跳过主要内容

用三视图让 Pika H3 Flex 保持角色一致

Pika H3 Flex 是 Pika 在 MiniMax H3 上后训练的版本，画面和声音六步出片（原版要 50 步），参考模式（Ref2VA）一次最多接 9 张图、3 段视频和 3 段音频。Pika 自己的官方案例就是喂一张带正面、3/4 侧和背面的角色设定图。本页讲清楚角色包里传哪几张图、两套提示词模板、本地跑开源权重有什么不同，以及一条视频要花多少钱。

我们还没有用 Pika H3 Flex 实拍过案例。本页按 Pika 模型卡、API 文档和 ComfyUI 官方工作流说明整理；站内案例是用 Kling 3.0 做的。

Pika H3 Flex（官方限制）

核对日期：2026-10-30
  • Pika 于 2026 年 10 月 29 日发布，形式是挂在 MiniMax H3 上的开源 LoRA 适配器：FL2VA 负责文生视频和首帧、尾帧，Ref2VA 负责参考生视频。六步采样，可通过 Pika API、ComfyUI 和 Diffusers 使用。
  • 参考模式：最多 9 张图、3 段视频、3 段音频，总共 12 个文件，至少要有一张图或一段视频。每段视频或音频 2–15 秒，同类加起来不超过 15 秒。
  • API 上每个参考文件最大 24 MiB，图片支持 PNG、JPEG、WebP。提示词里按上传顺序引用：@Image1、@Image2……@Video1……@Audio1。
  • 单条 5–15 秒（整数秒），24 fps，立体声。原生 480p 或 768p；API 可把草稿精修到 1080p、2K 或 4K。支持 21:9 到 9:21 共 11 种画幅。
  • 托管 API 还能输出五轨分离音频（对白、配乐、音效、拟音、环境声），并默认改写提示词。本地开源权重只出 480p 或 768p，声音是混好的立体声。
  • 适配器属于 MiniMax H3 的衍生模型，按 MiniMax H3 社区许可证发布，对地区和商用有条件限制。本地出片要商用，先看许可证。

资料来源: Hugging Face: Pika-Labs/Pika-H3-Flex (model card) · GitHub: Pika-Labs/Pika-H3-Flex (inference package) · Pika: Pika H3 Flex (pricing and launch prices) · Pika API: Pika H3 Flex Reference to Video · Pika Blog: Pika H3 Flex Technical Deep Dive · ComfyUI docs: Pika H3 Flex workflows

从三视图到 Pika H3 Flex，五步走

  1. 先拿到角色设定图：从角色库下载角色包，或领一个免费角色。正面、侧面、背面已经是分开的文件。
  2. 按下面的顺序上传五张参考图，提示词里就能用 @Image1 到 @Image5 来称呼它们。API 上图片参考不额外收费。
  3. 如果角色要跳舞、打斗或按特定方式走路，再加一段动作视频作为 @Video1。长度控制在 2–15 秒，按秒计费。
  4. 提示词里写清每个参考提供什么，身份描述每条视频都一字不改；每个镜头写时间段，镜头运动写明停在哪里。
  5. 先用 480p 出草稿。只把选中的那条用 draft-to-video 精修到 1080p、2K 或 4K：画面和声音不变，只收差价。

浏览角色三视图

上传哪几张、按什么顺序

五张图就够锁住长相和场景，还剩四个图片位，镜头需要时再放服装（03_outfits）或道具（04_props）。

  1. @Image102_turnaround_views/view_front.png脸和服装正面
  2. @Image202_turnaround_views/view_side.png侧脸和侧面发型
  3. @Image302_turnaround_views/view_back.png背面发型和服装
  4. @Image401_character_reference/full_body.png身高和比例
  5. @Image505_scenes/scene_workspace.png场景

Pika 官方案例两种都用过：一个提示词把一整张角色设定图写成“同一个角色的正面、3/4 侧和背面”，另一个用开场首帧再加一张单独的角色设定图。分开上传的好处是能指明哪张管脸、哪张管侧脸、哪张管背面，镜头拍到侧面或背影时更稳。

为什么三张分开的视角比一张好角度更稳

单张图片——哪怕是精心挑选的 3/4 侧面——也只展示了角色的一部分。角色一转身，模型就只能自己猜侧脸和背面，脸、发型和服装往往就是从这里开始跑偏。把正面、侧面、背面作为三张独立参考图上传，并按官方指南的建议，在提示词里给每张图只指定一个用途。如果你还有 3/4 视角图，把它作为额外参考加进去，而不是只用它一张。

每张图只保留一张脸：把表情格从设定图里裁掉，并在每个镜头的提示词里原样粘贴同一段锁定的外貌描述。

提示词模板：三视图 + 场景 + 动作视频

提示词模板

References: @Image1, @Image2 and @Image3 are the front, side and back views of ONE character, [Name]: [skin, eyes, hair, outfit colors]. @Image4 sets her height and proportions. @Image5 is the environment. @Video1 is the motion reference only. Make a new video of [Name] from @Image1–@Image4, inside the environment from @Image5, performing exactly the body motion, timing and camera movement of the person in @Video1. Take NOTHING else from @Video1 - not the person's face, body, clothes, props, location, colours or photographic look. Keep [Name] exactly as designed in @Image1–@Image4 - same face, proportions, outfit, colours - and render the whole video in the art style of @Image1, never photoreal. Only ONE character in frame. [What she does, mapped onto the motion in @Video1.] Audio: [diegetic sounds], [music or "no music"]. Normal real-time speed, NO slow motion. No text, no captions, no logos.

