無修正AI動画 · Pika Labsのオープンアダプター

無修正 Pika H3 Flex:アイデアから6ステップで音声付き動画へ

AIに聞く ▾

Pika Labsは、オープンな動画モデルMiniMax H3をスピードとセンス重視で再学習し、その成果をオープンな重みとして誰でも使えるよう公開しました。Pika H3 Flexは映像とサウンドトラックをたった6ステップで同時に生成するため、シットコムのワンシーンも、ヘッドホンの広告も、ビートに合わせたダンスも、5〜15秒の完成クリップとして仕上がります。ここでは、得意なシーン、誰がどんな用途に使っているのか、コピーしてすぐ使えるプロンプト、そしていちばん手軽な試し方をまとめました。

  • 6ステップ生成
  • ネイティブ音声
  • 最大12個の参照
  • オープンウェイト
写真を動画にする →
夕暮れのゴールデンアワーのビーチを赤いビキニで歩く成人女性を描いた、Pika H3 Flex風の動画フレーム

無修正の代替動画ジェネレーター

画像から動画

写真を最初のフレームとしてアップロードし、動き・カメラ・サウンドを書くだけで、ショート動画に変換できます。

アップロードした写真がクリップの最初のフレームになります。

得意な7つのシーン:広告、シットコム、ダンスほか

音が映像と同じパスで生成されるため、クリップは声も足音も音楽も入った、そのまま投稿できる状態で仕上がります。これでPika H3 Flexを使える人の幅がぐっと広がりました。ショップのオーナーも、ショートドラマの脚本家も、ダンス系クリエイターも、編集者や効果音ライブラリなしでアイデアから完成クリップまでたどり着けます。Pika自身のショーケースとコミュニティで繰り返し登場するのが、次のシーンです。

ネットショップ向けの製品広告

製品写真をRef2VAに入れると、形も色もそのままに、リムライトの中をカメラが回り込みます。ウーッシュ音と重低音のヒットも狙ったタイミングで入るので、ヘッドホンや香水のスポット映像が商品ページやSNS広告にそのまま使えます。

ショートドラマとシットコムのギャグ

1つのプロンプトで、引きの画、リアクションのアップ、オチまでを15秒に収め、セリフと観客の笑い声まで付けられます。Pikaのショーケースでは犬が誕生日ケーキを盗むネタが使われており、コント作家は同じ型で毎日のエピソードを作っています。

ビートに合わせたタイトルと音楽プロモ

参照トラックを加えると、文字やロゴ、図形がビートごとにピタッとはまります。スイス・スタイルのキネティックな「MOVE」が定番のデモで、楽曲のティザー、イベントのオープニング、チャンネルのイントロにもよく合います。

実速度のスポーツとアクション

35mmフィルム風の卓球ラリーが、スローモーションなしの実速度で再生され、球が台に当たる音もぴったり合います。フィットネス系アカウント、用品ブランド、ハイライト風リールに向いています。

ダンスカバーと振り付け

参照動画の振り付けを、ポップアート調のレコード店のような新しい場所にいる別のダンサーへ引き継ぎ、音楽のリズムもそのまま保ちます。流行のダンスを衣装や舞台を変えて撮り直すのに使われています。

絵コンテ、トランジション、グループショット

FL2VAに最初と最後のフレームを渡すと、その間の動きを埋めてくれるので、シーンの事前確認や2つのカットのつなぎに便利です。バルコニーでストレッチする大人3人の周りを回るような、複数人を囲むカメラワークも破綻しにくくなっています。

成人向け(18歳以上)ファッション・水着リール

架空の成人モデルによるビキニのビーチウォーク、ランジェリーのルックブック、プールパーティーのダンスなど。衣装は参照画像で固定するので、どのカットでも同じ見た目を保てます。

シーン用意するもの仕上がり
製品広告製品写真+短い指示文効果音と音楽付きの回り込みショット
シットコムのギャグ時間区切り付きのテキスト台本セリフと笑い声入りのマルチカット
ビート同期タイトルテキスト+参照音声ビートごとに決まるモーショングラフィックス
ダンスカバーキャラクター画像+参照動画新しいダンサーが同じ振り付けをリズムどおりに
シーンのつなぎ最初のフレーム+最後のフレーム2枚の間をなめらかにつなぐ動き
水着リール(18歳以上)衣装画像+舞台設定見た目が安定したランウェイ風ウォーク
ソファの大人2人が驚く中、犬が誕生日ケーキを盗むシットコム風のAI動画シーン

