11月18日,Pika发布了一个叫Enact的研究预览。它不生成一段拍完的成片,而是把生成过程摊开:画面与声音按不到一秒的分块持续产出,创作者可以在画面还在播放时用鼠标拖动演员、用一句话给角色说戏、用鼠标推拉摇移镜头。Pika给它的定位是"在片场导戏",而不是"在输入框里写提示词"。这套东西目前不对普通用户开放,也没有价格与发布日期,接入只能通过企业邮箱谈。
第一个模式是实时走位。选中画面里的主体拖到目标位置,被拖的主体连同周围环境一起重新生成,重心转移、姿态调整、光影与阴影都跟着变,原来的位置被自然填上,不需要后期抠图补洞。Pika说这套动作用的是生成而不是图层位移,所以松手之后画面能接得上。
第二个模式是实时说戏。创作者用文字或语音下指令,比如"靠近一点""把场景改成夜里的厨房",画面里的角色用自己的声音回应,并且记住此前提出的要求。系统在中间加了一层脚本模型,把导演的话翻译成动作、台词、情绪、视线、光线这些结构化节拍,再把节拍交给视频模型。排练满意之后喊一句Action,系统会从第一帧开始重新生成一条干净的完整镜头。
第三个模式是实时掌镜。用鼠标控制虚拟摄影机横移、推近、环绕,视角与空间声学随之变化。这一模式不是编辑已有片段,而是从头生成,用一张外观参考图锚定人物与场景,再用一个无贴图的Blender视口当轻量3D运动替身来引导机位路径。表演与机位被拆成两路输入,改机位不必重演一遍。
实时控制的前提是生成快过播放,所以速度数字是这套系统最硬的指标。Pika公布的三组数据分别是:走位模式在单台服务器上以播放速度的1.8倍生成,低延迟设置下单张H100的画面响应低于0.4秒(含解码);说戏模式的画面与声音以1.75倍速生成;掌镜模式在一个8卡B300节点上、640×480分辨率、24帧每秒的条件下,首帧0.51秒,后续分块1.50倍速。
这三个数字不能横向相加。它们的硬件不同、分辨率不同、衡量口径也不同:走位与说戏没有公布分辨率,掌镜公布了分辨率但只到480p,说戏模式没有给延迟数字。Pika自己也说明这些是在自家硬件上测的,没有第三方独立复现。读这类指标的正确方式是先看条件再看倍数,条件缺失的倍数只能当作方向。
把条件摊开之后,结论会变得更朴素:目前"实时"能达到的画质上限是标准清晰度,不是广播级。8卡B300是数据中心配置,不是创作者桌上的机器。这意味着Enact现在更接近一个技术演示与内部生产工具,而不是可以对外交付的服务。它证明了这条路能走,没证明这条路已经便宜到人人可用。
流式生成的分块长度直接决定响应手感。Pika的标准分块约0.7秒,低延迟模式压到0.17秒。分块越短,光标拖动与画面变化的时差越小,但每块的上下文更少,模型维持连贯性的压力更大。系统用滑动键值缓存加上重基准位置编码来控制长会话的显存开销,缓存里保存提示词、源视频锚点与最近若干分块。
延迟还有一个隐藏出处,就是蒸馏。实时模型经过自强制分布匹配蒸馏,把多步采样压成少步学生模型,并让因果学生在自己的生成历史里做自回归训练,用来压制长时序的累积误差。步数少了,速度上去了,代价是画质。Pika首席执行官在受访时承认,实时版本的画面质量略低于自家非实时版本,这是明确写在报道里的取舍。
对创作流程的影响是结构性的。过去一条片子要抽十几次卡,每次等几十秒到几分钟,成本主要花在等待与重来;现在可以一边看一边改,成本转移到"人在场的时间"。这改变的不是单价,而是工作方式:导演必须坐在机器前,助手要会操作鼠标,剪辑与生成的边界被打通。对批量生产素材的团队,这未必划算;对需要精确表演与构图的广告与短剧,价值明显。
训练数据的来源是这套系统最容易被忽略的一环。现实拍摄无法提供帧级对齐的"拖动前后视频对加鼠标轨迹",Pika自建了一条物理驱动的合成管线:让3D替身沿拖拽路径运动以模拟重量与惯性,由视频模型渲染目标画面,同时记录光标与按键状态,批量产出零人工标注的样本,覆盖提起、多段搬运、把照片里的新主体放进动态场景等操作。
镜头控制的数据来自另一条管线:自动化的Blender到视频流程,同步采集多角度相机轨迹、3D运动参考、RGB帧与空间音频,再用光流检测与跨帧身份校验剔掉噪点。这套做法说明一件事:实时可控的瓶颈不在模型结构,而在有没有成对的监督信号,而这类信号只能自己造。
竞争也在同一条线上展开。fal已经上线基于同一MiniMax H3谱系的实时导演模型,按每秒0.08美元计价、60秒起售。把两件事并排看:一边是研究预览、不卖、只能发邮件,一边是明码标价的API。这条赛道的分水岭不在于谁的演示更好看,而在于谁先把失败率、并发与单价写成可承诺的数字。