Pika、動画モデルH3 Flexを公開 料金は1秒1セントから

動画のAIで下書きを何本も作ると、1本ごとの費用と待ち時間がすぐにかさみます。

動画の生成AIを手がける米国のPikaは10月29日（米国時間）、新しいモデル「Pika H3 Flex」を公開しました。MiniMaxが重みを公開する動画モデル「MiniMax H3」に、Pikaが追加で学習を重ねたモデルです。せりふや効果音を含むステレオの音を、映像と一緒に作ります。長さは最長15秒。768pまでで作った映像を、Pikaのサーバーで4Kまで引き伸ばせます。¹

入力には文章のほか、絵コンテ、キャラクターの設定画、商品の写真、動きの見本の動画、声の見本を使えます。1回に12点まで組み合わせられます。演技や間を保ったまま衣装や持ち物、場所を差し替える。見本の動画から動きを写す。カットを割った複数のショットを作る。こうした使い方を挙げました。

速く、安く

違うのは、作る手順の回数です。もとのモデルは50回かけて少しずつ絵を整えますが、Flexは6回で済むように学習させました。8枚のGPUで5秒の動画を作る時間は、3.409秒から2.129秒に縮みました。fal.aiで動くH3 Maxと比べても、平均で約1.8倍速いといいます。²

質も落としていません。人が動画を見比べるDesignArenaの順位では、重みを公開したモデルで1位、全体で7位でした。人の体の描き方、込み入った構図、音と映像の合い方では、ほかのモデルより好まれました。そのかわり、物の動きの自然さ、場面をまたぐ話のつながり、光や質感、激しい動きでは、ほかのモデルが選ばれています。Pika自身も、物理や場面のつながり、細かい見本の指定を、これからの課題に挙げました。³

手元で動かすなら（編集部の見方）

いま使えるのは開発者向けのAPIで、11月2日からはPikaの制作画面にも入ります。Hugging Faceには、もとのモデルに重ねる差分の重み（LoRA）と、動かすためのコードを置きました。もとのMiniMax H3の部品だけで約210GBになります。それでも480pと768pなら、80GBのメモリーを積んだNVIDIAのH100の1枚で動いたそうです。ただ、4Kまでの引き伸ばしや、音をせりふと音楽、効果音などに分ける機能は、PikaのAPIでしか使えません。

使う条件も、わりと大事な点です。差分の重みはMiniMax H3のコミュニティーライセンスで配っているので、商用の条件はその本文で確かめる必要があります。日本語のプロンプトの扱いと、制作画面での料金は、まだ書かれていません。だから、仕事で使う前に、条件と日本語での出来を小さく試しておきたいところです。安い下書きを数多く作ってから選ぶ使い方なら、1秒1セントという値段が効いてくるかもしれません。

YOBITSUGI AIでは、動画にGoogleのGemini Omni FlashやRunway、Kling、Luma AIのモデルを使えます。Pika H3 Flexは、現時点の対応モデルには含まれていません。