Pika H3 Flex
Pika H3 Flexの「テキスト・フレームから音声つき動画」をComfyUIで動かすには、26.4GBのVRAMが必要です。公式テンプレートの最も大きい工程（拡散）の値で、ファイルサイズは2026年11月3日に取得しました。余裕をもって読み込める最小のGPUはRTX 5090（32GB）で、テンプレートのダウンロードは42.0GBです。
- 開発
- Pika Labs
- ライセンス
- MiniMax H3 Community License
- 公開
- 2026年10月
- サイズ取得日
- 2026年11月3日
このライセンスは、米国・EU・英国・韓国では適用されません。これらの地域にいる場合、このライセンスによる利用許諾は受けられません。
最大の工程は、ComfyUIのテンプレートが読み込むファイルの正確なサイズから計算しています（アダプターのLoRAは拡散モデルの工程に含めています）。生成用の作業メモリは、これとは別に必要です。 ComfyUI 必要VRAMチェッカーで開く
最大の工程は、ComfyUIのテンプレートが読み込むファイルの正確なサイズから計算しています（アダプターのLoRAは拡散モデルの工程に含めています）。生成用の作業メモリは、これとは別に必要です。 ComfyUI 必要VRAMチェッカーで開く
GPUごとに使えるファイル
メモリ容量ごとに、そのGPUでの最良のファイル（余裕をもって読み込める、最も精度の高い拡散モデルのファイル。ほかに収まるファイルがない場合に限り、ぎりぎり収まるファイル）と、サンプリング中に作業用メモリとして残る容量を示します。大きいGPUでは、上の答えが前提とするComfyUIのテンプレートのファイルより、精度の高いファイルになることがあります。「ストリーミング」は、最も小さいファイルでもGPUのメモリより大きいという意味で、その場合もComfyUIはシステムRAMから実行しますが、速度は落ちます。FP4のファイルは、ネイティブに扱えるBlackwell世代のGPUにだけ割り当てています。
テキスト・フレームから音声つき動画
ComfyUIの「テキスト・フレームから音声つき動画」のテンプレート：拡散モデルはINT8 ConvRot（プルーニング版）、テキストエンコーダはNVFP4 AWQ。工程ごとの容量は、テキストエンコーダが15.7GB、拡散が26.4GBです。ダウンロードは42.0GBです。
計算・2026年11月3日参照から音声つき動画
ComfyUIの「参照から音声つき動画」のテンプレート：拡散モデルはINT8 ConvRot（プルーニング版）、テキストエンコーダはNVFP4 AWQ。工程ごとの容量は、テキストエンコーダが15.7GB、拡散が26.4GBです。ダウンロードは42.0GBです。
計算・2026年11月3日ほかのGPUで確かめるときや、ファイルを手動で選ぶときは、ComfyUI 必要VRAMチェッカーを使ってください。LoRAやカスタムノードを加えた自分のワークフローなら、ComfyUIワークフローチェッカーにドロップして確かめられます。
どこで動かすか
テキスト・フレームから音声つき動画
料金は税抜きのオンデマンド価格で、2026年10月19日に取得したものです。
参照から音声つき動画
料金は税抜きのオンデマンド価格で、2026年10月19日に取得したものです。
モデルについて
Pika H3 Flexは、Pika Labsのオープンな動画生成モデルで、映像と一緒に音声も生成します。Pika Labsが2026年10月に公開した、MiniMax H3を追加学習したモデルで、MiniMax H3のベースの上で動く2つのLoRAアダプター（テキストと最初・最後のフレームからの動画用と、最大12個の参照用）として配布され、6回のサンプリングステップで音声が同期した動画を生成します。新しいアーキテクチャではないため、必要なものはMiniMax H3と同じで、そこにアダプターが加わります。
テキスト・フレームから音声つき動画：33B · 参照から音声つき動画：33B テキストエンコーダ：Qwen3-VL 32B MiniMax H3 Community License 2026年10月公開
ダウンロードする前に
ライセンスが適用される地域では、商用利用できます。年間2,000万米ドルを超える製品にはMiniMaxの書面による許可が必要で、商用のインターフェースには「MiniMax H3」と表示しなければなりません。米国・EU・英国・韓国では、ライセンスそのものが適用されません。仕事で使う前に、MiniMax H3 Community Licenseの原文（英語）を必ず確認してください。
得意なこと
- 6回のサンプリングステップ。蒸留していないH3の20〜50ステップに対して、Pikaのスケジュールが、ComfyUIの3つのテンプレートに組み込まれています。
- 1回の生成で最大12個の参照：画像9枚、動画3本、音声クリップ3本
- 会話から音楽まで、映像と同じ処理で生成されるステレオ音声
- MiniMax H3をすでに用意していれば、新たにダウンロードするのはアダプターだけです。
注意点
- 中身はMiniMax H3で、MiniMaxのライセンスに従います。このライセンスは米国、EU、英国、韓国では適用されません。Pikaのモデルカードには書かれておらず、書かれているのはライセンスの本文です。
- シグマのリストとアダプターの強さはテンプレートの設定のままにし、TurboやLightningのLoRAを重ねないでください。アダプターはすでに蒸留されており、2つ目を重ねると出力が壊れます。
- Pika自身のメモリの数値は、H100上の自社CLIパッケージのもので、サンプリングだけを対象にしています。テキストエンコーダとVAEの分は別にかかります。
