メインコンテンツへスキップ
Pika H3 Flex Pika H3 Flex Pika H3 Flex は MiniMax H3 のポストトレーニング版です。Pika はビデオ、オーディオ、参照例からなる厳選されたマルチタスクコーパスで H3 をファインチューニングし、50ステップの生成器を6ステップまで蒸留したうえで、報酬フィードバックと選好最適化によって改良しました。ComfyUI にすでにある MiniMax H3 ベースの上で動作する2つの LoRA アダプターとして提供されるため、新しいモデルアーキテクチャは不要です。
これらのアダプターは MiniMax H3 Community License Agreement の下で配布されています。出力を商用利用する前に、地域および商用利用の条件を含む利用規約を確認してください。

​
主な特徴

  • 6ステップ、同じ領域: 5秒の1344x768クリップが、非蒸留のH3実行に必要な20〜50ステップではなく、1枚のカードで約1分で完了します
  • ネイティブステレオオーディオ: セリフ、SFX、音楽は映像と同じパスで生成されます
  • リファレンス駆動制御: 1回の生成につき最大12個のリファレンス（画像9個、ビデオ3個、オーディオクリップ3個）を指定でき、モーションリファレンスビデオや音声サンプルも含まれます
  • マルチショット演出: ハードカット、カメラワーク、セリフを1つのプロンプト内で記述できます
  • オープンウェイト: 2つのアダプターは公開されており、スタンダードなLoraLoaderModelOnlyノードで読み込まれます

​
テンプレートワークフローの選択

Template Library > Video には、3つの video_pika_h3_flex_* テンプレートワークフローがあります。3つとも H3 ベースと1つのアダプターを読み込み、いずれも Pika の6ステップのサンプリングスケジュールで実行します。

テキストから動画へ

プロンプトのみで、画像入力はありません。ComfyUI 0.43.2+。

参照から動画

2つ以上の画像参照が人物の同一性、小道具、シーンを制御します。ComfyUI 0.30.0+。

最初と最後のフレーム

2つのフレームがショットの冒頭と結末を固定します。ComfyUI 0.30.0+。
3つのテンプレートには、Pika が公開している6ステップのスケジュールが組み込まれています。lcm と ManualSigmas、そして BasicGuider 経由の CFG 1.0 です。シグマリストとアダプター強度は 1.0 のままにし、turbo や Lightning LoRA を重ねないでください。アダプターはすでに6ステップに蒸留されているため、2つ目の高速化 LoRA を追加すると出力が壊れます。

​
テキストから動画 (T2V)

プロンプトだけで、オーディオが同期されたビデオを生成します。

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: Text to Video」を検索してください

​
モデルのダウンロード

Diffusion Model: minimax_h3_fl2va_pruned_int8_convrot

ComfyUI/models/diffusion_models/ に配置します

LoRA: pika_h3_flex_fl2va_v1_bf16

ComfyUI/models/loras/ に配置します

Text Encoder: qwen3vl_32b_minimax_h3_nvfp4_awq

ComfyUI/models/text_encoders/ に配置します

VAE: minimax_h3_video_vae_int8_convrot

ComfyUI/models/vae/ に配置します

VAE: minimax_h3_audio_vae_fp32

ComfyUI/models/vae/ に配置します

​
参照から動画 (Ref2VA)

参照画像から、同期したオーディオ付きのビデオを生成します。参照は人物の同一性、衣装、オブジェクトの形状、環境を担い、プロンプトはアクションとショットを担います。

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: Reference to Video」を検索してください