改自 Pika 官方的“唱片店跳舞”案例，配置完全一样：一张角色设定图、一张场景图、一段动作参考视频。关键是那句“@Video1 里别的什么都不要拿”，不写的话，动作视频里的人容易混进成片。

提示词模板：不带动作视频的多镜头

提示词模板

References: @Image1, @Image2 and @Image3 are the front, side and back views of ONE character, [Name]: [skin, eyes, hair, outfit colors]. @Image4 sets her height and proportions. @Image5 is the location. Keep her face, hair, outfit and proportions exactly as in @Image1–@Image4 in every shot; she never transforms or morphs. Style: [art style], [aspect ratio]. [Shot 1] 0-4 s: wide shot - [Name] is small in the [location] from @Image5, [action]. The camera [move] and stops at [end point]. [Shot 2] 4-9 s: hard cut to a medium shot from the side, showing her profile as in @Image2. [action, one line of dialogue in quotes]. [Shot 3] 9-12 s: hard cut to a low shot from behind, matching @Image3, as she [action]. Sound: [diegetic sounds]. Music: [style or "none"]. Normal real-time speed, NO slow motion. No subtitles or other text.

Pika 和 ComfyUI 都是在一条提示词里用时间段和硬切来分镜。一个镜头拍侧面、一个镜头拍背影，三视图每一张都派上用场。ComfyUI 的实测说明提到，切镜时间点可能偏 0.2–0.3 秒，别指望逐帧精确。

在 ComfyUI 或本地跑开源权重

  • 用 ComfyUI 模板库（Video）里的 “Pika H3 Flex: Reference to Video” 模板，它加载 H3 的 ref2va 底模和 Ref2VA 适配器；文生视频和首尾帧模板用的是 fl2va 文件。
  • 保持 Pika 的六步采样（lcm 采样器、ManualSigmas、CFG 1.0），适配器强度保持 1.0。ComfyUI 明确提醒不要再叠 Turbo 或 Lightning 加速 LoRA：适配器已经蒸馏过，再叠一层会把画面搞坏。
  • Pika 官方推理包按单张 H100 80GB 测试，要下载约 210 GB 底模加 5.5 GB 适配器。长视频和大量参考可能爆显存，Pika 建议先从 480p、5 秒开始，需要时加 --cpu-offload。
  • 本地没有提示词改写，要自己写完整提示词；自建部署也可以调用 Pika 的提示词改写 API（每次 0.02 美元）。

X 上已有社区做的加速 LoRA 版本，属于第三方，不是 Pika 官方发布；ComfyUI 官方说明不建议在 Flex 适配器上再叠加速 LoRA。

在 API 上跑一次要多少钱

以下是 Pika 价格页上参考生视频的首发价（2026 年 10 月 29 日至 11 月 5 日，面向 Pika API Club 会员）。图片和音频参考免费；参考视频按输入秒数、和输出同价计费。

  • 480p 10 秒（草稿）：0.30 美元
  • 768p 15 秒，带五张角色包图片：0.90 美元
  • 768p 15 秒，再加 5 秒动作视频：1.20 美元（按 20 秒计费）
  • 首发期过后，标价在 480p 和 768p 翻倍（每秒 0.06 和 0.12 美元），同样一条 768p 15 秒要 1.80 美元

只有成功生成才收费，API 没有免费生成额度。价格会变，批量跑之前先看 Pika 价格页。

选 Pika H3 Flex 还是 MiniMax H3？

两者参考上限一样，角色包的图片也一样，换模型不用重做角色。Pika H3 Flex 更快（六步），能精修到 4K、输出分轨音频，图片参考不收费；MiniMax H3 前五张图免费，并支持重生成到 2K。Pika 自己的人工评测显示，Flex 在参考生视频的画风和镜头构图上领先，但动作密集的参考任务和多场景叙事上其他模型更受偏好。这是 Pika 的评测，不是我们的结论，长项目开工前最好两边都用你的角色试一下。

MiniMax H3

脸跑偏和其他常见问题

不同视频之间脸变了。
每次按同样顺序上传同样的图，身份描述一字不改地贴进每条提示词。API 上提示词改写默认开启，关掉（rewrite: false）就能保留你的原文。
动作视频里的人跑进了成片，不是我的角色。
写明 @Video1 只当动作参考，并列出不要拿的东西：脸、身材、衣服、场景、颜色。Pika 官方案例的提示词就是这么写的。
插画角色变成了真人质感。
点名画风并绑定到设定图：“整段视频用 @Image1 的画风，绝不要写实”。动作视频是实拍的话，不写这句画面会往照片感跑。
写了远景，出来是中景。
ComfyUI 的实测说明提到，只写 “wide shot” 往往出中景。改成描述画面内容，比如“她在空旷大厅里只占很小一块”。
调高步数能不能让脸更清楚？
不能。六步是训练好的采样方案：按 ComfyUI 的说明，加步数不会多出细节，删减 sigma 列表反而会出错。想要脸更清楚，就把选中的那条精修到更高分辨率。
浏览角色三视图MiniMax H3Seedance 2.5视频换人：把你的角色放进现成视频角色设定图提示词模板

先用免费角色试一试

每个角色的 19 张图完整素材包都免费：8 个入门角色不用注册，其余注册免费账号即可下载。9 支案例广告用的都只是包里的图。

查看免费角色