15 secondes de vidéo en 7 secondes de calcul : Pika H3 Flex accélère la création IA

Pika H3 Flex promet une génération vidéo plus rapide, des références multiples, une sortie jusqu’en 4K et des pistes audio séparées, avec des poids ouverts.

Produire une vidéo de 15 secondes avec son synchronisé en seulement sept secondes de calcul : la performance revendiquée par Pika illustre les progrès réalisés dans l'accélération des modèles de génération vidéo. Avec H3 Flex, l'entreprise présente une nouvelle version dérivée du modèle H3 de MiniMax, spécialisée dans les itérations rapides et les ajustements créatifs. Elle associe génération plus rapide que le temps réel dans certaines configurations, utilisation de références multiples, édition ciblée et séparation des éléments sonores. Une partie de cette technologie est également distribuée avec des poids ouverts, permettant aux développeurs de l'exécuter sur leurs propres infrastructures.

Lancé le 29 octobre 2026, H3 Flex arrive directement à la septième place du classement général de DesignArena en génération vidéo à partir de texte, selon les résultats présentés par Pika. Il occupe également la première position parmi les modèles à poids ouverts de ce classement, devant MiniMax H3, H3Max et Seedance 2.5. Six étapes au lieu de cinquante pour produire une vidéo

L'amélioration la plus importante se situe dans le processus de génération. Plutôt que de développer un nouveau modèle entièrement indépendant, les équipes de Pika ont effectué un entraînement complémentaire sur MiniMax H3 pour réduire le nombre d'étapes nécessaires à la synthèse vidéo.

Dans son article technique consacré à H3 Flex, l'entreprise explique être passée de 50 étapes à seulement six, en associant des méthodes de spécialisation du modèle et d'optimisation fondées sur des récompenses. Le résultat vise à conserver une qualité visuelle suffisante tout en réduisant considérablement la quantité de calcul mobilisée.

Selon Pika, H3 Flex fonctionne en moyenne 1,8 fois plus rapidement que H3Max sur des configurations comparables de génération texte-vers-vidéo, image-vers-vidéo et vidéo guidée par références. L'entreprise annonce également une réduction des coûts pouvant atteindre 80 %, selon les modes utilisés.

La démonstration la plus spectaculaire concerne une séquence de 15 secondes en 768p, accompagnée de son audio synchronisé, dont le calcul peut être effectué en sept secondes.

Une précision s'impose néanmoins : ce résultat correspond au temps de calcul du Transformer dans un environnement contrôlé, et non au délai total entre l'envoi d'une requête et la réception du fichier. Le traitement des références, les opérations de finition, la disponibilité des serveurs et les transferts peuvent augmenter le temps réellement attendu par l'utilisateur. Jusqu'à douze références pour orienter une création

Au-delà de la vitesse, H3 Flex cherche à répondre à une difficulté récurrente des outils vidéo génératifs : conserver le contrôle sur les éléments d'une scène au fil des modifications.

Le modèle accepte jusqu'à douze fichiers de référence au cours d'une génération, combinant images, vidéos et extraits audio. Les développeurs peuvent notamment lui fournir une photographie de produit, une planche de personnages, une esquisse, une ambiance visuelle ou une séquence de mouvement.

Le système permet ensuite de préciser, par instruction textuelle, le rôle de chaque référence dans le résultat final. Il peut s'agir de conserver l'apparence d'un personnage, de reprendre un mouvement de caméra ou de modifier l'environnement sans remplacer l'ensemble de la séquence.

Le mode d'édition guidée par références prend également en charge des interventions ciblées sur des vidéos existantes. Pika évoque notamment le remplacement d'une tenue, d'un accessoire, d'un personnage ou d'un décor, tout en cherchant à préserver le mouvement et le rythme de la prise d'origine.

Ces fonctionnalités visent à réduire le nombre de générations nécessaires pour atteindre un résultat satisfaisant. Elles permettent surtout de passer d'un processus où chaque nouvelle instruction risque de reconstruire toute la scène à une logique d'ajustements successifs autour d'une première proposition. La séparation audio devient un outil de postproduction

L'une des nouveautés les plus intéressantes pour les professionnels concerne la bande-son. H3 Flex peut générer des vidéos accompagnées d'un audio synchronisé, mais Pika propose également d'exporter jusqu'à cinq pistes audio distinctes.

Ces pistes correspondent aux dialogues, à la musique, aux effets sonores, au bruitage et à l'ambiance. Elles sont fournies au format WAV afin de pouvoir être reprises dans un logiciel de montage ou de mixage.

Cette séparation permet, par exemple, de réduire la musique sans modifier le volume d'une conversation, de remplacer un effet sonore ou de retravailler une ambiance indépendamment du reste de la composition.

Jusqu'ici, les vidéos générées avec leur bande-son native étaient souvent livrées avec un mixage déjà assemblé, compliquant les interventions précises en postproduction. La possibilité d'accéder aux différentes composantes audio rapproche davantage le processus génératif des méthodes utilisées dans la production audiovisuelle traditionnelle.

Il faut cependant distinguer cette fonctionnalité de la version distribuée librement. La séparation des pistes audio reste un service proposé par l'infrastructure hébergée de Pika et n'est pas incluse dans les composants de génération publiés pour une exécution locale. Une véritable 4K de sortie, mais pas de génération native

H3 Flex propose des séquences de 5 à 15 secondes, à 24 images par seconde, dans plusieurs formats d'image allant du 21:9 au 9:21.

Les résolutions natives du modèle sont limitées à 480p et 768p. Pour obtenir une sortie en 1080p, 2K ou 4K, Pika utilise un dispositif d'amélioration de résolution qui intervient après la génération initiale.

L'intérêt de cette organisation tient à la possibilité de travailler d'abord sur une version légère, puis de finaliser uniquement la proposition retenue. Le système conserve la séquence et son audio lors du passage à une résolution supérieure, évitant de relancer une nouvelle génération complète.

Pika propose même un