โมเดล AI แปลงข้อความและภาพเป็นวิดีโอพร้อมเสียงสเตอริโอ 6 ขั้นตอน ที่กำลังได้รับความสนใจบน Hugging Face
Pika-Labs/Pika-H3-Flex เป็นโมเดลประเภทภาพเป็นวิดีโอ (Image-to-Video / Text-to-Video) ที่ถูกพัฒนาต่อยอดมาจาก MiniMax-H3 ออกแบบมาเพื่อให้ครีเอเตอร์ทำงานได้อย่างยืดหยุ่นและรวดเร็ว โดยจุดเด่นคือสามารถสร้างวิดีโอพร้อมเสียงสเตอริโอที่ซิงค์กันได้ภายใน 6 ขั้นตอนการสุ่ม (Sampling steps) และรองรับการใส่ไฟล์อ้างอิงสูงสุด 12 ไฟล์
ระบบทำงานผ่าน 2 อะแดปเตอร์หลัก ได้แก่ FL2VA สำหรับการใช้ข้อความและกำหนดภาพเฟรมแรกหรือเฟรมสุดท้าย และ Ref2VA สำหรับการใช้อินพุตหลายรูปแบบ เช่น ภาพสูงสุด 9 รูป วิดีโอ 3 ไฟล์ และคลิปเสียง 3 ไฟล์ โดยรันการประมวลผลบนเครื่องท้องถิ่นได้ความละเอียดระดับ 480p หรือ 768p และส่งออกไฟล์เป็น MP4 พร้อมเฟรมเรต 24 fps
โปรเจกต์นี้กำลังได้รับความสนใจบนแพลตฟอร์ม Hugging Face โดยมียอดถูกใจ 294 ครั้ง และยอดดาวน์โหลด 404 ครั้ง ติดอันดับ 9 ในหน้ากำลังมาแรง (Trending) ผู้ใช้งานยังสามารถเลือกใช้บริการผ่าน Pika API เพื่อขยายขีดความสามารถไปสู่ความละเอียด 1080p, 2K และ 4K ได้อีกด้วย
✨ จุดเด่น
- สร้างวิดีโอพร้อมเสียง — รองรับการสร้างวิดีโอความยาว 5-15 วินาที พร้อมเสียงสเตอริโอ 32 kHz ที่ซิงค์กับภาพโดยใช้เวลาเพียง 6 ขั้นตอน
- รองรับอินพุตหลากหลาย — โหมด Ref2VA รองรับการใส่ภาพ วิดีโอ และเสียงอ้างอิงรวมกันสูงสุด 12 ไฟล์เพื่อควบคุมทิศทางของช็อต
- ความละเอียดหลากหลาย — รองรับ 11 สัดส่วนหน้าจอ โดยให้ความละเอียดพื้นฐานระดับ 480p หรือ 768p บนการรันแบบ local
- ทางเลือก API เพิ่มเติม — รองรับการต่อยอดผ่าน Pika API เพื่อสร้างวิดีโอความละเอียดสูงสุด 4K แยกเสียงสเตม และปรับปรุงพรอมต์
🙋 ใครเหมาะจะลอง: เหมาะสำหรับนักพัฒนาและครีเอเตอร์มืออาชีพที่มีการ์ดจอสมรรถนะสูง เช่น H100 80GB (หรือใช้ระบบ CPU offload) พร้อมพื้นที่จัดเก็บข้อมูลสำหรับโหลดโมเดลพื้นฐานขนาดประมาณ 210 GB
ทีมข่าว เอไอไทย.com · เรียบเรียงจากหน้าโปรเจกต์ Pika-Labs/Pika-H3-Flex — รายละเอียดล่าสุดดูที่ต้นทาง
ความคิดเห็น 0
กำลังโหลดความคิดเห็น...