Pika publicó el 29 de octubre de 2026 los pesos abiertos de Pika H3 Flex, un modelo de vídeo con audio sincronizado que genera clips de 5 a 15 segundos en 480p o 768p a 24 FPS en solo seis pasos de muestreo. No es un modelo nuevo desde cero: son dos adaptadores LoRA que se montan sobre MiniMax H3 y que cualquiera puede descargar y ejecutar en su propia GPU. La descarga completa ocupa unos 210 GB y el paquete requiere una tarjeta NVIDIA.

Durante los últimos dos años, la generación de vídeo con IA ha sido un servicio: pagas por segundo generado y dependes de la disponibilidad, los precios y las políticas del proveedor. Pika H3 Flex rompe parcialmente esa lógica. Los pesos están en Hugging Face, el código de inferencia está en GitHub y los flujos de trabajo para ComfyUI ya circulan por la comunidad. La barrera de entrada no es el contrato con una plataforma, sino la capacidad de tu hardware.

La IA - Inteligencia Audiovisual, entendida como la colaboración entre la visión del creador y la capacidad algorítmica, encuentra en este lanzamiento un ejemplo de cómo la infraestructura se está desplazando hacia el creador. No se trata solo de generar imágenes bonitas con un prompt. Se trata de tener acceso al motor, de poder modificarlo, de integrarlo en un pipeline propio y de decidir cuándo actualizarlo sin esperar a que el proveedor lo decida. Es la diferencia entre alquilar un estudio y tener las llaves del estudio.

La confusión más común al leer el anuncio es pensar que Pika ha entrenado un modelo desde cero. No es así. Pika partió de MiniMax H3, un modelo omni de vídeo y audio de 33.000 millones de parámetros, y lo sometió a un proceso de post-entrenamiento en tres etapas: ajuste supervisado sobre un conjunto de datos interno curado por criterios estéticos, una destilación llamada Projected Distribution Matching Distillation que reduce el muestreo de 50 pasos a 6, y aprendizaje por refuerzo con ReFL y DPO para alinear la estética y la capacidad de seguir instrucciones. El resultado se empaqueta como dos LoRA: FL2VA, para texto a vídeo y condicionamiento por primer y último fotograma, y Ref2VA, para referencias multimodales.

La ficha técnica del modelo publicado es concreta: seis pasos de muestreo, resolución nativa de 480p o 768p, duración de 5 a 15 segundos a 24 FPS, audio estéreo de 32 kHz generado junto con el vídeo, 11 relaciones de aspecto desde 21:9 hasta 9:21, y capacidad para aceptar hasta 12 archivos de referencia: 9 imágenes, 3 vídeos y 3 clips de audio. La ventana de prompt admite hasta 8.000 caracteres. Todo eso está en los pesos descargables.

Hay una letra pequeña que conviene leer antes de emocionarse. La versión local genera 480p o 768p. Las resoluciones de 1080p, 2K y 4K, la mejora de prompt y las pistas de audio separadas para diálogo, música, efectos, foley y ambiente son servicios alojados en la API de pago de Pika. También lo es el upscaler que Pika ha prometido abrir más adelante, un modelo de 1.000 millones de parámetros que aún no está disponible.

Eso significa que el flujo de trabajo realista es híbrido: se hacen borradores baratos y rápidos en local a 768p, se elige la toma que funciona, y se paga solo la diferencia para terminarla a 1080p, 2K o 4K en la nube, conservando el mismo audio. Pika lo ha diseñado así deliberadamente. No es una limitación técnica, es un modelo de negocio: los pesos abiertos son la puerta de entrada, el acabado premium es la suscripción.

Para quien opte por la API en lugar de la GPU propia, la tabla de precios es agresiva. La generación de texto, imagen y fotograma clave cuesta 0,02 dólares por segundo de vídeo en 480p, 0,04 en 768p, 0,07 en 1080p, 0,08 en 2K y 0,16 en 4K, con precios de lanzamiento a la mitad hasta el 5 de noviembre. La generación con referencia de vídeo cuesta el mismo rate por los segundos de entrada más los de salida, mientras que las referencias de imagen y audio son gratuitas. Las pistas de audio separadas se facturan aparte.

Un cálculo rápido para producción publicitaria: un anuncio de 30 segundos con veinte borradores de 15 segundos a 0,04 dólares por segundo cuesta 12 dólares a precio regular y 6 dólares a precio de lanzamiento. Es una cifra que cualquier agencia puede asumir sin aprobación de cliente. La pregunta ya no es si puedes permitirte probar veinte versiones, sino si tienes tiempo para revisarlas.

La promesa de marketing más llamativa es la de generar un clip de 15 segundos en tan solo 7 segundos. Conviene desmontarla. Ese dato mide el tiempo de cómputo del transformer de difusión en los clústeres internos de Pika, no el tiempo total de generación. El flujo práctico incluye codificación de texto, decodificación de VAE, intercalado de audio, transporte y cola de espera. En la API alojada, lo razonable es esperar menos de un minuto de extremo a extremo. En una GPU de consumo local, varios minutos.

