跳到正文
VibePaper
蓝色时刻,一个穿深色大衣的人站在老旧木栈桥上,只见背影,面向平静的水面和远处的低山

关键帧场记 · 2026年11月2日14 分钟阅读

Pika H3 Flex:带声音的首尾帧,在 VibePaper 上这样做

两张静帧决定这条片子。Seedance 2.5 只负责走过中间,声音和画面一起出来。

先锁定开场静帧

VibePaper 不提供 Pika H3 Flex。这篇也不是锁屏、手机背景或桌面布置。它是一条关键帧工作流:在 Paper Gen 里画首帧和尾帧,在画布上对照,再用 Seedance 2.5 补上中间,并打开声音。

开场
Seedream 5.0 静帧
落点
第二张静帧
动作
Seedance 2.5
声音
开着,一条混音

10月29日H3 Flex 发布

6 步画面和立体声一起出

5–15 秒公布的片子长度

1,288DesignArena Elo,11月1日

Pika 在 2026 年 10 月 29 日发布 H3 Flex。11 月 1 日的报道把它写成 MiniMax H3 的开放权重后训练:画面和同步立体声在同一次 6 步采样里生成,基座模型原来是 50 步。随模型发布两个 LoRA 适配器。一个负责文生视频和首尾帧条件。另一个接收多模态参考,最多 12 个文件,计为 9 张图、3 段视频、3 段音频。原生输出是 480p 或 768p,5 到 15 秒。1080p、2K、4K,以及拆成五条音轨,只在 Pika 的托管 API 上。你可以去读那篇发布。关键帧这一半,可以在这里用 Seedream 5.0 和 Seedance 2.5 做。

先写下出发的那一帧,再写下落地的那一帧。模型只负责把两帧之间走完。

场记

五步,按顺序

下面的链接只设置模型和提示词。不设置比例、时长、输入模式或声音。Paper Gen 读一次提示词,就把它从地址栏拿掉,所以刷新不会冲掉你之后的修改。

  1. 01

    在 Paper Gen 里画两张静帧。

    默认图片模型是 Seedream 5.0。生成前先定比例。开场和落点要共用同一个地方、同一件大衣、同一种光。“再来 4 张”会保留这条提示词,再出四张变体。Paper Gen 没有风格芯片。

  2. 02

    把两帧都放到画布上。

    “在 Canvas 中继续”会打开一块画板,提示词连着已保存的文件。把开场静帧和落点静帧并排放。如果两张对房间的说法不一致,改一个句子再生成。不要让视频模型去发明这份一致。

  3. 03

    只有两帧都该穿上同一种调子时才上风格。

    选中图片卡片。风格芯片在画布的生成行上。预设会把一段描述追加到提示词后面,不会换掉桥或门。两帧用同一个调子,或者都不用。只给其中一帧上调,衔接时会闪。

  4. 04

    用 Seedance 2.5 走过中间。

    在画布的视频节点,或 Paper Gen 的视频栏,把模式换成“首尾帧”。开场静帧放进首帧,落点静帧放进尾帧。这个模式会把比例锁成自适应。时长设成 4 到 30 秒里的一个固定值。默认是自动。声音默认开着。提示词只写变化。

  5. 05

    两帧不够时,改用参考。

    在单张静帧上点“做成视频”,会切到视频栏,并把这一张当成参考。它不会放上尾帧。参考模式最多 30 张图、10 段视频、10 段音频。首尾帧只要两张图,不收音频。首尾放反了,用“交换首尾帧”。