- テキストから動画のテンプレートには、ComfyUI 0.43.2以降が必要です。
ComfyUIが読み込むPika H3 Flexの全ファイル
サイズは、Hugging Faceが報告する正確なバイト数で、2026年11月3日に取得しました。「テンプレート」と付いたファイルは、ComfyUI公式のワークフローがダウンロードするものです。
| 構成要素 | 精度 | サイズ | バージョン | ファイル |
|---|---|---|---|---|
| 拡散モデル | BF16 | 66.28GB | テキスト・フレームから音声つき動画 | minimax_h3_fl2va_bf16.safetensors |
| 拡散モデル | INT8 ConvRot | 34.04GB | テキスト・フレームから音声つき動画 | minimax_h3_fl2va_int8_convrot.safetensors |
| 拡散モデル | BF16（プルーニング版） | 40.23GB | テキスト・フレームから音声つき動画 | minimax_h3_fl2va_pruned_bf16.safetensors |
| 拡散モデル | FP8 scaled（プルーニング版） | 20.96GB | テキスト・フレームから音声つき動画 | minimax_h3_fl2va_pruned_fp8_scaled.safetensors |
| 拡散モデル | INT8 ConvRot（プルーニング版） · テンプレート | 20.97GB | テキスト・フレームから音声つき動画 | minimax_h3_fl2va_pruned_int8_convrot.safetensors |
| 拡散モデル | W6A8（プルーニング版） | 15.98GB | テキスト・フレームから音声つき動画 | minimax_h3_fl2va_pruned_w6a8.safetensors |
| 拡散モデル | BF16 | 66.28GB | 参照から音声つき動画 | minimax_h3_ref2va_bf16.safetensors |
| 拡散モデル | INT8 ConvRot | 34.04GB | 参照から音声つき動画 | minimax_h3_ref2va_int8_convrot.safetensors |
| 拡散モデル | BF16（プルーニング版） | 40.23GB | 参照から音声つき動画 | minimax_h3_ref2va_pruned_bf16.safetensors |
| 拡散モデル | FP8 scaled（プルーニング版） | 20.96GB | 参照から音声つき動画 | minimax_h3_ref2va_pruned_fp8_scaled.safetensors |
| 拡散モデル | INT8 ConvRot（プルーニング版） · テンプレート | 20.97GB | 参照から音声つき動画 | minimax_h3_ref2va_pruned_int8_convrot.safetensors |
| 拡散モデル | W6A8（プルーニング版） | 15.98GB | 参照から音声つき動画 | minimax_h3_ref2va_pruned_w6a8.safetensors |
| LoRA | BF16 · テンプレート | 1.96GB | テキスト・フレームから音声つき動画 | pika_h3_flex_fl2va_v1_bf16.safetensors |
| LoRA | BF16 · テンプレート | 1.96GB | 参照から音声つき動画 | pika_h3_flex_ref2va_v1_bf16.safetensors |
| テキストエンコーダ | BF16 | 51.51GB | 共通 | qwen3vl_32b_minimax_h3_bf16.safetensors |
| テキストエンコーダ | INT8 ConvRot | 27.14GB | 共通 | qwen3vl_32b_minimax_h3_int8_convrot.safetensors |
| テキストエンコーダ | NVFP4 AWQ · テンプレート | 15.69GB | 共通 | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors |
| VAE | INT8 ConvRot · テンプレート | 2.81GB | 共通 | minimax_h3_video_vae_int8_convrot.safetensors |
| 音声VAE | FP32 · テンプレート | 0.61GB | 共通 | minimax_h3_audio_vae_fp32.safetensors |
Pika Labsが示す必要VRAM
- 「Default 480p/5s sampling allocated approximately 66–69 GiB in representative tests.」（訳：既定の480p・5秒のサンプリングでは、代表的なテストで約66〜69GiBを確保した）。対象：ComfyUIではなく、H100上のPika自身のCLIパッケージ。サンプリングのみで、テキストエンコーダとVAEの分は別（出典）
- 「Representative 768p/15s sampling allocated approximately 29–32 GiB on GPU, with observed host memory near 94 GiB including page cache.」（訳：代表的な768p・15秒のサンプリングでは、GPU上で約29〜32GiBを確保し、ページキャッシュを含むホストメモリの使用量は約94GiBだった）。対象：ComfyUIではなく、CPUオフロードを使うPika自身のCLIパッケージ（出典）