Las pruebas independientes publicadas por creadores que han ejecutado el modelo en ComfyUI ofrecen una imagen más matizada. Una tarjeta RTX 5090 necesitó aproximadamente 4 minutos y 55 segundos para un clip de 10 segundos a 6 pasos, frente a los 20 minutos y 34 segundos que requería el modelo base con 50 pasos, con una calidad de imagen prácticamente idéntica. Una RTX 4070 necesitó unos 7 minutos y 11 segundos para 5 segundos, con un audio notablemente mejor. Los seis pasos reducen el tiempo de muestreo unas 8 veces respecto al profesor de 50 pasos, pero no convierten la generación en un proceso instantáneo en tu escritorio.

Los adaptadores se distribuyen bajo la MiniMax H3 Community License. Esa licencia define su territorio aplicable como todo el mundo excepto la Unión Europea, el Reino Unido, Corea del Sur y Estados Unidos. Cubre servicios alojados y uso comercial, pero la exclusión geográfica es un obstáculo legal para cualquiera que planee construir un producto sobre los pesos desde esos territorios. El código de inferencia, en cambio, es Apache 2.0, lo que facilita la integración técnica pero no resuelve la restricción de los pesos.

Es un punto que conviene consultar con un equipo legal antes de invertir tiempo en un pipeline basado en el modelo. La apertura de pesos no equivale a libertad de uso. Y en un ecosistema donde la propiedad intelectual y las restricciones territoriales están en el centro del debate, leer la licencia antes de descargar 210 GB es una medida de sentido común.

Pika H3 Flex es una herramienta para profesionales que necesitan iterar rápido y barato. Un director de publicidad que quiere probar veinte enfoques antes de comprometer presupuesto. Un creador de contenido que produce varios vídeos por semana y no puede pagar la nube para cada borrador. Un estudio pequeño que quiere integrar generación de vídeo con audio en su pipeline sin depender de la disponibilidad de una API externa. Para todos ellos, el modelo ofrece algo que hasta ahora era difícil de encontrar: velocidad de iteración a bajo coste.

No es, en cambio, la herramienta adecuada para quien necesita 4K nativo desde la primera generación, pistas de audio separadas sin pasar por la nube, o una solución llave en mano sin configuración técnica. Tampoco para quien opera desde la Unión Europea, el Reino Unido, Corea del Sur o Estados Unidos y planea construir un producto comercial sobre los pesos. En esos casos, la API alojada de Pika sigue siendo la vía más directa, aunque implique pagar por segundo y aceptar las limitaciones del servicio.

Es la disciplina que estudia la colaboración entre la visión creativa humana y las herramientas de inteligencia artificial en la producción de cine, televisión y vídeo. En este caso, se manifiesta en un modelo que genera imagen y sonido de forma conjunta, no como dos tareas separadas, y que puede ejecutarse en el propio hardware del creador.

No. Es un post-entrenamiento de MiniMax H3, un modelo omni de vídeo y audio de 33.000 millones de parámetros. Pika lo ajustó, lo destiló de 50 pasos a 6 y lo alineó con aprendizaje por refuerzo. Lo que se publica son dos adaptadores LoRA, no una arquitectura nueva.

Sí, si tienes una GPU NVIDIA con memoria suficiente y espacio para descargar unos 210 GB de componentes base más los adaptadores. Las pruebas comunitarias se han hecho en RTX 5090, RTX 4070 y H100. El rendimiento varía: desde varios minutos por clip en una GPU de consumo hasta tiempos menores en hardware profesional.

La versión local genera 480p o 768p con audio estéreo. La nube de Pika añade 1080p, 2K, 4K, mejora de prompt y pistas de audio separadas para diálogo, música, efectos, foley y ambiente. El flujo habitual es hacer borradores en local y pagar solo la diferencia para terminar la toma elegida en alta resolución.

¿Qué tipo de creador serás cuando el motor de generación esté en tu escritorio y no en el servidor de una empresa? La respuesta depende de lo que hagas con esa libertad. Tener los pesos significa poder modificar el modelo, integrarlo en tu pipeline y decidir cuándo actualizarlo. Pero también significa asumir la responsabilidad del mantenimiento, de la licencia y del rendimiento. La nube ofrece comodidad; el local ofrece control. Ninguna de las dos opciones es gratuita. La primera te cobra por segundo; la segunda te cobra en tiempo y en complejidad. Elegir bien no es una cuestión técnica, sino de saber qué tipo de producción quieres tener. Y esa decisión, por ahora, sigue siendo humana.

Pika H3 Flex no es el futuro del vídeo generativo. Es una pieza más en un ecosistema que se está diversificando rápidamente. Su valor no está en ser el mejor modelo del mercado, sino en demostrar que los pesos abiertos pueden competir en velocidad y control con los servicios cerrados, siempre que el creador esté dispuesto a asumir el coste de la infraestructura. Para quienes trabajan en producción y necesitan iterar sin depender de una API, esa es una noticia difícil de ignorar.

Encuentra la ficha técnica, los enlaces de descarga y las condiciones de la licencia en la página oficial de Pika: https://pika.art/pika-h3-flex