参照から動画へ:1つのプロンプトに12ファイル

Ref2VAは、ブランドやストーリーテラーにとってPika H3 Flexが本領を発揮する場面です。添付できるのは合計12ファイルまでで、内訳は画像最大9枚、動画クリップ3本、音声クリップ3本。画像か動画を最低1つ含める必要があります。音声・動画クリップはそれぞれ2〜15秒、プロンプト自体は最大8,000文字まで書けるので、短いシーンを一拍ずつ台本にすることもできます。

シンプルな手順がうまくいきます。画像1は主役の製品やキャラクター、画像2は衣装や舞台、音声クリップでリズムを決め、特定の動きが必要なら短い動画を加えます。プロンプトでは各ファイルを番号で指し、アクション、カメラ、サウンドを書きましょう。出力は24fpsのMP4で、32kHzステレオ音声付き。解像度は480pまたは768p、アスペクト比は21:9から9:21まで11種類です。

AI広告クリップ用に、リムライトの下で回転するワイヤレスヘッドホンを捉えたスタジオ製品動画のフレーム

今日からコピーして使えるプロンプトテンプレート

Pikaのプロンプトガイドが推奨するのは明確な構成です。クリップを時間区間に分け、カメラの動きを指定し、一貫させるべき要素を示し、フィルムの質感を描写したうえで、セリフ・効果音・音楽を別々に列挙します。Pika H3 Flexでは、5〜15秒の範囲で整数の秒数を選び、各時間区間には主なアイデアを1つだけにしましょう。

万能の基本構成

[0-3s] 自転車に乗った女性が陽の当たる広場に入ってくる。[3-8s] 彼女が止まって見上げるところへドリーイン。[8-12s] ゆっくり回り込んで街並みを見せる。一貫性:黄色のジャケットとショートヘアを維持。質感:35mmフィルム、自然光、粒子感。サウンド:自転車のチェーン音、遠くのざわめき。音楽:メロウなインディー、90 BPM。

マルチカメラのシットコム

マルチカメラのシットコム、明るいリビング。[0-4s] 引きの画:ゴールデンレトリバーが誕生日ケーキを狙っている。[4-9s] ソファに座る大人2人のリアクションをアップで。[9-12s] 犬がケーキを一切れくわえて走り去る。笑い声の効果音。セリフ:「今のでケーキ全部?」

参照付きの製品広告

画像1を製品として使い、形と色を正確に保つ。ヘッドホンの周りをゆっくり回り込む、スタジオのリムライト、暗いグラデーションの背景。サウンド:やわらかいウーッシュ音、2秒で重低音のヒット。音楽:ミニマルなエレクトロニック、100 BPM。

ビーチランウェイ(18歳以上)

画像1の赤いビキニを着た架空の成人モデルが、ゴールデンアワーのビーチを歩く。横からのトラッキングショット、6秒で振り向いて微笑む。サウンド:波と風。音楽:アップビートなハウス。

  • タイミングは角かっこで囲み、ビートごとに独自のアクションを割り当てましょう。
  • サウンドと音楽は別の行に書きましょう。モデルはその違いを聞き分けます。
  • キネティックタイポグラフィには参照音声クリップを加え、どの文字がどのビートに乗るかを指定しましょう。

50ステップから6ステップへ:話題を集める理由

多くのオープン動画モデルは、クリップのノイズ除去を40〜50回繰り返すため待ち時間が長くなります。Pikaは、映像と音声を1回のパスで生成できる330億パラメータのモデルMiniMax H3を出発点に、独自のファインチューニング、PDMDと呼ぶ蒸留手法、そして選好学習を加えました。教師モデルは50ステップ必要ですが、Pika H3 Flexは6ステップで済みます。Pikaは2026年10月29日、Pika H3 Flexを元のH3の重みに重ねて使う2つのLoRAアダプターとして公開しました。

その効果は体感できるスピードです。B300 GPU 8基のサーバーで行ったPika自身のテストでは、音声付き5秒・768pのクリップが3.4秒から約2.1秒に短縮され、同社によればFal上でホストされるH3 Maxより平均で約1.8倍高速とのこと。独立したベンチマークではなくベンダー発表の数値ですが、Pika H3 Flexが注目される理由はよくわかります。下書きが速ければ一晩で試せるアイデアが増え、しかも誰もが知るブランドから本格的なオープンソース動画モデルが登場したのです。

