Pika H3 Flex 是 Pika 的后训练 H3 模型,面向专业迭代流程:六步采样、一次生成同步立体声音频(对话、环境音、音乐),并通过参考素材和提示词进行镜头指导。工具 pika_video 调用托管的 Pika API;开放权重也发布在 Hugging Face 上供本地 ComfyUI 使用,这是一条独立且未经验证的路径。
使用方式与凭证 调用工具为 pika_video,模型参数为 "pika-h3-flex"。凭证为 PIKA_API_KEY,可从 https://dev.pika.art 的 API Keys 获取。API、计费和密钥问题可联系 support@pika.art。
计费与价格 按输出秒数预付费,计入用户自己的 Pika 组织账户;失败任务不计费。若任务由 Pika 促销额度覆盖,则结算为 $0,并报告 data.free_generation。价格:480p 为 $0.01/s,768p 为 $0.02/s,1080p 为 $0.035/s,2k 为 $0.04/s,4k 为 $0.08/s。参考生视频:480p 为 $0.03/s,768p 为 $0.06/s,1080p 为 $0.075/s,2k 为 $0.08/s,4k 为 $0.10/s,另加同费率的参考视频输入秒数。cost_usd 为任务记录中的结算费用;data.cost_status 可能为 settled、pending 或 unavailable,仅 settled 为最终结果。OpenMontage 默认预算策略会在任何单次超过 $0.50 的操作前询问用户,并在首次使用新付费工具时询问。768p 15 秒片段为 $0.30,不会触发询问;任何 7 秒及以上的 4k 片段都会触发询问。设置 dry_run: true 可验证请求,并通过 Pika 的免费报价端点获取精确报价,而不上传或生成。对于带视频参考的参考生视频,传入 reference_video_seconds,使预检估算包含输入视频费用。
支持的操作
- text_to_video:仅需 prompt,在未提供其他输入时作为默认操作。
- image_to_video:prompt 加 image_url 或 image_path(首帧),或 last_frame_image_url / last_frame_image_path;单独提供任一帧均有效。reference_image_url / reference_image_path 可作为首帧别名。
- first_last_frame_to_video:prompt 加首尾两帧,需描述两帧之间的运动。
- reference_to_video:prompt 加 references,references 采用 Pika 原生有序结构,或使用 reference_image_urls / reference_video_urls / reference_audio_urls 及对应的 *_paths 形式;本地文件会先上传至 Pika。 省略 operation 时,工具会根据输入推断操作。若在 operation: "text_to_video" 时提供帧,会报错,而不是静默降级。
参考素材规则 最多 9 张图片、3 个视频和 3 个独立音频片段,合计 12 个文件。至少需要一个图片或视频;仅音频会被本地拒绝。每个视频或音频片段须为 2 至 15 秒;合并后的视频总时长和合并后的独立音频总时长各自不得超过 15 秒。视频自带的音轨随该视频保留,不计为独立音频参考。顺序很重要:按类型列表发送时,依次为图片、视频、音频。若需要不同顺序,请使用 references。
共享参数 duration:整数秒,3 至 15,默认 5。输出会向上取整到模型帧网格(24 fps 下 5 秒请求为 124 帧),因此片段会略长。请按交付长度规划剪辑,而非请求长度。resolution:原生 480p 或 768p;1080p、2k、4k 以 768p 生成后单次放大,保留音频和帧率。建议先以 480p 草稿,再以交付分辨率重跑已批准的版本。aspect_ratio:auto、21:9、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、9:21;省略时,改写模式下为 auto,否则为首关键帧比例或 16:9。关键帧会缩放并居中裁剪。seed:整数;相同种子和相同请求可高度复现,但并非完全一致。rewrite:默认 true,Pika 会在生成前改进提示词;如需精确控制提示词、跨种子 A/B 测试,或提示词已符合下述结构,可关闭;prompt_optimizer 可作为别名。音频始终生成;generate_audio: false 会被拒绝;如需无声片段,可在后期用 video_compose 去除音频。
提示词写法 将提示词写成镜头列表,而不是图注。模型能很好地遵循显式结构:场景(一句话描述环境、时间、光照、镜头或风格);主体(谁或什么,以及必须保持的一两个细节);动作与镜头(按顺序发生什么,并命名镜头运动,如缓慢推近、环绕、手持跟拍、甩镜、硬切至);音频(引号内注明说话者的对话,然后说明环境音和音乐意图;说话者在画面中时对话会唇形同步);屏幕文字(用于动态图形时,精确文字、位置及出现时机)。多镜头故事可写在一个提示词中:用 "Cut to:" 分隔镜头,并重复锁定项以保持各镜头主体和光照一致。参考指导时,说明每个参考的用途("first image: the product; video: the dance to follow; audio: the track to cut to")。提示词保持在 8,000 字符以内。描述与时长匹配的运动;15 秒请求是上限,不是目标。
失败处理 insufficient_balance 或 cycle_limit_exceeded:用户 Pika 余额为空,应引导至 https://dev.pika.art,不要静默切换提供商。rate_limited(HTTP 429):遵循 data.retry_after 后重新提交。content_moderation 或 invalid_input:修改提示词或输入,消息会指出问题。轮询超时:结果带有 data.resume_job,再次调用 pika_video 并传入该对象(以及更长的 poll_timeout),继续等待同一任务,而不是为新任务付费;设置 job_path 以持久化检查点。工具不会自行重试付费提交。
溯源 每个结果记录 data.request(发送的精确负载)、data.job_id、data.usage、data.billing 和 data.resume_job。请将这些与片段一同保留,以便复现和费用核对。