メインコンテンツへスキップ
Pika H3 Flexは、MiniMax H3をPikaがポストトレーニングしたバージョンで、PikaのパートナーAPIを通じて提供されます。Pika H3 Flex Videoノードは、テキストプロンプト、最初のフレーム、または最後のフレームから、同期されたオーディオ付きのクリップを生成します。Pika H3 Flex Reference to Videoノードでは、さらに参照画像・ビデオ・オーディオクリップを入力できます。どちらもダウンロードする重みはありません。 このページではAPIバージョンについて説明します。H3ベースモデル上で2つのLoRAアダプターをローカルで実行するオープンウェイトバージョンについては、Pika H3 Flexを参照してください。
APIノードを使用するには、正しくログインしていることと、許可されたネットワーク環境で使用していることを確認する必要があります。APIノードの使用に必要な具体的な要件については、ドキュメントの「APIノードの概要」セクションをご参照ください。
ComfyUI が最新版に更新されていることを確認してください。このガイドで紹介するワークフローは、ワークフローテンプレートから入手できます。 テンプレート内に該当のワークフローが見つからない場合、ComfyUI のバージョンが古くなっている可能性があります。ワークフローを読み込んだ際にノードが欠落している場合の考えられる原因：
  1. 最新の ComfyUI（Nightly 版）を使用していない
  2. 起動時に一部のノードのインポートに失敗している

​
はじめる

  1. ComfyUIを0.44.1以降にアップデートします
  2. テンプレートライブラリに移動し、Pika H3 Flex を検索します
  3. プロンプトを入力して、ワークフローを実行します

​
Pika H3 Flex: テキストからビデオ (API)

テキストプロンプトから、生成済みオーディオ付きのクリップを最大15秒まで生成します。 Pika H3 Flex テキストからビデオのワークフロープレビュー

Comfy Cloud で実行

Comfy Cloud で開く

ワークフローをダウンロード

JSON をダウンロードするか、テンプレートライブラリで「Pika H3 Flex」を検索してください
  • 解像度: 480p、768p、1080p、2k、4k のいずれかで、デフォルトは 768p。1080p 以上は 768p でレンダリングした後、1回アップスケールされます
  • 再生時間: 5～15秒。出力はフレームグリッドに従い、5秒では124フレーム（約5.17秒）になります
  • アスペクト比: auto は最初に接続されたフレームに従い、接続がない場合はプロンプトに従います
  • プロンプトのリライト: デフォルトはオフで、プロンプトとシードが再現可能な状態に保たれます

​
画像からビデオ、および最初と最後のフレーム

同じノードで両方を処理できます。first_frame のみを接続すると開始画像をアニメートでき、first_frame と last_frame を一緒に接続すると、2つの固定フレーム間の動きを生成できます。

​
ビデオへの参照

Pika H3 Flex Reference to Videoノードは、参照素材に基づいてクリップを生成または編集します。参照素材は最大9枚の画像、3本のビデオ、3つのオーディオクリップで、参照は合計12個までです。ビデオとオーディオクリップはそれぞれ2～15秒で、ビデオとオーディオはそれぞれ合計15秒以内である必要があります。 プロンプト内では、接続順に応じて@Image1、@Video1、@Audio1として参照を指定します。接続したビデオのサウンドではなく新しいアンビエンスや新しい音楽が必要な場合は、reference_video_audioをオフにします。

​
Pika オーディオノード

3つのオーディオノードは同じ Pika API 上で実行され、生成されたオーディオ1秒につき課金されます:
  • Pika Soundtrack: 最大10分のビデオのオーディオを、同期したサウンドトラックに置き換えます。指示にはサウンドエフェクト、環境音、または音楽を記述します。空のままにすると、映像からオーディオが生成されます
  • Pika SFX: テキストの説明から、長さ1～20秒のサウンドエフェクトを生成します
  • Pika Music: テキストプロンプトと任意の歌詞から10～360秒の楽曲を生成するか、元の曲をその長さのままカバーします（5～360秒に制限されます）

​
プロンプト形式

Pika H3 Flex のプロンプトは MiniMax H3 のテキストモードの構造に従い、1つの説明で映像とサウンドの両方を表現します。
記述するすべての出来事は、設定した再生時間内に収めてください。セリフのタグやショットリストを含むプロンプト構造の全体については、MiniMax H3 プロンプト作成ガイドを参照してください。

​
コスト

ビデオノードは出力1秒単位で課金され、解像度が上がるほど料金も高くなります。現在のクレジットについてはパートナーノードの料金を参照してください。