跳至主要內容
VibePaper
藍色時刻,一個穿深色大衣的人站在老舊木棧橋上,只見背影,面向平靜的水面和遠處的低山

關鍵幀場記 · 2026年11月2日14 分鐘閱讀

Pika H3 Flex:帶聲音的首尾幀,在 VibePaper 上這樣做

兩張靜幀決定這條片子。Seedance 2.5 只負責走過中間,聲音和畫面一起出來。

先鎖定開場靜幀

VibePaper 不提供 Pika H3 Flex。這篇也不是鎖屏、手機背景或桌面佈置。它是一條關鍵幀工作流:在 Paper Gen 裡畫首幀和尾幀,在畫布上對照,再用 Seedance 2.5 補上中間,並開啟聲音。

開場
Seedream 5.0 靜幀
落點
第二張靜幀
動作
Seedance 2.5
聲音
開著,一條混音

10月29日H3 Flex 發佈

6 步畫面和立體聲一起出

5–15 秒公佈的片子長度

1,288DesignArena Elo,11月1日

Pika 在 2026 年 10 月 29 日發佈 H3 Flex。11 月 1 日的報道把它寫成 MiniMax H3 的開放權重後訓練:畫面和同步立體聲在同一次 6 步取樣裡生成,基座模型原來是 50 步。隨模型發佈兩個 LoRA 適配器。一個負責文生影片和首尾幀條件。另一個接收多模態參考,最多 12 個檔案,計為 9 張圖、3 段影片、3 段音訊。原生輸出是 480p 或 768p,5 到 15 秒。1080p、2K、4K,以及拆成五條音軌,只在 Pika 的託管 API 上。你可以去讀那篇發佈。關鍵幀這一半,可以在這裡用 Seedream 5.0 和 Seedance 2.5 做。

先寫下出發的那一幀,再寫下落地的那一幀。模型只負責把兩幀之間走完。

場記

五步,按順序

下面的連結只設定模型和提示詞。不設定比例、時長、輸入模式或聲音。Paper Gen 讀一次提示詞,就把它從位址列拿掉,所以重新整理不會沖掉你之後的修改。

  1. 01

    在 Paper Gen 裡畫兩張靜幀。

    預設圖片模型是 Seedream 5.0。生成前先定比例。開場和落點要共用同一個地方、同一件大衣、同一種光。“再來 4 張”會保留這條提示詞,再出四張變體。Paper Gen 沒有風格選項。

  2. 02

    把兩幀都放到畫布上。

    “在 Canvas 中繼續”會打開一塊畫板,提示詞連著已儲存的檔案。把開場靜幀和落點靜幀並排放。如果兩張對房間的說法不一致,改一個句子再生成。不要讓影片模型去發明這份一致。

  3. 03

    只有兩幀都該穿上同一種調子時才上風格。

    選中圖片卡片。風格在畫布的生成行上。預設會把一段描述追加到提示詞後面,不會換掉橋或門。兩幀用同一個調子,或者都不用。只給其中一幀上調,銜接時會閃。

  4. 04

    用 Seedance 2.5 走過中間。

    在畫布的影片節點,或 Paper Gen 的影片欄,把模式換成“首尾幀”。開場靜幀放進首幀,落點靜幀放進尾幀。這個模式會把比例鎖成自適應。時長設成 4 到 30 秒裡的一個固定值。預設是自動。聲音預設開著。提示詞只寫變化。

  5. 05

    兩幀不夠時,改用參考。

    在單張靜幀上點“做成影片”,會切到影片欄,並把這一張當成參考。它不會放上尾幀。參考模式最多 30 張圖、10 段影片、10 段音訊。首尾幀只要兩張圖,不收音訊。首尾放反了,用“交換首尾幀”。

