pika-labs/pika-h3-flex — 视频与同步语音生成模型

pika-labs/pika-h3-flex 是一个 H3 系列模型仓库，可根据文本和参考输入生成与画面同步的语音。仓库未提供单独的最新发布版本，说明中称其涵盖视频与语音生成推理。README 介绍了六步生成和最多十二个参考输入，并区分本地权重运行与托管 API。

该模型用于在视频生成时同步配音，并可利用参考图像调节场景构图。README 指出，模型最多可接收十二张参考图像，并通过六步采样生成附带同步语音的视频。本地执行原生支持 480p 和 768p 分辨率。托管 API 在分辨率和功能上与本地执行不同，但所提供的信息并未列明具体差异。仓库的实现语言为 Python，包含适配器、条件化、采样、几何和媒体处理等模块。

证据范围仅限于生成路径和功能说明。README 说明公开演示材料并非性能基准，也未提供可复现的吞吐量基准或经过验证的结果。许可证标注为 NOASSERTION，因此仅凭这些信息无法判断使用条件。因此，仅凭演示难以评估实际性能或可应用的场景范围。