公布的 / 这里的

H3 Flex 公布了什么,在这里落在哪

左列是 10 月 29 日发布、11 月 1 日报道里的内容,用我们自己的话复述。右列是 VibePaper 里对应的控件,没有对应控件就写明缺口。

H3 Flex 公布了什么,在这里落在哪
公布的在 VibePaper
MiniMax H3 的开放权重后训练。适配器权重在 Hugging Face,许可证是 MiniMax H3 社区协议。推理代码是 Apache 2.0,报道点名可接入 ComfyUI 和 Diffusers。选择器里没有 Pika H3 Flex,这里也不下载那套权重。静帧用 Seedream 5.0。动作用 Seedance 2.5,也就是默认的视频模型。
画面和同步立体声在一次 6 步采样里完成,基座原来是 50 步。原生 480p 或 768p,5 到 15 秒且按整秒,24 fps,H.264 加 32 kHz 立体声 AAC。Lapaas Voice 写了 11 种画幅。Seedance 2.5 在 Paper Gen 里是 4 到 30 秒,480p 或 720p。声音是一个开关,默认开。没有 768p,也没有帧率控件。首尾帧会把比例锁成自适应。
两个适配器。一个做文生视频加首尾帧条件。另一个最多收 12 个参考:9 张图、3 段视频、3 段音频。Seedance 2.5 有两种输入模式。首尾帧是一张开场图加一张落点图。参考模式最多 30 张图、10 段视频、10 段音频。数量不是同一个产品。不要把第三张图塞进首尾帧。
1080p、2K、4K 放大,以及五条音轨,只在 Pika 的托管 API 上。本地下载的模型是草稿。Paper Gen 的分辨率是 480p 或 720p。预览草稿会强制 480p。画布上的按钮是「生成 1080p 正式版」,从那条预览做出来。没有 2K 或 4K,也没有分轨导出。
截至 2026 年 11 月 1 日,Silicon Noon 把 H3 Flex 放在 DesignArena 视频榜第 8,Elo 1,288,817 场对战,是榜上最高的开放权重模型。Pika 在发布时报的是第 7,Elo 1,293。Wan 3.0 当时第 4,但没有公开权重。MiniMax H3 第 11。这个名次不是 VibePaper 的评测,榜也会动。这里选 Seedance 2.5,是因为它能收首帧和尾帧,并且可以把声音开着。报价出来之后,生成按钮上会显示费用。
常被引用的“15 秒 768p 大约 7 秒”,量的是 transformer 计算,不是完整等待。Silicon Noon 另记了一组内部计时:八张 NVIDIA B300 上,一条 5 秒 768p 带声音的片子,总推理从 3.409 秒到 2.129 秒,日程不变。这两个数字不是同一次加速。在这里排镜头时,两个计时都不用管。Seedance 2.5 不公布 6 步日程。设好时长,生成,看那一帧。落点如果不是你贴上去的那张,就改一个句子。

三个样子

先做首尾帧。这件事如果不是首尾,就改用参考

先生成两张静帧,再要动作。前两个是首尾帧。第三个是参考,因为人和雨是材料,不是起点和终点。

01栈桥,从近到远

  • 模式:首尾帧。
  • 调子:关。
  • 运镜芯片:关。
蓝色时刻,一个穿深色大衣的人站在靠近镜头的湿木栈桥上,脸看不见
首帧
同一座栈桥,穿大衣的人现在很小,站在远端,近处的桥板是空的
尾帧

昭和复古怀旧会追加暖色老胶片和安静的怀旧。这个时刻是蓝的。把风格关掉,否则落点和开场对不上。向前推进是朝主体推过去。这段路是人走远。路径已经由两张静帧定了。

  1. 开场静帧。 Paper Gen,Seedream 5.0。16:9 要自己设。链接不会设。脸保持看不见。
  2. 落点静帧。 同一座桥,同一件大衣,人在远端变得很小。在画布上把两张卡片并排放好,再决定要不要上风格。
  3. 这段路。 Seedance 2.5,首尾帧。时长 8 秒,不要自动。声音开着。不要运镜芯片。
首帧

蓝色时刻,一座老旧的木栈桥伸进平静的水面,16:9。一个原创成年人,深色羊毛大衣,只见背影,站在靠近镜头的桥头,脸完全看不见。桥板是湿的,天色很淡,远处是低矮的山。自然光,细颗粒。没有文字。没有标志。

