Une carte de titre indiquant Pika Enact, sous-titrée aperçu de recherche que vous ne pouvez pas encore utiliser, avec trois puces indiquant annoncé le 18 novembre 2026, reposant sur Pika H3 Flex, et 1,8 fois plus rapide que la lecture, ainsi que deux cartes mettant en regard Live Staging à moins de 0,4 seconde de réponse sur un H100 et Live Camera Control en 640x480 sur huit B300s.
Guides & Insights

Pika Enact génère plus vite qu'il ne joue — et vous ne pouvez pas encore l'utiliser

Auteur

Elias Hawthorne

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

La phrase qui compte dans l’annonce de Pika concernant Pika Enact n’est pas celle qui parle de faire glisser des acteurs avec une souris. C’est celle-ci : « Actuellement, Enact est un aperçu de recherche, indisponible pour un usage grand public. » Il n’y a ni liste d’attente, ni inscription, ni page de tarifs, ni version de démonstration. La seule voie indiquée dans l’article est une adresse e-mail pour des discussions avec les entreprises. Tout le reste — les trois modes de réalisation, les chiffres de latence, le nœud à huit B300 — décrit quelque chose dont on peut lire des descriptions le 19 novembre sans pouvoir y toucher.

Cela vaut quand même la peine d’être écrit, en raison de ce sur quoi Enact est construit. Le système repose sur Pika H3 Flex, la version post-entraînée par Pika de MiniMax H3, et H3 Flex a des poids ouverts sur Hugging Face depuis le 29 octobre. La famille qui sous-tend la démo est donc inspectable et, dans le cas de H3, invocable dès aujourd’hui. Enact est la partie qui ne l’est pas. Voici ce que Pika a réellement publié le 18 novembre, ce que signifient les chiffres, et lesquels d’entre eux vous devriez considérer comme une allégation produit plutôt qu’une mesure.

Ce que Pika a publié, et ce qu’il a délibérément omis

Pika's own blog post Research Preview: Pika Enact, dated 18 November 2026, showing the headline, the summary line about talking to your cast and shaping scenes as they unfold, and the three named interaction modes Live Staging, Live Actor Direction and Live Camera Control.

Deux artefacts, tous deux horodatés du 18 novembre 2026. Un article de blog sur pika.art intitulé « Research Preview: Pika Enact », classé dans Research, et une publication du compte @pika_labs à 18:53 UTC. Les deux disent la même chose dans le même ordre : il s’agit d’une expérimentation, elle imite la mise en scène sur un plateau, et elle n’est pas disponible.

Le billet décrit Enact comme « un environnement expérimental de diffusion en direct » plutôt que comme un modèle. Cette distinction n’est pas une précaution marketing — c’est la description exacte. Enact est un système de service et de contrôle construit autour d’un générateur distillé : une partie transforme ce que vous faites à la souris ou avec votre voix en signaux de conditionnement, une autre émet de la vidéo et de l’audio par tranches de moins d’une seconde tout en propageant l’état de la scène d’une tranche à l’autre. Il n’existe pas de « modèle Enact » unique avec un numéro de version et une fenêtre de contexte. Il y a un modèle vidéo, un modèle de script, et beaucoup de plomberie entre eux et vous.

Ce que la publication ne contient pas, vérifié le 19 novembre :

• Aucun point de terminaison, ID de modèle ni référence d’API. La documentation de Pika est accessible après connexion, et rien sur le site public n’expose Enact comme modèle appelable.

• Aucun prix. Pas de tarif à la seconde, pas de coût en crédits, pas d’offre entreprise. Le seul détail commercial est l’adresse de contact.

• Aucun formulaire de liste d'attente ni d'accès anticipé. À comparer avec le scénario habituel des avant-premières de recherche, qui collecte presque toujours des adresses e-mail.