FL2VA、Ref2VA、コミュニティ製Hybrid:アダプターの選び方

Pika H3 Flexは、実は2つのツールです。FL2VAはテキストから動画、画像から動画、最初と最後のフレームを指定したクリップを担当し、絵コンテやトランジション、2つのキーフレームの間を埋める用途に最適です。Ref2VAは参照素材一式を読み込むので、顔や製品、ダンスの振り付けがショットをまたいでも同じまま保たれます。3つ目の選択肢はコミュニティから生まれました。hyukudanのHybrid b30-49は、ブロック0〜29をFL2VAから、ブロック30〜49をRef2VAから取り込んだもので、再学習なしの単純なテンソルコピーです。

FL2VARef2VAHybrid b30-49
入力テキスト、最初のフレーム、最後のフレームテキスト+最大9枚の画像、3本の動画、3本の音声クリップRef2VAと同じ参照入力
向いている用途絵コンテ、トランジション、静止画のアニメーション化繰り返し登場するキャラクター、製品、ダンスや音楽の参照アーティファクトの少ないマルチ参照クリップ
開発元Pika LabsPika Labsコミュニティ(hyukudan)、実験的
注意点キャラクター参照シートは使えない画像または動画が最低1つ必要対応するb30-49ハイブリッドベースとしか組み合わせられない

Hybridの作者によれば、ターボ系の選択肢より速いわけではなく、狙いはRef2VAの記憶力を保ちながら画質をきれいにすることです。強度1.0、lcmサンプラー、CFG 1.0、作者による手動のシグマリストで実行し、ターボやLightningのLoRAを重ねないでください。

Pika H3 Flex vs MiniMax H3:何が良くなったか

元になったH3と比べて一番の目玉はスピードです。50ステップが6ステップになり、さらにPikaのテストでは別途1.6倍の推論最適化も実現しています。ホスト版では、APIが最大4Kまでの高解像度に対応し、セリフ、音楽、効果音、フォーリー、環境音という編集可能な5つの音声トラックを出力できるため、編集者にとってミックスがぐっと楽になります。

Pikaは弱点についても率直です。物理表現、複数シーンのストーリーテリング、ライティングや質感は、まだ一部の競合モデルに及びません。そのためPika H3 Flexが最も輝くのは、インパクトのある単一シーンのクリップ、広告、ダンス、コメディのワンシーンで、複雑な光を伴う長尺のシネマティックな連続シーンにはあまり向いていません。

ダウンロードして自宅で動かす:ComfyUI、VRAM、4K

Pika H3 Flexの重みはHugging FaceのPika-Labs/Pika-H3-Flexで公開されており、コードはGitHubにあります。DiffusersユーザーはMiniMax H3にload_lora_weightsを1回呼ぶだけで読み込め、コマンドラインツールの名前はpika-h3-proです。ComfyUIはテキストから動画、FL2VA、参照から動画の公式ワークフローテンプレートを提供しているので、アダプターをlorasフォルダーに入れてテンプレートを選ぶだけ。Draw Things、Colab、Kaggleのノートブックも手軽な選択肢です。

Pikaによれば、Pika H3 FlexはGPU 1枚で動作し、CPUオフロードも選べます。480pと768pのサンプルは80 GBのH100でテストされました。最小VRAMは示されていないため、一般向けGPUのユーザーはコミュニティの量子化版を使い、自分で結果を確かめるのが一般的です。目安として、Hybridの作者は96 GBのカードで15秒・1184×672のクリップに1ステップあたり約28秒かかったと報告しています。

ローカルではまだ4Kが使えません。ローカル出力の上限は768pで、1080p、2K、4KはPikaのホストAPIのみ。4Kは別の1Bアップスケーラーによるものです。Pikaはこのアップスケーラーをオープンソース化するとしていますが、時期は発表されていません。

Turbo LoRA、NVFP4、int8:コミュニティ版

公開から数日で、Pika H3 Flexのリミックスが始まりました。調査時点でHugging Faceのページには483件のいいね、過去1か月で986回のダウンロード、これをベースにした19のSpacesがあり、さらにいくつかのアダプター、ファインチューン、量子化版も登場しています。

