پرش به محتوای اصلی
ابزارهای هوش مصنوعی

Pika H3 Flex؛ مدل ویدیوی باز پیکا که صدا را هم می‌سازد

Pika H3 Flex، مدل ویدیوساز پیکا که ۲۹ اکتبر ۲۰۲۶ معرفی شد، ویدیو و صدای هماهنگ را در شش مرحله می‌سازد و وزن‌های بازش هم منتشر شده است. قابلیت‌ها، قیمت API، سخت‌افزار لازم برای اجرای محلی، شروط مجوز و محدودیت‌هایش را ساده توضیح داده‌ایم.

۸ دقیقه مطالعه
اشتراک‌گذاری:
تصویر رسمی پیکا برای معرفی Pika H3 Flex: مردی سالمند با هدبند آبی و دمبل در دست، با نوشتهٔ Pika H3 FLEX روی پس‌زمینهٔ سبز
تصویر رسمی پیکا برای معرفی Pika H3 Flex: مردی سالمند با هدبند آبی و دمبل در دست، با نوشتهٔ Pika H3 FLEX روی پس‌زمینهٔ سبز
فهرست مطالب

«پیکا اچ‌تری فلکس» (Pika H3 Flex) مدل تازهٔ ساخت ویدیوی شرکت آمریکایی پیکا (Pika) است که ویدیو و صدای هماهنگ با آن را با هم می‌سازد و وزن‌هایش هم به‌صورت باز منتشر شده است. پیکا این مدل را ۲۹ اکتبر ۲۰۲۶ (۷ آبان ۱۴۰۵) معرفی کرد. Flex نسخهٔ بازآموزی‌شدهٔ مدل MiniMax H3 از شرکت چینی مینی‌مکس است و به گفتهٔ پیکا هر ویدیو را به‌جای ۵۰ مرحله در ۶ مرحله می‌سازد. نتیجه برای سازندهٔ محتوا ساده است: آزمون‌وخطای سریع‌تر و ارزان‌تر، و برای کسی که سخت‌افزار قوی دارد، امکان اجرای مدل روی سیستم خودش.

Pika H3 Flex دقیقاً چیست؟

Flex مدل کاملاً جدیدی نیست. پیکا مدل پایهٔ MiniMax H3 را با داده‌های ویدیو، صدا و نمونه‌های مرجع دوباره آموزش داده و حاصل را به شکل دو «آداپتور LoRA» منتشر کرده است؛ یعنی فایل‌های نسبتاً کوچکی که روی مدل اصلی سوار می‌شوند و رفتارش را تغییر می‌دهند. یکی برای ساخت ویدیو از متن یا قاب اول و آخر است و دیگری برای ساخت از روی فایل‌های مرجع. هر دو همراه کد اجرا در هاگینگ‌فیس و گیت‌هاب در دسترس‌اند.

چه کارهایی از آن برمی‌آید؟

  • متن به ویدیو: فقط با توصیف نوشتاری، ویدیو و صدای همراهش ساخته می‌شود.

  • قاب اول یا آخر: یک تصویر را شروع یا پایان صحنه می‌گذارید و مدل مسیر بینشان را می‌سازد.

  • ساخت از روی مرجع: تا ۱۲ فایل در یک درخواست (حداکثر ۹ تصویر، ۳ ویدیو و ۳ صدا). مثلاً شخصیت از یک عکس، فضا از عکس دیگر و حرکت رقص از یک ویدیوی کوتاه.

  • ویرایش با مرجع: لباس، وسیله یا پس‌زمینهٔ یک ویدیو را عوض می‌کنید و حرکت و زمان‌بندی بازیگر حفظ می‌شود.

خروجی، ویدیوی ۵ تا ۱۵ ثانیه‌ای با ۲۴ فریم در ثانیه و صدای استریوست؛ از دیالوگ تا افکت و موسیقی. در یک پرامپت می‌شود چند نما با برش و دیالوگ تعریف کرد. وضوح اصلی ۴۸۰p یا ۷۶۸p است و سرویس پیکا می‌تواند نتیجه را تا 4K بزرگ کند.

پیکا لایه‌های صدا (Stem) را هم جدا تحویل می‌دهد تا بتوانید مثلاً موسیقی را کم کنید و گفت‌وگو دست نخورد. منابع خود پیکا اینجا یکی نیستند: پست معرفی از پنج لایه حرف می‌زند، اما صفحهٔ محصول در زمان بررسی ما سه لایه (دیالوگ، موسیقی و افکت) اعلام می‌کند و پنج‌لایه را «پیش‌تنظیم قبلی» می‌نامد.