Seedream 5.0。生成前自己设成 16:9。

打开开场静帧
尾帧

同一座桥,同一个机位高度,同一个蓝色时刻,同一件大衣。人现在很小,站在桥的远端,仍然背对镜头。近处的桥板是空的。不要新的物体。没有文字。没有标志。

山或桥桩如果漂了,重做这张静帧。不要让视频那一步去修地点。

打开落点静帧
动作

同一座桥,同一件大衣。人背对镜头沿着桥板往远处走,直到在桥的尽头变得很小。一个连续镜头。不要切。不要回头。只有水声和脚步。不要音乐。没有对白。没有文字。

首帧是近处那张,尾帧是远处那张。放反了就交换首尾帧。比例会锁成自适应。

打开这段路

02一扇门,先关后开

  • 模式:首尾帧。
  • 调子:电影质感 → 悬疑,仅当两张都能变冷。
  • 运镜芯片:关。
昏暗走廊尽头一扇关着的旧木门,暖光只从门底漏出
首帧
同一条走廊,木门已经打开,暖光照在空房间的地板上
尾帧

悬疑会追加冷色、低曝光、高对比。门缝下的暖光可能被拉向蓝。那盏光必须留暖,就把风格清掉。两张都上,或者都不上。不要有人走过去。

  1. 关着。 一扇门,一道漏光,没有人。Seedream 5.0,16:9。
  2. 开着。 同一条走廊,门开了,房间是空的。在画布上核对墙皮和地板还是第一张的。
  3. 门闩。 首尾帧。时长 6 秒。声音开着,提示词写门闩然后房间底噪。你不会拿到分轨。
首帧

一条窄走廊,纪实光线。尽头一扇关着的旧木门。暖光只从门缝底下漏出来,落在有磨损的地板上。空的。没有人。没有文字。没有标志。

空走廊。后面的动作提示词里不要再加人。

打开关着的门
尾帧

同一条走廊,同一扇门,现在向内打开。暖光落在门后空房间的地板上。没有人。没有家具。没有文字。没有标志。

机位高度和关着的那张一致。换角度就是另一个镜头。

打开开着的门
动作

同一条走廊。门向内打开。没有人走进来。暖光铺到地板上。一个连续镜头。不要切。先是门闩,然后是房间底噪。不要音乐。没有对白。没有文字。

只有一个动作:门打开。固定时长,不要自动。运镜芯片关掉。

打开这个门闩

03人和雨,当作参考

  • 模式:参考。不是首尾帧。
  • 调子:关。
  • 运镜芯片:关。
一个穿深色毛衣的人背对镜头,站在一扇被雨打湿的高窗前
参考,人
一扇空着的旧窗,玻璃上有雨,外面是光秃的树
参考,天气

如果用首尾帧,人和空窗会被当成起点和终点,人会走出画面。它们是两份材料。参考模式还可以带音频,最多十段,每段 2 到 30 秒。首尾帧不能带音频。AI真人会追加毛孔级皮肤和 35mm 近景。这是一个宽的背影。关掉。

  1. 人。 一张静帧,脸看不见,站在窗前。Seedream 5.0。
  2. 天气。 第二张是同一扇窗,里面没有人。这是参考,不是首尾。
  3. 停住。 在视频栏里选参考,不要选首尾帧。两张都附上。时长 8 秒。声音开着。把雨写进去。不要把它们放成首帧和尾帧。
参考,人