• Aucune valeur de résolution pour la mise en scène en direct ou la direction d'acteurs en direct. Seul le mode caméra en a une, et c'est le nombre abordé ci-dessous.

• Aucune évaluation indépendante. Chaque chiffre présenté dans l'article provient de Pika elle-même, mesuré sur le matériel de Pika, sans qu'aucun harnais ni ensemble d'invites ne soit publié.

Considérez l’absence de liste d’attente comme le signal le plus fort de toute l’annonce. Une entreprise qui compte bientôt laisser entrer des personnes de l’extérieur a tendance à construire une porte.

Trois modes, trois factures de calcul très différentes

Le post sépare Enact en trois interactions, et ce ne sont pas trois vues d’une même fonctionnalité. Chacune a son propre profil matériel, son propre multiplicateur de vitesse et son propre pipeline d’entraînement, ce qui indique bien que les trois ont été construites indépendamment puis assemblées tardivement.

Live Staging est le mode de déplacement à la souris. Vous saisissez un acteur ou un objet dans une vidéo en cours de lecture et le déplacez, et les poses, l’éclairage et les ombres suivent. Pika indique que ce mode génère « 1,8 × plus vite que sa lecture » sur un seul serveur, l’image réagissant « en moins de 0,4 seconde sur H100 », décodage compris. Il injecte trois signaux alignés sur les images — des états de souris à 24 fps, une carte thermique spatiale de saisie et la vidéo source intacte — via des modules initialisés à zéro, ce qui est l’astuce standard pour greffer un nouveau canal de contrôle sur un générateur figé sans compromettre ce qu’il fait déjà.

Direction d'acteur en direct est la fonction que l'annonce met en avant, et c'est la plus complexe des trois. Vous tapez ou dictez une note, l'acteur en prend acte dans son personnage et joue avec, et les répliques sont « consignées mot pour mot » afin que les notes ultérieures puissent renvoyer aux précédentes. Puis vous dites Action et la répétition se condense en « une prise unique, tournée à neuf depuis la première image ». Sous le capot, ce sont deux modèles en boucle : un modèle de script qui transforme votre note vocale en beats structurés via des appels d'outils, et un modèle vidéo temps réel qui les interprète. Pika annonce une génération « 1,75× plus rapide que leur lecture ».

Live Camera Control est le mode qui affiche les chiffres les moins flatteurs et donc les plus utiles. Vous orbitez, faites un panoramique ou un dolly avec une caméra virtuelle pendant la génération, et Pika indique qu'il ne lui faut qu'une image d'apparence accompagnée d'un proxy de mouvement 3D léger — une fenêtre de visualisation Blender non texturée suffit. Il tourne sur un « nœud 8×NVIDIA B300 » à « 640×480 @ 24 fps », en rendant les premières images en 0,51 s, puis « 0,473 s par segment de 0,708 s, soit 1,50 x le temps réel ».

Lisez ces trois multiplicateurs dans l’ordre : 1,8×, 1,75×, 1,50×. Ce ne sont pas des chiffres de marge de manœuvre choisis pour l’effet. Ce sont les marges qui permettent à un système de streaming de rester en avance sur l’horloge, et le mode caméra est celui dont la marge est la plus mince, car c’est aussi celui qui maintient un nœud à huit GPU à un quart de la taille de trame à laquelle un consommateur s’attendrait.

Pourquoi « plus rapide que sa lecture » est toute l’astuce

Les modèles vidéo ne diffusent normalement pas en flux. Ils débruisent un clip entier, puis le livrent terminé. La direction interactive est impossible sous ce modèle, car la scène a déjà été décidée avant que vous ne la voyiez. La solution de Pika est architecturale plutôt qu’incrémentale, et l’article est inhabituellement précis à ce sujet :

• Découpage en blocs — la sortie est émise sous forme de blocs causaux de « 0,7 s standard, 0,17 s faible latence ». Le chiffre de 0,17 s est ce qui permet d’obtenir la réponse inférieure à 0,4 seconde en préproduction ; un bloc plus gros signifie une attente plus longue avant que votre glissement soit visible.

