Pika, jeune pousse spécialisée dans la vidéo générative, a lancé Pika H3 Flex, un modèle vidéo doté du son, et en a publié les poids pour que chacun puisse l'exécuter. L'annonce date du 29 octobre 2026 ; les adaptateurs du générateur sont arrivés le jour même sur Hugging Face et le code d'inférence sur GitHub, et l'entreprise indique que Flex rejoint son produit de création grand public le 2 novembre.
Flex n'a pas été entraîné à partir de zéro. Pika est partie de H3, le modèle ouvert vidéo et audio de MiniMax, et l'a retravaillé en trois temps : un affinage supervisé sur un jeu de données maison sélectionné pour ses qualités esthétiques, une distillation baptisée Projected Distribution Matching Distillation qui ramène l'échantillonnage de 50 étapes à six, puis un apprentissage par récompense avec ReFL et DPO, entraînés sous forme d'adaptateurs de faible rang avant d'être fusionnés. La publication comprend deux adaptateurs, l'un pour le texte et les images de début ou de fin, l'autre pour les références multimodales, qui accepte jusqu'à 12 éléments : neuf images, trois vidéos et trois extraits audio.
En local, la version ouverte produit des séquences de 5 à 15 secondes en 480p ou 768p, à 24 images par seconde, avec un son stéréo mixé à 32 kHz. Le paquet télécharge environ 210 Go de composants de base de MiniMax H3 en plus de l'adaptateur et requiert un GPU NVIDIA. Les sorties en 1080p, 2K et 4K, les pistes séparées pour les dialogues, la musique et les effets, l'enrichissement automatique des consignes et l'infrastructure de service accélérée restent sur l'API maison. Pika promet d'ouvrir plus tard son modèle de mise à l'échelle d'un milliard de paramètres. Les adaptateurs relèvent de la licence communautaire de MiniMax H3, tandis que le code d'inférence est sous Apache 2.0.
Les chiffres avancés par Pika sont ambitieux. Selon l'entreprise, Flex occupait au lancement la première place des modèles à poids ouverts et la septième au classement général texte vers vidéo de DesignArena, a obtenu les meilleures notes sur cinq métriques automatiques de qualité visuelle et sonore face à MiniMax H3, Fal H3 Max et HeyGen Video, et génère plus vite que le temps réel sur ses serveurs, environ 1,8 fois plus vite que Fal H3 Max. Dans son étude de préférence humaine, Flex arrive en tête pour l'anatomie, la composition et la synchronisation du son, les systèmes concurrents l'emportant sur la physique, les récits à plusieurs scènes et l'éclairage. La génération hébergée démarre à 0,01 dollar par seconde de vidéo.
Un premier essai indépendant nuance ce tableau. Un créateur qui a réalisé 75 rendus sur une seule RTX 5090 avec ComfyUI juge que Flex offre le son le plus net de trois variantes rapides de MiniMax H3, mais il lui a fallu environ quatre minutes pour une séquence de 15 secondes, soit près de 1,5 fois plus qu'une solution concurrente en quatre étapes, avec davantage d'images figées, une forme de saccade. Ce test portait sur un seul personnage, sans écoute à l'aveugle.
L'adoption n'en est qu'à ses débuts : au 2 novembre, le dépôt GitHub comptait environ 500 étoiles et la page Hugging Face près de 330 mentions j'aime. Le modèle est aussi accessible via des gabarits ComfyUI et la bibliothèque Diffusers.
Cette sortie illustre une tendance qui gagne la vidéo ouverte : de plus petits acteurs reprennent un modèle de base ouvert et performant, le réentraînent pour la vitesse et le contrôle, puis publient les adaptateurs tout en gardant les fonctions de finition les plus précieuses derrière une API payante.