pika-labs/pika-h3-flex は、テキストと参照入力から映像と同期した音声を生成する H3 系モデルのリポジトリです。最新のリリースバージョンは別途提供されておらず、リポジトリの説明は映像・音声生成の推論を扱うと記載しています。README は 6 ステップの生成と最大 12 個の参照入力を説明し、ローカルでの重み実行とホスティング API を区別しています。
このモデルは映像生成に音声を同期させ、参照画像によってシーン構図を調整する用途です。README によると、参照画像は最大 12 枚まで受け付けられ、6 ステップのサンプリングによって同期した音声を付け加えた映像を生成します。ローカル実行は 480p と 768p の解像度をネイティブに対応しています。ホスティング API はローカル実行と解像度および機能が異なりますが、提供された情報には具体的な差異は記載されていません。リポジトリの実装言語は Python で、アダプター、条件付け、サンプリング、ジオメトリ、メディア処理のモジュールを含みます。
根拠の範囲は生成経路と機能の説明までです。README は公開されたデモ資料が性能ベンチマークではないことを明言しており、再現可能なスループットベンチマークや検証済みの結果も提示していません。ライセンス表記は NOASSERTION のため、この情報のみから利用条件を判断することはできません。したがって、デモだけから実際の性能や活用できる範囲を評価することは難しいです。