• Cache KV glissant — le contexte conserve le prompt, la vidéo source, le premier segment et les quatre segments les plus récents. Les segments plus anciens sont évincés, de sorte que le coût par segment reste constant au lieu d’augmenter avec la longueur de la session.

• Embeddings positionnels réancrés — La formulation de Pika est « des sessions infinies à coût constant ». Même idée, mécanisme différent : le modèle ne manque jamais d’indices de position parce que le référentiel continue de se déplacer.

• Distillation — l’échantillonneur passe « de vingt étapes à seulement quelques-unes », en utilisant la « distillation par correspondance de distribution auto-forçante (DMD) » avec un critique entraînable et un enseignant sur clip complet. Un modèle à vingt étapes ne peut pas atteindre 24 images/s ; un modèle à trois ou quatre étapes le peut.

• Une garde anti-dérive — l’image d’ancrage d’ouverture peut ramener une scène inactive vers son point de départ, et un « Real-Time Director » injecte silencieusement des beats de maintien périodiques. Cela existe parce qu’un système aussi autorégressif dérivera si on le laisse seul, et la solution est de le laisser être légèrement ajusté plutôt que de le réentraîner.

Rien de tout cela n’a d’exotique pris isolément. Ce qui est inhabituel, c’est que tout converge vers la même contrainte — garder la génération en avance sur la lecture — plutôt que vers la qualité de sortie. C’est précisément pourquoi les clips d’exemple, aussi bons soient-ils, ne constituent pas la partie intéressante de cette annonce.

Le nombre que Pika n’a pas mis dans le titre

A scoreboard for Pika Enact listing six rows: what it is, an experimental live-streaming environment; base model, Pika H3 Flex; live staging, 1.8x real time with sub-0.4-second response on H100; actor direction, 1.75x real time with a script model and a video model in a loop; camera control, 640x480 at 24 fps on eight B300s at 1.50x real time; available today, no, research preview with an enterprise contact only.

La ligne du mode caméra est du 640×480 à 24 fps sur huit GPU B300. Si Enact était un lancement produit, ce chiffre serait relégué. C’est la donnée la plus informative de l’article, car c’est le taux de change honnête entre interactivité et résolution : pour rester 1,5× en avance sur la lecture tout en orientant une caméra, le système rend un flux en quart de VGA sur un nœud qui coûte plus cher que le budget de rendu entier de la plupart des studios.

Cela rend-il la démo fausse ? Non. Cela en fait une démonstration de marge de manœuvre, et la marge de manœuvre sur du matériel de pointe est la façon dont chaque système de médias interactifs a livré sa première version. La question pertinente pour un lecteur n’est pas de savoir si 640×480 est suffisant. C’est à quoi ressemble le ratio sur du matériel que l’on peut louer, et Pika ne le dit pas. Le chiffre H100 du mode staging est ce qui s’approche le plus d’une réponse — un GPU, moins de 0,4 seconde — et le staging est un problème de contrôle bien plus simple que le travail de caméra.

L’autre dimension non documentée est la durée pendant laquelle une session tient réellement. Un cache glissant avec quatre chunks récents plus une image d’ancrage est une conception visant à rester cohérent, pas une garantie de l’être. Rien dans l’article ne donne de durée de session, de mesure de dérive au fil du temps, ni d’exemple de prise de dix minutes. Tant que personne à l’extérieur de Pika n’en aura réalisé une, « sessions infinies » relèvera de l’architecture, pas d’un résultat.