入力画像: ref_pilot_profile.png

テンプレートの参照1。ご自身の被写体に置き換えてください。

入力画像: ref_subject_station.png

テンプレートの参照2。2番目の被写体またはシーンに置き換えてください。

​
モデルのダウンロード

Diffusion Model: minimax_h3_ref2va_pruned_int8_convrot

ComfyUI/models/diffusion_models/ に配置します

LoRA: pika_h3_flex_ref2va_v1_bf16

ComfyUI/models/loras/ に配置します

Text Encoder: qwen3vl_32b_minimax_h3_nvfp4_awq

ComfyUI/models/text_encoders/ に配置します

VAE: minimax_h3_video_vae_int8_convrot

ComfyUI/models/vae/ に配置します

VAE: minimax_h3_audio_vae_fp32

ComfyUI/models/vae/ に配置します

​
最初と最後のフレーム（FL2VA）

2枚の静止フレームの間をアニメートします。1枚目の画像がショットの冒頭を開き、2枚目が終幕を閉じ、プロンプトがその間の道筋を記述します。

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: FL2VA」を検索してください

入力画像: ref_popart_woman.png

ショットの最初のフレーム。

入力画像: lastP_spin_jump_hole.png

ショットの最後のフレーム。

​
モデルのダウンロード

Diffusion Model: minimax_h3_fl2va_pruned_int8_convrot

ComfyUI/models/diffusion_models/ に配置します

LoRA: pika_h3_flex_fl2va_v1_bf16

ComfyUI/models/loras/ に配置します

テキストエンコーダー: qwen3vl_32b_minimax_h3_nvfp4_awq

ComfyUI/models/text_encoders/ に配置します

VAE: minimax_h3_video_vae_int8_convrot

ComfyUI/models/vae/ に配置します

VAE: minimax_h3_audio_vae_fp32

ComfyUI/models/vae/ に配置します

​
モデルの保存場所

3 つのテンプレートはいずれもこの構成を前提としています。H3 のベースファイルは既存の MiniMax H3 テンプレートと共通で、新しく追加するのは 2 つのアダプターだけです。

​
プロンプト作成

プロンプトは H3 の他のモデルと同じ構造に従います。T2V と FL2VA では、まずスタイルを説明し、次に各ショットをカメラワークとともに記述し、最後に2つのサウンドフィールドを説明します。Ref2VA では、subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape、non_diegetic_music を使用する完全参照形式を使い、各参照を <Subject 1>、<Picture 1>、<Video 1>、<Audio 1> のいずれかとしてラベル付けします。 カメラの語彙やダイアログタグを含む完全な構文については、プロンプトガイドを参照してください。 公開されているアダプターをテストして得られた実用的な注意点:
  • カメラの振幅はあくまで目安です。 動きはショットの文の一部として記述し、必ず停止点を指定してください。明示的な角度やカットのタイムスタンプは 0.2〜0.3 秒ずれたり、逆方向になったりすることがあります。
  • フレーミングは内容として記述します。 「ワイドショット」だけではミディアムショットとしてレンダリングされがちです。被写体が広い空の部屋の中で小さいと説明すると、ワイドなフレーミングが維持されやすくなります。
  • 細かな接触の制約は信頼できません。 数センチ手前で止まるはずの手が、たいてい接触してしまいます。接触してしまってもビートが成立するように構成してください。
  • レンダリングされたテキストは保持されます。 小道具や製品に付された短いラベルは、カメラが動いても読み取れる状態を保ちます。

​
FAQ

はい。MiniMax H3 テンプレート は res_multistep と BasicScheduler を使用しており、これが 20 ステップの経路です。テンプレートの LoRA ノードで Pika アダプターを読み込み、サンプラーを lcm に切り替え、スケジューラーを ManualSigmas に置き換えてください。
Pika は 50 ステップの H3 ジェネレーターを分布マッチング蒸留で蒸留し、その後、報酬フィードバックで調整しました。6 ステップが学習済みのスケジュールであるため、ステップ数を増やしてもディテールは増えず、シグマのリストを 7 個未満の値に減らすとスケジュールが破綻します。
Ref2VA アダプターは最大 9 枚の画像、3 本のビデオ、3 個の単独オーディオクリップ、合計 12 ファイルを受け付けます。ビデオとオーディオのリファレンスはそれぞれ 2～15 秒である必要があり、各タイプの合計再生時間は 15 秒以内に収まります。
Pika は Pika-Labs/Pika-H3-Flex で公開しており、Comfy は ComfyUI でそのまま使えるファイルを同じファイル名で Comfy-Org/MiniMax-H3 に再公開しています。テンプレートのノードは Comfy の再パッケージ版を参照しています。