  • Turbo LoRA(akhaliq/Pika-H3-Flex-Turbo-LoRA):2・4・8ステップ用の7ファイル。フル版で約3.9 GB、rank-32版なら約0.3 GB。ComfyUI WikiによればH3のint8版やGGUF版でも動作します。
  • FastVideoによるNVFP4版。FP4アテンションのバリアントも含み、Blackwell GPU向けです。
  • int8:Hybrid b30-49はint8のハイブリッドベースモデルと組み合わせて使い、小さめのカードで人気のルートです。
  • GGUF:アダプター専用のGGUF版は見つかりませんでした。代わりにTurbo LoRAがH3ベースのGGUF版を対象としています。
  • Thelocallabによる既製のComfyUIワークフローと、Comfy-Orgが再ホストしたファイル。

無修正 Pika H3 Flex:ローカルの自由が意味するもの

現時点で、Pika H3 Flexの無修正版やNSFW版は公式にもコミュニティにも存在せず、PikaのホストAPIはプラットフォームのコンテンツポリシーに従っています。オープンウェイトが変えるのは、クリップを作る場所です。自分のマシン上なら、あなたと出力の間にクラウドのフィルターは入りません。だからこそ成人向けクリエイターは、オープンなH3モデルやスタイルLoRAをローカルで動かしているのです。大きなGPUがなくても、こちらの画像から動画ツールなら、写真1枚から成人向け(18歳以上)シーンの、同様にフィルターのない動きを生み出せます。

成人の写真を、ブラウザでショート動画クリップに。

画像から動画を開く

Pika H3 Flexのセルフホスト vs Spicy AIでのオンライン生成

Pika H3 Flexを自分で動かせば完全にコントロールでき、オフラインでも使えますが、高性能なGPU、モデルのダウンロード、そしてComfyUIの多少のいじりが必要です。オンライン生成ならそのすべてが不要。写真をアップロードし、動きとサウンドを書けば、ブラウザでショートクリップが返ってきます。

ローカル導入(公式の重み)Spicy AI オンライン
コンテンツフィルターローカルでは追加なし成人向け(18歳以上)シーンにもコンテンツフィルターなし
オープンウェイトあり不要 — ブラウザで動作
モデルMiniMax H3上のPika H3 Flexアダプター同様の無修正動画モデルをオンラインでホスト
オンラインの画像から動画ジェネレーターを試す →

よくある質問

Pika H3 Flexとは何ですか?

Pika Labsが2026年10月29日にMiniMax H3モデル向けに公開した、FL2VAとRef2VAという2つのオープンなLoRAアダプターです。音声付きの5〜15秒の動画を6ステップで生成します。

どんな用途にいちばん向いていますか?

Pika H3 Flexが最も力を発揮するのは、最初から音が必要な1シーンの短いクリップです。製品広告、シットコムのギャグ、ビートに合わせたタイトル、ダンスカバー、スポーツの一場面、成人向け(18歳以上)のファッションリールなどが好例です。複数シーンにまたがる長編は得意ではありません。

どこでダウンロードできますか?

アダプターはHugging FaceのPika-Labs/Pika-H3-Flexで公開されており、コードとドキュメントはGitHubにあります。オープンなベースモデルMiniMax H3の上に読み込んで使います。

必要なVRAMはどれくらいですか?

Pikaは、Pika H3 FlexがGPU 1枚で動作し、80 GBのH100でテストされ、CPUオフロードも使えるとしか述べていません。最小要件は示されていないため、一般向けGPUではコミュニティのint8、NVFP4、Turbo LoRAの構成が頼りになります。

ローカルで4K動画を作れますか?

いいえ。ローカル出力は480pまたは768pです。1080p〜4KはAPIのみで、4Kアップスケーラーは時期未定でオープンソース化が予告されています。

FL2VA、Ref2VA、Hybridのどれを選べばいいですか?

テキスト・画像・最初と最後のフレームのクリップにはFL2VA、参照素材にはRef2VAを使い、アーティファクトを抑えつつ参照を使いたいときは実験的なHybrid b30-49を試してください。

Turbo LoRAをHybridに重ねられますか?

Hybridの作者は、ターボやLightningのLoRAを重ねないよう勧めています。Turbo LoRAは2・4・8ステップの別ルートです。

1つのクリップでいくつの参照を使えますか?

Pika H3 FlexのRef2VAでは最大12ファイル。画像は最大9枚、動画3本、音声クリップ3本で、画像か動画を最低1つ含める必要があります。

出典

すべての無修正AIモデル →

PikaおよびMiniMaxは各所有者の商標です。コミュニティ版は第三者による制作物です。すべてのコンテンツは成人(18歳以上)を描写したものでなければなりません。

Sign in

Welcome to Spicy AI

or