「Pika Enact」と書かれたタイトルカード。サブタイトルは「まだ使用できないリサーチプレビュー」。3つのチップには「2026年11月18日発表」「Pika H3 Flex上に構築」「再生より1.8倍高速」と書かれ、さらに2枚のカードで、H100上で0.4秒未満の応答を実現するLive Stagingと、8台のB300s上で640x480のLive Camera Controlを対比している。
Guides & Insights

Pika Enactは再生よりも速く生成する——しかもまだ使用できない

著者

Elias Hawthorne

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

PikaによるPika Enactの発表で重要な文は、マウスでアクターをあちこちドラッグする話ではない。それはこれだ:「現在、Enactはリサーチプレビューであり、消費者向けには利用できません」。ウェイトリストも、サインアップも、価格ページも、デモビルドもない。投稿内で唯一の窓口は、企業向けの会話用メールアドレスだ。その他すべて——3つのディレクティングモード、レイテンシの数値、8基のB300ノード——は、11月19日に読むことはできるが触れることはできないものを説明している。

それでもこれについて書く価値があるのは、Enactが何の上に構築されているかによる。このシステムはPika H3 Flex、つまりPikaがMiniMax H3をポストトレーニングしたバージョン上で動作しており、H3 Flexは10月29日からHugging Faceでオープンウェイトが公開されている。したがって、デモの土台にあるモデルファミリーは検査可能で、H3の場合には今日呼び出せる。Enactはそうではない部分だ。以下では、Pikaが11月18日に実際に公開した内容、数字の意味、そしてそのうちどれを測定値ではなく製品上の主張として扱うべきかを示す。

Pikaが公表したこと、そして意図的に省いたこと

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.

2026年11月18日のタイムスタンプが付いた2つの資料がある。pika.artのブログ投稿「Research Preview: Pika Enact」(Researchに分類)と、18:53 UTCの@pika_labsアカウントの投稿だ。どちらも同じ内容を同じ順序で述べている。これは実験であり、現場での演出を模倣したものであり、利用できない。

その投稿は、Enactをモデルではなく「実験的なライブストリーミング環境」と説明している。この区別はマーケティング上の言葉の濁しではなく、正確な記述だ。Enactは蒸留された生成器を包み込む配信・制御システムであり、一方の部分はマウスや音声による操作を条件付け信号に変え、もう一方の部分はシーン状態を引き継ぎながら映像と音声を1秒未満のチャンクで出力する。バージョン番号やコンテキストウィンドウを持つ単一の「Enactモデル」は存在しない。映像モデルとスクリプトモデルがあり、それらとあなたの間には大量の配管がある。

この投稿に含まれていないもの(11月19日に確認):

• エンドポイント、モデルID、APIリファレンスのいずれもありません。Pikaのドキュメントはログインの内側にあり、公開サイト上でEnactを呼び出し可能なモデルとして示しているものは一切ありません。

• 価格はありません。秒単位の料金も、クレジット費用も、エンタープライズ向けの料金プランもありません。唯一の商業的な詳細は、問い合わせ先のアドレスです。

• ウェイトリストやアーリーアクセス用のフォームはありません。これを、ほぼ必ずメールアドレスを収集する一般的なリサーチプレビューの定番手法と比較してみてください。

• Live Staging または Live Actor Direction の解像度の数値はありません。カメラモードのみが数値を持ち、それは以下で説明する数値です。

• 独立した評価はありません。投稿内のすべての数値はPika自身によるもので、Pikaのハードウェア上で測定されており、ハーネスやプロンプトセットは公開されていません。

ウェイトリストが存在しないことを、この発表全体の中で最も強いシグナルとして受け止めるべきだ。外部の人間を間もなく受け入れようとする企業は、たいてい扉を設けるものだ。

3つのモード、大きく異なる3つのコンピュートコスト

その投稿はEnactを3つのインタラクションに分けているが、それらは同じ機能の3つのビューではない。それぞれに独自のハードウェアプロファイル、独自の速度倍率、独自のトレーニングパイプラインがあり、これは3つが独立して構築され、後から継ぎ合わされたことを示す良い兆候である。

Live Stagingはマウスドラッグ操作のモードです。再生中の動画内のアクターやオブジェクトをつかんで移動すると、ポーズ、ライティング、影が追従します。Pikaによれば、単一サーバー上で「再生速度の1.8倍速く」生成し、デコードを含めて「H100で0.4秒未満」で映像が応答すると報告しています。これは、3つのフレーム整合信号——24 fpsのマウス状態、空間グラブヒートマップ、未加工のソース動画——をゼロ初期化モジュール経由で注入します。これは、凍結した生成器に新しい制御チャネルを後付けし、既存の動作を壊さないための標準的な手法です。

