. La vía a 2K y 4K existe, pero pasa por la API de Pika, lo que significa que los pesos abiertos te dan el borrador y el servicio de pago te da el acabado. Es un modelo de negocio, no una traición, pero sí implica que «abierto» aquí quiere decir «lo bastante abierto para evaluarlo y construir contra él».

Y la destilación a seis pasos tiene un coste fácil de pasar por alto. Menos pasos significa menos margen para que el muestreador explore. Los modelos destilados suelen ser excelentes en la distribución con la que se destilaron y algo frágiles fuera de ella: relaciones de aspecto raras, restricciones densas en el prompt, entradas de referencia que no acaban de estar en distribución. Si tu trabajo es convencional, no lo notarás. Si tu trabajo es raro, sí.

Cómo probarlo

Si tienes ComfyUI en marcha, el archivo del flujo es el camino más rápido: cárgalo, apúntalo a los adaptadores, genera en 768P y escucha el audio. Juzga primero la sincronía, no la imagen. El movimiento de labios y los sonidos de impacto son donde la generación conjunta funciona o no funciona.

Si vas con Diffusers, el pipeline es convencional y los adaptadores se fusionan en la base, así que no pagas pasos extra en inferencia. Cuenta con que una imagen de referencia alargue más o menos tu tiempo de generación, porque sus tokens se unen a la misma secuencia que el texto y el objetivo.

Luego coge un clip que te guste de verdad y pásalo por la API para sacar las pistas. Ese es el momento en que la herramienta deja de ser un juguete. Poder silenciar la música, mantener el foley y meter otra pista de voz es la diferencia entre «esto lo ha generado una IA» y «esto lo puedo usar».

El argumento silencioso de este lanzamiento

Durante dos años el discurso fue modelos más grandes. El de Pika aquí es un bucle de muestreo más pequeño, adaptadores abiertos y una superficie de postproducción que respeta cómo funciona de verdad el montaje.

Es una historia menos emocionante, y es la que suele sobrevivir al contacto con una fecha de entrega. Seis pasos no es una cifra de marketing. Es una declaración de que el cuello de botella se ha movido de «¿puede generarlo?» a «¿puedo permitirme iterar?», y alguien por fin le ha puesto precio a la respuesta.