Ce que vous pouvez exécuter cette semaine

Enact, rien. H3 Flex, oui — les poids ont été mis en ligne le 29 octobre sous le nom Pika-Labs/Pika-H3-Flex, aux côtés d’un Turbo LoRA, et le dépôt principal a enregistré plus de 166 000 téléchargements selon l’API Hugging Face au 19 novembre. C’est une situation vraiment inhabituelle : le générateur de base d’une démo interactive non publiée est téléchargeable, et les éléments que Pika a gardés pour elle sont la séparation des stems audio et la stack de serving accélérée.

The OrcaRouter model page for MiniMax H3, showing the identifier minimax/minimax-h3, unified text, image, video and audio inputs feeding video output, a video-generation endpoint, and per-second pricing of 0.08 dollars per second at 768P.

Si vous voulez l'ancêtre non distillé plutôt que le post-entraînement Pika, MiniMax H3 est le modèle dont toute la pile d'Enact descend — un générateur omni-modal doté d'un audio stéréo natif qui traite les références texte, image, vidéo et audio comme un seul contexte. Il est servi via OrcaRouter à la seconde, 0,08 $ par seconde en 768P et 0,13 $ en 2K, facturé au prix catalogue du fournisseur sans marge ajoutée, si bien qu'un changement de prix du fournisseur est appliqué ici le jour même de son annonce. C'est un produit différent d'Enact et un checkpoint différent de H3 Flex ; c'est simplement le moyen le moins coûteux de découvrir si la sortie de la famille H3 convient à vos images avant de vous engager dans un modèle mental à huit GPU de ce que coûte le « temps réel ».

La couche de routage mérite sa place dans cette histoire précise pour une raison banale : une capacité de niveau recherche, non éprouvée et fournie par un seul prestataire, est exactement ce sur quoi on ne veut pas bâtir un chemin de production. Le basculement entre fournisseurs signifie qu’un essai de H3 ne se transforme pas en panne lorsqu’un point de terminaison est occupé, et que le fait d’avoir tous les autres modèles derrière la même clé et plus de 200 modèles sur un seul point de terminaison signifie que la comparaison que vous voudrez inévitablement faire — H3 face à Kling, face à Seedance, face à tout ce qui est sorti cette semaine — ne nécessite pas un second contrat. Rien de tout cela ne vous donne Enact. Cela vous donne la base honnête à partir de laquelle le juger.

Qu’est-ce qui ferait passer cela d’une démo à une décision ?

Quatre choses, dans l’ordre où elles changeraient les options d’un lecteur :

• Une porte — une liste d’attente, une clé bêta, un prix en crédits. Chacun de ces éléments fait passer Enact de quelque chose à lire à quelque chose autour duquel planifier.

• Une résolution supérieure à 640×480 pour le contrôle de la caméra, ou une exigence matérielle explicite pour la mise en scène à une taille d’image utilisable. La marge de 1,8× sur un seul H100 implique qu’une voie existe ; Pika n’a simplement pas publié où cela aboutit.

• Un résultat sur toute la durée d’une session, idéalement de la part de quelqu’un qui n’est pas Pika. La dérive sur plusieurs minutes est tout l’enjeu pour un outil de réalisation, et c’est la seule chose qu’une bande de moments forts ne peut pas vous montrer.

• Un jeu d’invites public ou un harnais de mesure de latence indépendant. Les chiffres de Pika sont cohérents en interne et exceptionnellement détaillés, ce qui est bon signe, mais « 1,8 × temps réel » mesuré par l’équipe qui a construit la distillation est une affirmation, pas un benchmark.

Jusqu’à ce qu’au moins l’un de ces éléments aboutisse, la description exacte de Pika Enact est étroite et peu glamour : un système de recherche fonctionnel, publié avec de vrais détails d’ingénierie, dont son propre créateur dit qu’on ne peut pas l’utiliser. L’ingénierie mérite d’être lue — le découpage causal, le cache glissant et la recette de distillation constituent un plan plausible pour la manière dont la vidéo interactive sera construite par tous les autres au cours de l’année à venir. Le produit n’existe pas encore, et aucun facteur 1.8× n’y changera rien.