Live Actor Directionは、発表で最初に取り上げられる機能であり、3つの中で最も複雑です。メモを入力するか話しかけると、俳優が役柄のままそれを受け止めて演じ、セリフは「逐語的に記録」されるため、後のメモが以前のメモを参照できます。そして「Action」と言うと、リハーサルは「最初のフレームから新規に撮影した、一発勝負のクリーンテイク」に収束します。内部では、これはループで動く2つのモデルです。話したメモをツール呼び出しを介して構造化されたビートに変換するスクリプトモデルと、それを演じるリアルタイム動画モデルです。Pikaは生成について「再生より1.75倍速い」と表現しています。

Live Camera Controlは、最も見栄えのしない、それゆえ最も役立つ数値を示すモードです。生成中に仮想カメラをオービット、パン、ドリー操作でき、Pikaによれば必要なのは外観画像と軽量な3Dモーションプロキシだけ——テクスチャなしのBlenderビューポートで十分です。これは「8×NVIDIA B300ノード」上で「640×480 @ 24 fps」で動作し、初期フレームを0.51秒で、その後は「0.708秒のチャンクあたり0.473秒、つまりリアルタイムの1.50倍」でレンダリングします。

これらの3つの倍率を順に見てください。1.8×、1.75×、1.50×。これらは演出のために選ばれた余裕の数値ではありません。ストリーミングシステムがクロックに先行し続けるための余裕であり、カメラモードの余裕が最も薄いのは、そのモードが同時に、消費者が期待するフレームサイズの4分の1で8基のGPUノードを支えているからでもあります。

「再生されるより速い」ことがすべての仕掛けなのはなぜか

動画モデルは通常、ストリーミングを行わない。クリップ全体をノイズ除去してから、完成品として渡す。そのモデルではインタラクティブな演出は不可能だ。なぜなら、あなたが見る前にシーンはすでに決定されているからだ。Pikaの解決策は漸進的なものではなくアーキテクチャ上のものであり、その投稿はこれについて異例なほど具体的だ:

• チャンク化 — 出力は「標準 0.7 秒、低遅延 0.17 秒」の因果的なチャンクとして送出されます。0.17 秒という値が、ステージング環境で 0.4 秒未満の応答を実現しています。チャンクが大きくなると、ドラッグが表示されるまでの待ち時間が長くなります。

• スライディングKVキャッシュ — コンテキストはプロンプト、ソース動画、最初のチャンク、および直近4つのチャンクを保持します。古いチャンクは外れるため、チャンクあたりのコストはセッション長とともに増えることなく一定に保たれます。

• 位置埋め込みの再基準化 — Pikaの表現は「一定コストでの無限セッション」。同じ発想で異なる仕組み:参照フレームが動き続けるため、モデルが位置インデックスを使い果たすことはない。

• 蒸留 — サンプラーは「20ステップからほんの数ステップへ」と削減し、学習可能なクリティックとフルクリップのティーチャーを用いた「自己強制分布マッチング蒸留(DMD)」を使用する。20ステップのモデルは24 fpsに到達できないが、3~4ステップのモデルなら可能だ。

• ドリフトガード — 冒頭のアンカーフレームによって、アイドル状態のシーンをその開始地点へと引き戻すことができ、「Real-Time Director」が定期的なホールドビートを静かに注入します。これは、これほど自己回帰的なシステムは放置すればさまようためであり、その修正策は再トレーニングするのではなく、そっと微調整できるようにすることにあります。

単体で見れば、どれも珍しいものではない。異例なのは、そのすべてが出力品質ではなく、同じ制約——生成を再生より先に進めておくこと——に向けられている点だ。まさにそのため、サンプルクリップがどれほど優れていても、この発表の興味深い部分ではない。

Pikaが見出しに入れなかった数字

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.

