NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Pika、MiniMax H3を6ステップに高速化したH3 Flexを公開――同期音声付き動画をAPIと限定公開の重みで

米Pikaは2026年10月29日、動画生成モデル「Pika H3 Flex」を公開しました。基盤モデルMiniMax H3を後学習して生成工程を50ステップから6ステップに減らしたモデルで、768p・15秒の変換器計算が制御下のベンチマークで最短7秒と同社は示します。推論コードはApache 2.0で公開された一方、重みはMiniMax H3のライセンスが適用され、米国・EU・英国・韓国は適用地域から除外されています。

米Pikaは2026年10月29日、動画生成基盤モデルMiniMax H3を後学習した「Pika H3 Flex」を公開しました。公開は三つの形で行われています。Pika API Clubでは公開日からAPIを利用でき、一般の制作画面への提供は11月2日を予定しています。推論コードはApache 2.0でGitHubに、生成器のLoRAアダプターはHugging Faceで公開されました。ネイティブな出力は480pと768pで、1080p、2K、4KはPikaのホスト側アップスケーラーによる仕上げです。

50ステップから6ステップへ

PikaはMiniMax H3をゼロから学習したわけではありません。技術解説によると、Potent Regularized Distribution Matching Distillation(PDMD)でサンプリングを50ステップから6ステップへ減らし、その後、視覚の好みや指示への追従を良くするため、ReFLとDPOの2手法で学習した別々のLoRAアダプターを1つに統合したと説明されています。公式ブログは6ステップを50ステップの教師モデルの約8分の1と表現しました。7秒という速度には注記が付き、参照入力や高解像度の仕上げ、音声ステムの分離、ハードウェア、サービスの処理が完了時間に影響すると記載されています。

「7秒というのは、15秒・768pのクリップについて、制御されたベンチマークで測った変換器(DiT)の計算時間であり、API全体の待ち時間ではありません。参照入力、高解像度の仕上げ、音声ステムの分離、ハードウェア、サービスの処理が完了時間に影響します。」

Seven seconds measures transformer (DiT) computation for a 15-second 768p clip in a controlled benchmark, not total end-to-end API latency. Reference inputs, higher-resolution finishing, audio-stem separation, hardware, and service overhead affect completion time.

Pika公式ブログ「Introducing Pika H3 Flex」の注記(2026年10月29日)より

デザインの評価サイトDesignArenaのtext-to-video部門では、発表時点でオープン重みモデルの1位、全体で7位とPikaは述べています。これは発表時点の順位で、独立したローカル再現試験ではありません。

12の参照入力と音声のステム

H3 Flexは同期したステレオ音声付きの動画を生成します。参照素材は画像、動画、音声を合わせて最大12件で、内訳は画像9件、動画3件、単体の音声3件までです。動画と音声の参照はそれぞれ2〜15秒で、出力は5〜15秒の整数秒、24fps、32kHzステレオです。PikaのAPIでは、Dialogue、Score、SFX、Foley、Ambienceの5つの音声ステムを分離して受け取るオプションがあります。ローカルで動かす公開物にはこの分離機能が含まれず、音声は生成動画にミックスされた状態で出ます。

図解生成から仕上げの流れ
  1. 01 参照入力

    最大12件

    画像9・動画3・単体音声3まで。動画と音声の参照は2〜15秒

  2. 02 生成

    6ステップ

    480pまたは768pでネイティブ生成。24fps、32kHzステレオ

  3. 03 音声

    ステム5種

    Dialogue、Score、SFX、Foley、Ambience。APIのオプションで、ローカル公開物には含まれない

  4. 04 仕上げ

    最大4K

    ホスト側アップスケーラーが1080p、2K、4Kに仕上げる。ネイティブの4K生成ではない

Pika公式ブログ、GitHubのREADME、製品ページの説明による。ステム分離はホストAPIのオプション。

価格と提供

価格は出力動画の秒数に対して課金されます。公開時のローンチ価格は480pが1秒0.01ドル、768pが1秒0.02ドル、1080pが1秒0.035ドル、2Kが1秒0.04ドル、4Kが1秒0.08ドルで、通常価格はその原則2倍です。表示価格から計算すると、15秒の768p生成はローンチ価格で0.30ドル、4Kの仕上げまで含めると1.20ドルです。これは表示単価の掛け算であって、参照入力やオプションの違いを含んだ請求額の保証ではありません。動画を参照に使う場合は入力側の秒数も同じ単価で加算され、画像と音声の参照は無料です。480pや768pの下書きを1080p以上に仕上げるdraft-to-videoは、同じテイクと音声を保ったまま差額だけを課金すると説明されています。API Club会員を対象に、10月29日から11月5日までは1日15回の無料生成が用意されました。