一间朴素的房间,灰白天光。一个原创成年人,深色毛衣,只见背影,静静站在一扇高大的旧窗前。玻璃上有雨,外面是光秃的树。脸看不见。双手垂在身侧。没有文字。没有标志。

原创成年人。不要上传真实的人的照片。

打开这个人
参考,天气

同一扇旧的多格窗,画面里没有人。雨点在玻璃上,外面是光秃的树和湿地面。灰白天光,旧木头。没有文字。没有标志。

这张里没有人。它是雨,不是尾帧。

打开天气
动作

人停在窗前。不回头,也不走开。雨在玻璃上移动,树轻微摇一下。一个连续镜头。不要切。只有雨声和房间底噪。不要音乐。没有对白。没有文字。

参考模式。如果视频栏还停在首尾帧,人会变成起点,空窗会变成终点。

打开这个停住

一条混音

声音是开的。分轨不在这里。

H3 Flex 在同一次生成里写进同步立体声。Pika 的托管 API 再把这条混音拆成五条。本地下载的权重不拆。Seedance 2.5 有一个声音开关,默认开着,返回的是一条混音。在动作提示词里写明声音要干什么。

Pika 托管的五条

  1. 01
    对白

    说出来的话。这三个镜头都没有。在提示词里写明。

  2. 02
    配乐

    音乐。镜头不需要提示,就不要写。

  3. 03
    音效

    设计过的声音。门闩属于这一条,如果你写了它。

  4. 04
    拟音

    脚步、布料,以及你没放进画面的杯子。

  5. 05
    环境

    水、雨、房间底噪。

你不会从 VibePaper 导出这五个文件。参考模式可以附上最多十段音频,每段 2 到 30 秒。首尾帧不收音频。栈桥和门,把声音写进提示词,并让声音保持开着。预览草稿强制 480p,是便宜的那一遍。画布上的「生成 1080p 正式版」从这条预览做出完整镜头。

同一座栈桥,穿大衣的人现在很小,站在远端,近处的桥板是空的

落点是一个决定,不是一个愿望。

打开栈桥,设成 16:9。远处那个人还不是同一件大衣、同一块桥板之前,不要生成这段路。

让这段路动起来

继续

来源

H3 Flex 的数字来自 Silicon Noon(2026 年 11 月 1 日)和 Lapaas Voice(发布日 2026 年 10 月 29 日,文章日期 2026 年 11 月 1 日)。Seedance 的限制是本产品里当前的 seedance2-5 定义:4 到 30 秒,480p 或 720p,首尾帧或参考,声音默认开。预览草稿强制 480p。

Silicon Noon,2026年11月1日6 步、两个 LoRA、480p/768p、5–15 秒、托管的 1080p/2K/4K 和五条音轨、Apache 2.0 推理代码、DesignArena 第 8、Elo 1,288。Lapaas Voice,2026年11月1日2026年10月29日发布。MiniMax H3 后训练、12 个参考、24 fps、11 种画幅、Hugging Face 适配器、五条音轨的名字,以及“大约 7 秒”指的是 transformer 计算。

问题

VibePaper 里有 Pika H3 Flex 吗?

没有。H3 Flex 是 Pika 对 MiniMax H3 的开放权重后训练,2026 年 10 月 29 日发布。这篇用的是 Paper Gen、无限画布、Seedream 5.0 和 Seedance 2.5。

首帧和尾帧在哪里设?

在 Seedance 2.5 上,把参考模式换成首尾帧。一张图放首帧,一张图放尾帧。比例会锁成自适应。本页的链接只设置模型和提示词。

“做成视频”会把两帧都带上吗?

不会。做成视频会切到视频栏,并把这一张静帧当成参考。尾帧要自己加。如果还停在参考模式,要先把模式换掉。

能导出五条音轨吗?

不能。那五条是 Pika 的托管 API。Seedance 2.5 在声音开着时返回一条混音,这是默认。参考模式还可以带最多十段音频。首尾帧不能。

能收到 4K 吗?

这里不能。H3 Flex 的 1080p、2K 和 4K 是 Pika 的托管放大。Paper Gen 是 480p 或 720p。预览草稿强制 480p。画布上的按钮是「生成 1080p 正式版」。

博客