«شش مرحله» یعنی چه؟

مدل‌های ویدیوساز انتشاری (Diffusion) از تصویری پر از نویز شروع می‌کنند و در چندین مرحله آن را تمیز می‌کنند. هر مرحله زمان و هزینه دارد. طبق مستندات ComfyUI، پیکا با «تقطیر» (Distillation)، یعنی آموزش مدل برای رسیدن به همان نتیجه با گام‌های کمتر، مراحل را از ۵۰ به ۶ رسانده است.

ادعاهای شرکت این‌هاست: ساخت ویدیوی ۱۵ ثانیه‌ای ۷۶۸p در حدود هفت ثانیه، سرعت تا ۱.۸ برابر و هزینهٔ تا ۸۰ درصد کمتر از مدل H3Max، و رتبهٔ هفتم کلی و اول میان مدل‌های باز در جدول متن به ویدیوی DesignArena در زمان انتشار. خود پیکا در پانویس توضیح داده که آن هفت ثانیه فقط زمان محاسبهٔ بخش اصلی مدل در آزمون کنترل‌شده است، نه زمان واقعی تحویل فایل.

یک آزمون مستقل جهت این ادعا را تأیید می‌کند. PixelAI Labs در ۳۱ اکتبر روی کارت RTX 5090 ویدیوی هشت‌ثانیه‌ای را با Flex در ۱ دقیقه و ۵۶ ثانیه ساخت؛ همان کار با مدل کامل H3 و ۲۰ مرحله ۵ دقیقه و ۲۷ ثانیه طول کشید. آزمونگر این سایت کیفیت تصویر Flex را هم‌سطح یا بهتر دانست، ولی صدای مدل کامل را تمیزتر. این تجربهٔ یک آزمونگر است، نه بنچمارک رسمی.

قیمت در API پیکا

هزینه بر اساس هر ثانیه ویدیوی خروجی است. این ارقام را ۱۱ آبان ۱۴۰۵ (۲ نوامبر ۲۰۲۶) از صفحهٔ رسمی مدل بررسی کرده‌ایم. قیمت ویژهٔ عرضه تا ۵ نوامبر (۱۴ آبان) برای اعضای Pika API Club برقرار است:

وضوح خروجی

متن یا تصویر به ویدیو، هر ثانیه (عادی / ویژه)

ساخت از روی مرجع، هر ثانیه (عادی / ویژه)

۴۸۰p

۰.۰۲ / ۰.۰۱ دلار

۰.۰۶ / ۰.۰۳ دلار

۷۶۸p

۰.۰۴ / ۰.۰۲ دلار

۰.۱۲ / ۰.۰۶ دلار

1080p

۰.۰۷ / ۰.۰۳۵ دلار

۰.۱۵ / ۰.۰۷۵ دلار

4K

۰.۱۶ / ۰.۰۸ دلار

۰.۲۰ / ۰.۱۰ دلار

یعنی یک ویدیوی ۱۵ ثانیه‌ای ۷۶۸p از روی متن با قیمت عادی حدود ۶۰ سنت و با قیمت ویژه حدود ۳۰ سنت تمام می‌شود. اگر ویدیو را مرجع بدهید، ثانیه‌های آن هم حساب می‌شود؛ تصویر و صدای مرجع رایگان است. پیکا گفته بود Flex از ۲ نوامبر به اپ ساخت ویدیوی خودش هم می‌آید، اما تا زمان بررسی ما قیمت و سهمیهٔ آن در اپ اعلام نشده بود.

اجرا روی سیستم شخصی چه سخت‌افزاری می‌خواهد؟

«وزن باز» یعنی فایل‌های آموزش‌دیدهٔ مدل را دانلود و روی سخت‌افزار خودتان اجرا می‌کنید. اما Flex برای کامپیوتر معمولی ساخته نشده است. طبق مستندات گیت‌هاب، بستهٔ رسمی روی کارت H100 با ۸۰ گیگابایت حافظه آزمایش شده و ویدیوی پنج‌ثانیه‌ای ۴۸۰p حدود ۶۶ تا ۶۹ گیگابایت حافظهٔ گرافیک گرفته است. ویدیوی ۱۵ ثانیه‌ای ۷۶۸p حتی روی H100 جا نشده و با انتقال بخشی از کار به رم، حدود ۹۴ گیگابایت رم مصرف کرده است. فایل‌های مدل پایه هم دست‌کم ۲۱۱ گیگابایت فضا می‌خواهند.