図解出力解像度別の1秒あたりの価格
  • 480p

    通常価格
    0.02ドル
    ローンチ価格
    0.01ドル
    出力経路
    ネイティブ生成
  • 768p

    通常価格
    0.04ドル
    ローンチ価格
    0.02ドル
    出力経路
    ネイティブ生成
  • 1080p

    通常価格
    0.07ドル
    ローンチ価格
    0.035ドル
    出力経路
    アップスケール
  • 2K

    通常価格
    0.08ドル
    ローンチ価格
    0.04ドル
    出力経路
    アップスケール
  • 4K

    通常価格
    0.16ドル
    ローンチ価格
    0.08ドル
    出力経路
    アップスケール

Pika製品ページの価格表(2026年10月31日確認)による。課金は出力動画の秒数単位。

公開範囲とライセンス

GitHubの推論コードとローダーはApache 2.0です。Hugging Faceの生成器アダプターは、ベースモデルのMiniMax H3 Community License Agreementの下で配布され、コードとモデルの許諾は別になっています。ローカルで動かすにはMiniMax H3のベース構成要素に211GB以上、両アダプターに約5.5GBの保存容量が必要です。ベースはアダプターとは別に入手します。MiniMax H3のライセンスは、適用地域を米国、EU、英国、韓国を除く世界と定義します。この4地域はExcluded Territoriesで、コミュニティライセンスの範囲外です。年間収入が2,000万ドルを超える商用製品やサービスでは、MiniMaxからの事前の書面許可が別途必要です。

図解公開と提供の日程
  1. MiniMax H3のリリース

    ライセンス文書に記されたMiniMax H3のリリース日。Pikaの教師モデル

  2. H3 Flexを公開

    発表と同日にAPI Club、GitHub、Hugging Faceで提供開始

  3. 制作画面へ提供予定

    Pikaの一般制作画面への提供を予定

  4. 無料生成の終了予定

    API Club会員の1日15回無料は10月29日から11月5日まで

Pika公式ブログ、製品ページ、MiniMax H3ライセンス文書による。11月2日と11月5日は会社の予定。

動かすための環境

GitHubの公式文書は、1リクエストにつき1枚のGPUを使う構成で、複数GPUでの要求分割には対応しないと説明します。代表的な検証はH100 80GBで行われ、480p・5秒のサンプリングは約66〜69GiB、768p・15秒はCPUオフロードを使ってGPU約29〜32GiBとホストメモリ約94GiBを観測したと記載されています。これらは最小要件ではなく検証例で、テキストエンコーダーやVAEのメモリは別に必要です。H200とB300はこの配布物では検証されていません。公開されている検証例はH100級に限られ、小型GPUでの動作を示す情報はありません。

何が新しく、何が未確認か

MiniMax H3自体の公開やPikaの既存動画サービスとは別に、Pikaが後学習した6ステップ版をAPIと限定的な重みで公開したことが今回の新情報です。音声ステムの分離、12件の参照入力、高解像度の仕上げはホストAPI側の機能で、ローカル公開物の範囲とは異なります。エンドツーエンドの生成待ち時間、第三者環境での画質評価、無料枠や価格の適用条件の詳細は、公開時点では会社側の公表値と条件文から確認できる範囲に限られます。

出典

  1. Pika公式ブログ「Introducing Pika H3 Flex」(2026年10月29日)全文確認。公開日、MiniMax H3の後学習と50→6ステップ、7秒注記(DiT計算・制御下ベンチマーク・API全体の待ち時間ではない)、12参照・ステム5種・最大4K、ネイティブ480p/768pとアップスケールの区別、API Clubと11月2日の制作画面予定、DesignArena1位/7位(発表時点)を確認
  2. Pika Research「Pika H3 Flex Technical Deep Dive」(2026年10月29日)PDMDによる50→6ステップの蒸留、ReFLとDPOのLoRA統合、API・ComfyUI・Diffusers対応、重みとコードの公開先、他モデルとの比較表を確認
  3. Pika製品ページ「Pika H3 Flex」(2026年10月31日確認)通常価格とローンチ価格の表(480p 0.01〜4K 0.08ドル、通常は原則2倍)、参照動画は入出力秒数課金・画像音声参照無料、draft-to-videoの差額課金、API Club会員の1日15回無料(10月29日〜11月5日)を確認
  4. Pika「Pika-H3-Flex」GitHub リポジトリ(2026年10月31日確認)READMEで12参照の内訳(画像9・動画3・単体音声3)、5〜15秒の17n+5フレームグリッド、24fps、32kHzステレオ、コードのApache-2.0とアダプターのMiniMax H3 Community Licenseの区別、1リクエスト1GPUとCPUオフロードを確認
  5. Pika「Hardware and tested configurations」(docs/hardware.md、2026年10月31日確認)H100 80GBの検証例(480p/5秒 約66〜69GiB、768p/15秒はCPUオフロードでGPU約29〜32GiB・ホスト約94GiB)、ベース211GB以上+アダプター約5.5GB、最小要件ではない旨、H200/B300未検証を確認
  6. Hugging Face「Pika-Labs/Pika-H3-Flex」モデルカード(2026年10月31日確認)アダプターがMiniMax H3のModel DerivativesとしてMiniMax H3 Community License Agreementの下で配布されること、ベースモデルbase_model_relation: adapterを確認
  7. MiniMax「MiniMax H3 Community License Agreement」(ライセンス本文、2026年10月31日確認)Excluded Territories(EU・英国・韓国・米国)とApplicable Territory(それらを除く世界)、年間収入2,000万ドル超の商用利用への事前書面許可、リリース日2026年8月2日を確認
  8. Pika開発者向け価格ページ「text-to-video pricing」(2026年10月31日確認)現行の秒単価と解像度別課金を確認

出典の確認日 2026.10.31

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む