公佈的 / 這裡的

H3 Flex 公佈了什麼,在這裡落在哪

左列是 10 月 29 日發佈、11 月 1 日報道裡的內容,用我們自己的話複述。右列是 VibePaper 裡對應的控制,沒有對應控制就寫明缺口。

H3 Flex 公佈了什麼,在這裡落在哪
公佈的在 VibePaper
MiniMax H3 的開放權重後訓練。適配器權重在 Hugging Face,許可證是 MiniMax H3 社群協議。推理程式碼是 Apache 2.0,報道點名可接入 ComfyUI 和 Diffusers。選擇器裡沒有 Pika H3 Flex,這裡也不下載那套權重。靜幀用 Seedream 5.0。動作用 Seedance 2.5,也就是預設的影片模型。
畫面和同步立體聲在一次 6 步取樣裡完成,基座原來是 50 步。原生 480p 或 768p,5 到 15 秒且按整秒,24 fps,H.264 加 32 kHz 立體聲 AAC。Lapaas Voice 寫了 11 種畫幅。Seedance 2.5 在 Paper Gen 裡是 4 到 30 秒,480p 或 720p。聲音是一個開關,預設開。沒有 768p,也沒有幀率控制。首尾幀會把比例鎖成自適應。
兩個適配器。一個做文生影片加首尾幀條件。另一個最多收 12 個參考:9 張圖、3 段影片、3 段音訊。Seedance 2.5 有兩種輸入模式。首尾幀是一張開場圖加一張落點圖。參考模式最多 30 張圖、10 段影片、10 段音訊。數量不是同一個產品。不要把第三張圖塞進首尾幀。
1080p、2K、4K 放大,以及五條音軌,只在 Pika 的託管 API 上。本地下載的模型是草稿。Paper Gen 的解析度是 480p 或 720p。預覽草稿會強制 480p。畫布上的按鈕是「生成 1080p 正式版」,從那條預覽做出來。沒有 2K 或 4K,也沒有分軌匯出。
截至 2026 年 11 月 1 日,Silicon Noon 把 H3 Flex 放在 DesignArena 影片榜第 8,Elo 1,288,817 場對戰,是榜上最高的開放權重模型。Pika 在發佈時報的是第 7,Elo 1,293。Wan 3.0 當時第 4,但沒有公開權重。MiniMax H3 第 11。這個名次不是 VibePaper 的評測,榜也會動。這裡選 Seedance 2.5,是因為它能收首幀和尾幀,並且可以把聲音開著。報價出來之後,生成按鈕上會顯示費用。
常被引用的“15 秒 768p 大約 7 秒”,量的是 transformer 計算,不是完整等待。Silicon Noon 另記了一組內部計時:八張 NVIDIA B300 上,一條 5 秒 768p 帶聲音的片子,總推理從 3.409 秒到 2.129 秒,日程不變。這兩個數字不是同一次加速。在這裡排鏡頭時,兩個計時都不用管。Seedance 2.5 不公佈 6 步日程。設好時長,生成,看那一幀。落點如果不是你貼上去的那張,就改一個句子。

三個樣子

先做首尾幀。這件事如果不是首尾,就改用參考

先生成兩張靜幀,再要動作。前兩個是首尾幀。第三個是參考,因為人和雨是材料,不是起點和終點。

01棧橋,從近到遠

  • 模式:首尾幀。
  • 調子:關。
  • 運鏡:關。
藍色時刻,一個穿深色大衣的人站在靠近鏡頭的溼木棧橋上,臉看不見
首幀
同一座棧橋,穿大衣的人現在很小,站在遠端,近處的橋板是空的
尾幀

昭和復古懷舊會追加暖色老膠片和安靜的懷舊。這個時刻是藍的。把風格關掉,否則落點和開場對不上。鏡頭推近是朝主體推過去。這段路是人走遠。路徑已經由兩張靜幀定了。

  1. 開場靜幀。 Paper Gen,Seedream 5.0。16:9 要自己設。連結不會設。臉保持看不見。
  2. 落點靜幀。 同一座橋,同一件大衣,人在遠端變得很小。在畫布上把兩張卡片並排放好,再決定要不要上風格。
  3. 這段路。 Seedance 2.5,首尾幀。時長 8 秒,不要自動。聲音開著。不要運鏡。
首幀

藍色時刻,一座老舊的木棧橋伸進平靜的水面,16:9。一個原創成年人,深色羊毛大衣,只見背影,站在靠近鏡頭的橋頭,臉完全看不見。橋板是溼的,天色很淡,遠處是低矮的山。自然光,細顆粒。沒有文字。沒有標誌。