メーカーの数値とこのページの数値は、測っているものが違います。メーカーの数値は、自社のスクリプトを既定の解像度と長さで動かしたときのもので、作業用メモリも含みます。このページは各工程が保持する重みを数えており、こちらは正確です。作業用メモリは、解像度・フレーム数とアテンションのカーネルによって変わり、モデルごとに公表しているところもないため、残りの容量として示しています。読み込めるファイルで生成中にメモリが足りなくなったら、精度を下げる前に解像度かフレーム数を下げてください。ComfyUIのREADMEには、重みのストリーミングによって「can run even the biggest open source models on as low as 4GB vram + 8GB ram」（訳：最大級のオープンソースモデルでも、VRAM 4GB＋RAM 8GBという少ない構成で動かせる）とあります（出典）。つまり「ストリーミング」は、遅くなるだけで、動かないという意味ではありません。
Pika H3 FlexのLoRA学習
確認したトレーナー（kohyaのsd-scriptsとmusubi-tuner、ostrisのai-toolkit、diffusion-pipe、Pika Labs自身のリポジトリ）には、Pika H3 Flexの学習に必要なVRAMを公表しているものがまだありません。公表されたら、ここに載せます。
よくある質問
- Pika H3 FlexにVRAMはどれくらい必要？
- ComfyUI公式の「テキスト・フレームから音声つき動画」のワークフローでは、最も大きい工程は拡散で26.4GB、ワークフロー全体のダウンロードは42.0GBです。生成時の作業用メモリはこれとは別に必要で、解像度や長さに応じて増えます。Pika Labs自身は「Default 480p/5s sampling allocated approximately 66–69 GiB in representative tests.」（訳：既定の480p・5秒のサンプリングでは、代表的なテストで約66〜69GiBを確保した）としています（対象：ComfyUIではなく、H100上のPika自身のCLIパッケージ。サンプリングのみで、テキストエンコーダとVAEの分は別）。
- 8GBのVRAMでPika H3 Flexは動く？
- 全体は収まりません。ここで最も小さいW6A8（プルーニング版）のファイル（16.0GB）でも、最も大きい工程で21.4GB必要で、8GBを超えます。それでもComfyUIは、システムRAMから重みをストリーミングして実行できます。動きはしますが、遅くなります。
- 12GBのVRAMでPika H3 Flexは動く？
- 全体は収まりません。ここで最も小さいW6A8（プルーニング版）のファイル（16.0GB）でも、最も大きい工程で21.4GB必要で、12GBを超えます。それでもComfyUIは、システムRAMから重みをストリーミングして実行できます。動きはしますが、遅くなります。
- 16GBのVRAMでPika H3 Flexは動く？
- 全体は収まりません。ここで最も小さいW6A8（プルーニング版）のファイル（16.0GB）でも、最も大きい工程で21.4GB必要で、16GBを超えます。それでもComfyUIは、システムRAMから重みをストリーミングして実行できます。動きはしますが、遅くなります。
- どのPika H3 Flexのファイルをダウンロードすればいい？
- お使いのGPUに全体が収まるなかで、最も精度の高いファイルです。24GBのGPUならW6A8（プルーニング版）のファイル（16.0GB）です。ComfyUIのテンプレートがダウンロードするのは、INT8 ConvRot（プルーニング版）の拡散モデルとNVFP4 AWQのテキストエンコーダです。FP4のファイル（NVFP4）はBlackwell世代のGPU（RTX 50、RTX PRO 6000、DGX Spark）向けです。それより前の世代では、FP8かINT8を使ってください。
- Pika H3 Flexは新しいモデル？それともLoRA？
- 2つのLoRAです。PikaはMiniMax H3を追加学習し、その結果を、ComfyUIがMiniMax H3のベースの上にLoRAローダーで読み込むアダプターとして配布しています（テキストとフレーム用のFL2VAと、参照用のRef2VA）。必要なのはH3のファイルと用途に合ったアダプターだけで、ライセンスは適用除外の地域も含めてMiniMax H3のものです。
- ファイルとサイズ：Hugging FaceのComfy-Org/MiniMax-H3。Hugging FaceのAPIから取得しています。テンプレートのファイル：ComfyUIのPika H3 Flexガイド（英語）。
- モデルとライセンス：Pika-Labs/Pika-H3-FlexとMiniMax H3 Community License。
- GPUのメモリ：各メーカーの仕様で、各GPUページと同じ値です。チェッカーの対象はNVIDIAのGPUです。ComfyUIはAMDやAppleシリコンでも動きますが、ファイル形式や速度が異なるため、ここでは容量を算出していません。
- 収まりの判定：使えるメモリの85%未満なら全体が収まる、95%まではぎりぎり収まるとしています。LLMのページと同じ基準です。
- 料金：各事業者の料金ページで、それぞれ横に記した日付に取得したものです。