Pika H3 Flex公開｜オープン重みと最大12参照に対応

Pikaが、新しい動画生成モデル「Pika H3 Flex」を公開した。発表は2026年10月29日、Pikaの開発チーム（公式ページ）による。

Pika H3 Flexは、動画生成モデル「MiniMax H3」を追加学習（ポストトレーニング）したモデルだ。15秒の動画を音声付きで生成でき、参照素材を最大12件まで組み合わせられる。仕上げの解像度は最大4Kまで対応し、モデルの重み（オープンウェイト）も公開された（公式ページ）。

Pikaは「最初の生成は出発点にすぎない。創作はそこから始まる」とし、作り直しや微調整を重ねる制作者のために、速さと操作性を高めたとしている（公式ページ）。

3行でまとめると

• 生成が速い：15秒・768pの動画を音声付きで生成する際、変換計算にかかる時間は最短7秒。ただしこれは計算部分のみの時間で、参照素材の処理や高解像度仕上げなどを含めた全体の待ち時間ではない（公式ページ）。
• 参照素材を12件まで使える：画像・動画・音声を組み合わせて、ひとつの生成に反映できる（公式ページ）。
• 重みを公開：Hugging FaceとGitHubでモデルの重みと推論コードが公開され、自分のハードウェアで動かしたり改造したりできる（公式ページ）。

何が起きたのか

Pikaは2026年10月29日、公式ブログでPika H3 Flexを発表した。MiniMax H3を追加学習し、生成のステップ数を50ステップから6ステップに減らしたうえで、画質と操作性を保つ調整を加えたという（公式ページ）。

（公式ページ）

変わったこと

生成のステップ数が8分の1に

元のMiniMax H3は50ステップで生成していたが、Flexは6ステップで生成する。ステップ数を減らした分、生成にかかる時間も短くなる（公式ページ）。

15秒・音声付きクリップが最短7秒

公式ページによると、768pで15秒の動画を音声付きで生成する場合、変換計算にかかる時間は管理された検証環境で最短7秒だったという。これはAPI全体の応答時間ではなく、参照素材の有無や高解像度仕上げ、音声ステムの分離、使用するハードウェアやサーバーの状況によって、実際にかかる時間は変わるとしている（公式ページ）。

参照素材は最大12件、画像・動画・音声を混在可能

スケッチ、キャラクター設定、商品写真、ムードボード、音声サンプル、動きを示す動画など、最大12件の参照ファイルを組み合わせて1回の生成に反映できる。どの参照が何を担うかを指示でき、キャラクターは1枚の画像から、世界観は別の画像から、動きは動画から、といった使い方ができる。生成済みの一部分だけを参照して、服装や背景など特定の要素を変更する「参照ガイド編集」にも対応する（公式ページ）。

音声は5つのステムに分けて書き出せる

Flexは動画とステレオ音声を同時に生成する。Pika APIを使うと、台詞（Dialogue）、音楽（Score）、効果音（SFX）、足音などの擬音（Foley）、環境音（Ambience）の5つの音声ステムを別々に書き出せる。音楽だけ下げる、効果音だけ調整するといった編集が、生成後の素材に対してできる（公式ページ）。

解像度は480p・768pで生成、4Kまで仕上げ

Flexがネイティブに生成する解像度は480pか768p。生成した動画は、Pikaのアップスケール機能で1080p・2K・4Kまで仕上げられる。公式ページは、まず768pで方向性を探り、気に入ったものだけ高解像度に仕上げる使い方を勧めている（公式ページ）。

（公式ページ）

オープン重みで公開される範囲

公開される重みと推論コードは、テキストから動画を作る生成、先頭・末尾フレームを指定した生成、複数の参照素材から動画を作る生成（いずれも480p・768pで音声同期つき）に対応する。一方、1080p・2K・4Kへのアップスケール、音声ステムの分離、プロンプトの自動調整、高速化されたサーバー環境は、Pikaがホストする機能としてのみ提供される。自分の環境で動かす場合の速度は、使うハードウェアや設定によって変わるとしている（公式ページ）。重みはHugging Faceで、コードと手順はGitHubで公開されている（公式ページ）。

評価サイトでの順位

公式ページは、執筆時点でFlexが「DesignArena」の、文章から動画を作る性能を比較するランキングで、オープン重みモデルの中で1位、全体では7位だったとしている。ただしこの順位は発表時点のものであり、以後変わる可能性があるとしている（公式ページ）。

小さな会社・Web制作者にはどう効くか

一番効くのは、参照素材を12件まで使えるという点だ。商品写真や既存のロゴ、手描きのスケッチ、参考にしたい動きの動画などをそのまま組み合わせて指示できるので、言葉で説明しにくいイメージを形にしやすくなる。広告動画や商品紹介動画の試作を、ゼロから説明し直さずに作れる場面が増えそうだ。

音声を5つのステムに分けて書き出せる点も、動画編集の負担を減らす。生成した動画をそのまま使うのではなく、音楽だけ入れ替えたり、台詞の音量だけ調整したりする細かい編集が、生成後の素材に対してできるようになる。

一方で注意したいのは「最短7秒」という速さの数字だ。これは変換計算だけの時間であり、参照素材の処理や高解像度仕上げ、音声分離を含めた実際の作業時間ではない。小さな会社がFlexを使う場合、現実的なのはPika APIやPikaの制作ツールを通じて使う方法で、公開された重みを自社のサーバーで動かす選択は、専用のハードウェアや運用体制が必要になるため、多くの個人事業主や小さな制作会社にはハードルが高い。重みの公開は、開発者や研究者がツールを作る土台として理解しておけばよく、今すぐ自社で重みを動かす準備をする必要はない。

今やることは、Pika APIクラブやPikaの制作ツール（11月2日に追加予定）で実際にFlexを試し、参照素材の組み合わせ方や音声ステムの使い勝手を確認すること。重みを自前で運用する検討は、具体的に自社サーバーで動かす必要が出てきた段階で十分だ。

確かめたこと

2026年10月30日に公式ページを読んで確かめた。ステップ数（50→6）、参照素材の上限（12件）、音声ステムの種類（5種）、生成時の解像度（480p・768p）と仕上げの解像度（1080p・2K・4K）、オープン重みの公開範囲、DesignArenaでの順位、そして「最短7秒」が変換計算のみの時間であるという注記は、いずれも公式ページの本文に記載されている内容だ。

まとめ

Pikaは2026年10月29日、MiniMax H3を追加学習したPika H3 Flexを発表した。生成のステップ数を減らして速度を高め、最大12件の参照素材と5種類の音声ステムで編集の自由度を広げ、モデルの重みも公開した。小さな会社や個人事業主にとっては、重みを自前で動かすことよりも、PikaのAPIや制作ツールで試作の速さと参照素材の使いやすさを確認することが先だ。

出典

• Introducing Pika H3 Flex — Pika Blog