Seedream 5.0。生成前自己設成 16:9。

打開開場靜幀
尾幀

同一座橋,同一個機位高度,同一個藍色時刻,同一件大衣。人現在很小,站在橋的遠端,仍然背對鏡頭。近處的橋板是空的。不要新的物體。沒有文字。沒有標誌。

山或橋樁如果漂了,重做這張靜幀。不要讓影片那一步去修地點。

打開落點靜幀
動作

同一座橋,同一件大衣。人背對鏡頭沿著橋板往遠處走,直到在橋的盡頭變得很小。一個連續鏡頭。不要切。不要回頭。只有水聲和腳步。不要音樂。沒有對白。沒有文字。

首幀是近處那張,尾幀是遠處那張。放反了就交換首尾幀。比例會鎖成自適應。

打開這段路

02一扇門,先關後開

  • 模式:首尾幀。
  • 調子:電影質感 → 懸疑,僅當兩張都能變冷。
  • 運鏡:關。
昏暗走廊盡頭一扇關著的舊木門,暖光只從門底漏出
首幀
同一條走廊,木門已經開啟,暖光照在空房間的地板上
尾幀

懸疑會追加冷色、低曝光、高對比。門縫下的暖光可能被拉向藍。那盞光必須留暖,就把風格清掉。兩張都上,或者都不上。不要有人走過去。

  1. 關著。 一扇門,一道漏光,沒有人。Seedream 5.0,16:9。
  2. 開著。 同一條走廊,門開了,房間是空的。在畫布上核對牆皮和地板還是第一張的。
  3. 門閂。 首尾幀。時長 6 秒。聲音開著,提示詞寫門閂然後房間底噪。你不會拿到分軌。
首幀

一條窄走廊,紀實光線。盡頭一扇關著的舊木門。暖光只從門縫底下漏出來,落在有磨損的地板上。空的。沒有人。沒有文字。沒有標誌。

空走廊。後面的動作提示詞裡不要再加人。

打開關著的門
尾幀

同一條走廊,同一扇門,現在向內開啟。暖光落在門後空房間的地板上。沒有人。沒有傢俱。沒有文字。沒有標誌。

機位高度和關著的那張一致。換角度就是另一個鏡頭。

打開開著的門
動作

同一條走廊。門向內開啟。沒有人走進來。暖光鋪到地板上。一個連續鏡頭。不要切。先是門閂,然後是房間底噪。不要音樂。沒有對白。沒有文字。

只有一個動作:門開啟。固定時長,不要自動。運鏡關掉。

打開這個門閂

03人和雨,當作參考

  • 模式:參考。不是首尾幀。
  • 調子:關。
  • 運鏡:關。
一個穿深色毛衣的人背對鏡頭,站在一扇被雨打溼的高窗前
參考,人
一扇空著的舊窗,玻璃上有雨,外面是光禿的樹
參考,天氣

如果用首尾幀,人和空窗會被當成起點和終點,人會走出畫面。它們是兩份材料。參考模式還可以帶音訊,最多十段,每段 2 到 30 秒。首尾幀不能帶音訊。AI真人會追加毛孔級皮膚和 35mm 近景。這是一個寬的背影。關掉。

  1. 人。 一張靜幀,臉看不見,站在窗前。Seedream 5.0。
  2. 天氣。 第二張是同一扇窗,裡面沒有人。這是參考,不是首尾。
  3. 停住。 在影片欄裡選參考,不要選首尾幀。兩張都附上。時長 8 秒。聲音開著。把雨寫進去。不要把它們放成首幀和尾幀。
參考,人