راه سبک‌تر ComfyUI است؛ محیطی گرافیکی که مراحل ساخت تصویر و ویدیو را در آن مثل قطعه‌های پازل به هم وصل می‌کنید. ComfyUI سه قالب آماده برای Flex با نسخه‌های فشرده‌تر مدل اضافه کرده و آزمون RTX 5090 بالا هم با همین روش انجام شده است. این قالب‌ها روی سرویس ابری Comfy Cloud هم اجرا می‌شوند.

نسخهٔ باز فقط ۴۸۰p و ۷۶۸p با صدای ترکیبی می‌سازد. بزرگ‌نمایی تا 4K، جدا کردن لایه‌های صدا و بهبود خودکار پرامپت فقط در سرویس پولی پیکاست.

مجوز: «باز» به معنای آزاد نیست

آداپتورها تحت «توافق‌نامهٔ مجوز جامعهٔ MiniMax H3» منتشر شده‌اند، نه مجوز متن‌باز رایج. مهم‌ترین شروطش:

  • محدودهٔ مجوز «کل جهان به‌جز اتحادیهٔ اروپا، بریتانیا، کرهٔ جنوبی و آمریکا» است؛ استفاده از وزن‌ها در این مناطق مجوز جداگانه از مینی‌مکس می‌خواهد.

  • کسب‌وکار با درآمد سالانهٔ بیش از ۲۰ میلیون دلار باید اجازهٔ کتبی بگیرد و محصول تجاری باید نام «MiniMax H3» را نشان دهد.

  • انتشار عمومی خروجی بدون اعلام ساخت آن با هوش مصنوعی، استفادهٔ نظامی و آموزش مدل‌های دیگر با خروجی‌ها ممنوع است.

ایران در فهرست مناطق مستثنا نیست، اما مجوز رعایت مقررات تجاری و تحریم را شرط کرده است. پیکا شرکتی آمریکایی است و API آن پرداخت بین‌المللی می‌خواهد. ما دسترسی به پیکا، هاگینگ‌فیس و Comfy Cloud را از داخل ایران آزمایش نکرده‌ایم. پشتیبانی از دیالوگ فارسی هم در مستندات ذکر نشده و همهٔ نمونه‌های رسمی انگلیسی‌اند.

محدودیت‌هایی که پیش از استفاده باید بدانید

طبق یادداشت‌های آزمون ComfyUI، حرکت دوربین و برش‌هایی که با ثانیه مشخص می‌کنید ممکن است ۰.۲ تا ۰.۳ ثانیه جابه‌جا یا حتی برعکس اجرا شوند. عبارت «نمای باز» اغلب نمای متوسط از آب درمی‌آید؛ بهتر است بنویسید سوژه در اتاقی بزرگ و خالی، کوچک دیده می‌شود. دستی که باید چند سانتی‌متر مانده به چیزی بایستد معمولاً به آن می‌خورد، ولی نوشته‌های کوتاه روی اجسام خوانا می‌مانند. تعداد مراحل را هم تغییر ندهید: Flex برای همان شش مرحله آموزش دیده و افزودن LoRA سرعت‌دهندهٔ دیگر خروجی را خراب می‌کند.

با ابزارهای دیگر چه فرقی دارد؟

مزیت اصلی Flex نسبت به سرویس‌های بسته‌ای مثل Kling 4.0 این است که با سخت‌افزار و مجوز مناسب، مدل را خودتان اجرا می‌کنید. ساخت هم‌زمان صدا و تصویر هم یعنی برای بسیاری از کلیپ‌ها لازم نیست افکت صوتی را جداگانه با ابزاری مثل SFX v3 الون‌لبز بسازید. به نظر ما، ارزش Flex بیشتر در سرعت آزمون‌وخطاست: چند نسخهٔ ارزان در ۷۶۸p، و فقط بهترینش برای خروجی 4K.

جمع‌بندی: برای چه کسی مناسب است؟

اگر تبلیغ کوتاه محصول، موشن‌گرافیک یا کلیپ داستانی می‌سازید و به API پیکا دسترسی دارید، Flex ارزان‌ترین راه برای امتحان چند ایده پیش از خروجی نهایی است. استودیو یا توسعه‌دهنده‌ای که کارت گرافیک قوی دارد، می‌تواند وزن‌های باز را در ابزارهای خودش به کار بگیرد، به شرط آنکه پیش از استفادهٔ تجاری متن مجوز را کامل بخواند. برای کاربر عادی بدون کارت گرافیک حرفه‌ای و پرداخت ارزی، Flex فعلاً بیشتر نشانهٔ پیشرفت مدل‌های ویدیویی باز است تا ابزار کار روزمره.

منابع

برچسب‌ها:هوش مصنوعیهوش مصنوعی مولد
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.