カメラモードの仕様は、8台のB300 GPU上で640×480、24 fpsだ。もしEnactが製品発表だったなら、この数字は埋もれていただろう。しかしこれは、この投稿で最も情報量の多い数値だ。なぜなら、カメラを操作しながら再生より1.5倍先行し続けるために、システムは大半のスタジオのレンダー予算全体より高価なノード上でクォーターVGAのストリームをレンダリングしているからだ。

それでデモが偽物になるわけではない。それは余裕度を示すデモになり、最先端ハードウェア上での余裕度こそ、あらゆるインタラクティブメディアシステムが最初のバージョンを出荷してきた方法だ。読者にとって重要な問いは、640×480で十分かどうかではない。レンタルできるハードウェア上でその比率がどうなるかであり、Pikaはそれについて何も言っていない。ステージングモードのH100の数値が最も近い答えだ——1基のGPUで0.4秒未満——そしてステージングはカメラワークよりもはるかに単純な制御問題である。

もう一つの未報告の側面は、セッションが実際にどれだけの時間、一貫性を保てるかだ。直近4つのチャンクとアンカーフレームを備えたスライディングキャッシュは、一貫性を保つための設計であり、その保証ではない。この投稿には、セッションの長さ、時間経過に伴うドリフトの測定値、10分間のテイクの例が一切示されていない。Pikaの外部の誰かが実際に実行するまでは、「無限セッション」はアーキテクチャであって、成果ではない。

今週実行できること

Enactについては、何も。H3 Flexは、はい——重みは10月29日にPika-Labs/Pika-H3-FlexとしてTurbo LoRAとともに公開され、メインリポジトリは、11月19日時点でHugging Face APIによると16万6,000回を超えるダウンロードを記録しています。これは本当に異例の状況です。未公開のインタラクティブデモのベース生成器がダウンロード可能で、Pikaが伏せている部分は音声ステム分離と高速化されたサービングスタックです。

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.

Pikaのポストトレインではなく、蒸留されていない祖先モデルをお求めなら、MiniMax H3はEnactのスタック全体が派生したモデルです — テキスト、画像、動画、音声の参照をひとつのコンテキストとして読み込む、ネイティブステレオ音声を備えたオムニモーダル生成器です。OrcaRouterを通じて秒単位で提供され、768Pで毎秒$0.08、2Kで$0.13、プロバイダーの定価請求でマークアップは一切なし。そのため、ベンダーの価格変更は発表当日にここへ反映されます。これはEnactとは別製品であり、H3 Flexとは別のチェックポイントです。「リアルタイム」にいくらかかるかという8GPUのメンタルモデルを固める前に、H3ファミリーの出力があなたの映像に合うかどうかを知るための、最も安価な方法にすぎません。

この話においてルーティング層に存在価値があるのは、地味な理由からです。実績がなく、単一ベンダーによる研究グレードの機能は、まさに本番経路を築く土台にしたくないものだからです。プロバイダー間のフェイルオーバーとは、一方のエンドポイントが混雑していても H3 の試験運用が停止につながらず、他のすべてのモデルが同じキーの背後にあり、1つのエンドポイントで200以上のモデルを利用できるということを意味します。そうすることで、必ずしたくなる比較——H3 と Kling、Seedance、そして今週出荷された何かとの比較——に2つ目の契約は必要ありません。そうしたことはどれも Enact を手に入れることにはつながりません。手に入るのは、Enact を判断するための正直な基準です。

これをデモから意思決定へと変えるには、何が必要でしょうか

読者の選択肢を変える順に、4つのこと:

• 入口 — ウェイトリスト、ベータキー、クレジット価格。そのどれか一つがあれば、Enact は読んで知るだけのものから、計画を立てる対象へと変わる。

• カメラ制御のための640×480を超える解像度、または使用可能なフレームサイズでステージングするための明示されたハードウェア要件。単一のH100における1.8倍の余裕は、そこへの道筋を示唆している。ただしPikaは、最終的にどこに落ち着くのかをまだ公表していない。

• セッション全体にわたる結果、できればPika以外の誰かによるもの。数分間のドリフトは演出ツールにとって最も重要な要素であり、ハイライトリールでは見せられない唯一の点です。

• 公開プロンプトセットまたは独立したレイテンシ計測ハーネス。Pikaの数値は内部整合性があり、異例なほど詳細で、これは良い兆候だ。しかし「リアルタイムの1.8倍」は蒸留を開発したチームによる測定であり、主張であってベンチマークではない。

少なくともそのどれか一つが実現するまでは、Pika Enact を正確に言い表せば、範囲が狭く地味なものになる。実際に動く研究システムであり、本物のエンジニアリングの詳細まで公開されているが、制作者自身が「使えない」と述べている。エンジニアリングは読む価値がある——因果的チャンキング、スライディングキャッシュ、蒸留レシピは、今後1年で他の皆がインタラクティブ動画をどう構築していくかについてのもっともらしい青写真だ。製品はまだ存在せず、1.8× がどれほど大きくてもそれは変わらない。