一間樸素的房間,灰白天光。一個原創成年人,深色毛衣,只見背影,靜靜站在一扇高大的舊窗前。玻璃上有雨,外面是光禿的樹。臉看不見。雙手垂在身側。沒有文字。沒有標誌。

原創成年人。不要上傳真實的人的照片。

打開這個人
參考,天氣

同一扇舊的多格窗,畫面裡沒有人。雨點在玻璃上,外面是光禿的樹和溼地面。灰白天光,舊木頭。沒有文字。沒有標誌。

這張裡沒有人。它是雨,不是尾幀。

打開天氣
動作

人停在窗前。不回頭,也不走開。雨在玻璃上移動,樹輕微搖一下。一個連續鏡頭。不要切。只有雨聲和房間底噪。不要音樂。沒有對白。沒有文字。

參考模式。如果影片欄還停在首尾幀,人會變成起點,空窗會變成終點。

打開這個停住

一條混音

聲音是開的。分軌不在這裡。

H3 Flex 在同一次生成裡寫進同步立體聲。Pika 的託管 API 再把這條混音拆成五條。本地下載的權重不拆。Seedance 2.5 有一個聲音開關,預設開著,返回的是一條混音。在動作提示詞裡寫明聲音要幹什麼。

Pika 託管的五條

  1. 01
    對白

    說出來的話。這三個鏡頭都沒有。在提示詞裡寫明。

  2. 02
    配樂

    音樂。鏡頭不需要提示,就不要寫。

  3. 03
    音效

    設計過的聲音。門閂屬於這一條,如果你寫了它。

  4. 04
    擬音

    腳步、布料,以及你沒放進畫面的杯子。

  5. 05
    環境

    水、雨、房間底噪。

你不會從 VibePaper 匯出這五個檔案。參考模式可以附上最多十段音訊,每段 2 到 30 秒。首尾幀不收音訊。棧橋和門,把聲音寫進提示詞,並讓聲音保持開著。預覽草稿強制 480p,是便宜的那一遍。畫布上的「生成 1080p 正式版」從這條預覽做出完整鏡頭。

同一座棧橋,穿大衣的人現在很小,站在遠端,近處的橋板是空的

落點是一個決定,不是一個願望。

打開棧橋,設成 16:9。遠處那個人還不是同一件大衣、同一塊橋板之前,不要生成這段路。

讓這段路動起來

繼續

來源

H3 Flex 的數字來自 Silicon Noon(2026 年 11 月 1 日)和 Lapaas Voice(發佈日 2026 年 10 月 29 日,文章日期 2026 年 11 月 1 日)。Seedance 的限制是本產品裡當前的 seedance2-5 定義:4 到 30 秒,480p 或 720p,首尾幀或參考,聲音預設開。預覽草稿強制 480p。

Silicon Noon,2026年11月1日6 步、兩個 LoRA、480p/768p、5–15 秒、託管的 1080p/2K/4K 和五條音軌、Apache 2.0 推理程式碼、DesignArena 第 8、Elo 1,288。Lapaas Voice,2026年11月1日2026年10月29日發佈。MiniMax H3 後訓練、12 個參考、24 fps、11 種畫幅、Hugging Face 適配器、五條音軌的名字,以及“大約 7 秒”指的是 transformer 計算。

問題

VibePaper 裡有 Pika H3 Flex 嗎?

沒有。H3 Flex 是 Pika 對 MiniMax H3 的開放權重後訓練,2026 年 10 月 29 日發佈。這篇用的是 Paper Gen、無限畫布、Seedream 5.0 和 Seedance 2.5。

首幀和尾幀在哪裡設?

在 Seedance 2.5 上,把參考模式換成首尾幀。一張圖放首幀,一張圖放尾幀。比例會鎖成自適應。本頁的連結只設定模型和提示詞。

“做成影片”會把兩幀都帶上嗎?

不會。做成影片會切到影片欄,並把這一張靜幀當成參考。尾幀要自己加。如果還停在參考模式,要先把模式換掉。

能匯出五條音軌嗎?

不能。那五條是 Pika 的託管 API。Seedance 2.5 在聲音開著時返回一條混音,這是預設。參考模式還可以帶最多十段音訊。首尾幀不能。

能收到 4K 嗎?

這裡不能。H3 Flex 的 1080p、2K 和 4K 是 Pika 的託管放大。Paper Gen 是 480p 或 720p。預覽草稿強制 480p。畫布上的按鈕是「生成 1080p 正式版」。

部落格