Pika H3 Flex : un modèle vidéo à poids ouverts qui génère l'image et le son en six étapes

IA · par Insight Nexus · publié le 1 novembre 2026

Basé sur MiniMax H3, il produit des clips de 5 à 15 secondes avec son stéréo, et jusqu'en 4K via l'API de Pika.

Un modèle vidéo et audio en accès ouvert

Pika a lancé le 29 octobre 2026 Pika H3 Flex, une famille de modèles capables de générer de la vidéo avec un son synchronisé. Ses poids sont disponibles sur Hugging Face et son code sur GitHub. Le modèle n'est pas parti de zéro : l'équipe de Pika a retravaillé le modèle MiniMax H3, avec un entraînement complémentaire sur des vidéos choisies pour leur qualité esthétique.

Pika affirme que H3 Flex est le meilleur modèle open source de génération vidéo à partir de texte, et qu'il fonctionne en temps réel, c'est-à-dire qu'il génère un clip plus vite que sa durée. Ce sont les résultats de la société, pas encore vérifiés par des tests indépendants.

Pika H3 Flex : une partie de ping-pong dans une piscine vide, avec une joueuse au masque de grenouille, image d'une vidéo de démonstration

Six étapes au lieu de cinquante

Le modèle de base MiniMax H3 a besoin de 50 étapes de calcul pour produire une vidéo. Pika a réduit ce nombre à six grâce à une technique de distillation, puis a ajouté des réglages pour améliorer l'esthétique, la netteté, le réalisme et le respect des consignes. Selon Pika, un clip de 5 secondes en 768p, son compris, est généré en un peu plus de 2 secondes sur une machine à huit puces Nvidia B300.

Ce qu'il sait faire

En local, H3 Flex génère des vidéos de 5 à 15 secondes en 480p ou 768p, à 24 images par seconde, avec un son stéréo intégré, dans 11 formats d'image, du 21:9 au 9:16. Il accepte du texte, une image de début ou de fin, et jusqu'à 12 références : 9 images, 3 vidéos et 3 extraits audio. Pika le montre aussi en édition : remplacer un décor ou un objet, échanger un personnage, ou reprendre les mouvements d'une vidéo.

Pika H3 Flex : un monde de jeu vidéo en laine tricotée avec un héros bleu et une chenille, image d'une démonstration à partir de références

Le son, point fort mis en avant

Via l'API payante de Pika, le modèle passe en 1080p, 2K ou 4K et fournit cinq pistes audio séparées et modifiables : dialogues, musique, effets sonores, bruitages et ambiance. Pika présente ce découpage comme une première pour un modèle vidéo. Les prix démarrent à 0,01 dollar par seconde de vidéo générée, et à 0,03 dollar par seconde avec des références.

Pika H3 Flex : une scène façon sitcom des années 90 avec une femme en rouge, un chien et un gâteau, image d'une démonstration

Dans ses tests auprès d'humains, Pika dit arriver en tête sur l'anatomie, les compositions complexes et la synchronisation du son. La société reconnaît en revanche que d'autres modèles restent préférés sur la physique, les récits en plusieurs scènes et l'éclairage.

Licence et matériel

Le terme « open source » est à nuancer : les poids sont distribués sous la licence communautaire de MiniMax H3, et seul le code d'exemple est sous licence Apache 2.0. Le modèle compte 33 milliards de paramètres et ses composants de base pèsent environ 210 Go. Pika l'a testé sur une carte Nvidia H100 de 80 Go, avec un déchargement vers la mémoire de l'ordinateur pour les plus grosses vidéos. Il est aussi utilisable dans ComfyUI et Diffusers, et Pika promet de publier en open source son outil d'agrandissement jusqu'en 4K.

Sources

Blog de Pika (29 octobre 2026), fiche du modèle Pika-H3-Flex sur Hugging Face, documentation ComfyUI. Images : Pika.