Pika

定义

Pika 是一款基于生成式人工智能的视频创作工具，核心能力是把自然语言提示或静态图片转化为短视频，并支持对已有视频做元素替换、风格转换、画布与时长延展等编辑^[1]。它的定位是降低视频制作的操作门槛，使用者无需剪辑软件与建模软件，即可用短句描述得到数秒长的镜头^[1]。产品以网页端和移动应用为主要入口，2023 年 7 月曾先以 Discord 聊天机器人的形式开放服务，之后转向独立站点与客户端^[2]。

原理

Pika 所处的技术路线是文生视频（text-to-video），其底层属于扩散模型（diffusion model）：训练时先向真实视频样本逐步加入噪声，再让神经网络学习从噪声中反向还原画面的过程，推理时从随机噪声出发经多步去噪得到视频帧序列^[4]。与传统图像扩散模型相比，视频模型需要额外建模帧与帧之间的时序关系，否则画面会出现闪烁、主体漂移等现象，因此网络中加入处理时间维度的注意力层，用以约束相邻帧的内容连贯性^[4][5]。有技术综述将 Pika 与 Gen-2 一并归入以 U-Net 为骨干的一类视频扩散模型。

文本提示先经过语言编码器转换为语义向量，作为去噪过程的条件，使生成的画面与描述在主体、风格和镜头上对齐。图生视频时，输入图像被用作首帧或参考帧，模型在此基础上预测后续帧的运动^[6]。编辑类功能则依赖区域掩码或首尾帧约束，在保持原视频结构的前提下替换画布外延内容或局部元素。

flowchart LR

A[文本提示 / 输入图片] --> B[语言与视觉编码]

B --> C[随机噪声潜变量]

C --> D[扩散去噪, 含时序注意力层]

D --> E[视频帧序列]

E --> F[超分与插帧]

发展历程

Pika Labs 于 2023 年 4 月成立，创始人为郭文景（Demi Guo）与孟辰霖（Chenlin Meng），两人此前均在斯坦福大学人工智能实验室攻读博士，为创业离开博士项目^[3]。公司最初团队规模很小，早期成员多为斯坦福的本科与博士生。2023 年 7 月，产品在聊天应用 Discord 上开放，用户以对话方式提交文本并获得生成的视频。

2023 年 11 月 28 日，公司发布首个正式版本 Pika 1.0，宣称可由文本或图片生成 3D 动画、动漫、卡通与电影质感等多类风格短片，并具备局部修改、风格转换、画布扩展与时长延长等编辑能力^[1][6]。同一时期公司披露已完成三轮融资，总额 5500 万美元，投资方包括 OpenAI 创始成员 Andrej Karpathy、GitHub 前首席执行官 Nat Friedman 等^[7]。发布时社区用户约 50 万，每周生成视频数量以百万计^[8]。

2024 年 6 月，公司宣布完成 8000 万美元 B 轮融资，累计融资约 1.35 亿美元，估值升至约 4.7 亿美元^[3][9]。同年 10 月 1 日，Pika 1.5 上线并对免费与付费用户同时开放，主推名为 Pikaffects 的预设特效，可将画面主体压扁、融化、膨胀或炸开，单段时长提升至 5 秒^[10][11]。

2025 年 2 月前后推出 Pika 2.2 版本，最高分辨率 1080p，单段最长约 10 秒，并可通过 Pikaframes 延长至约 25 秒^[12]。2026 年 9 月，官方宣布改版为同时整合视频、图像与声音创作的平台，底层接入多个第三方生成模型，并按任务自动选择模型^[13]。同年 10 月，产品以插件形式进入 ChatGPT，在对话界面内提供图像、视频与声音生成能力^[14]。

应用

Pika 的主要使用场景是社交平台的短视频与表情包类内容，用户上传一张照片或输入一句描述即可生成数秒素材^[2]。应用内提供 Pikaswaps、Pikadditions、Pikaffects、Pikascenes 等功能模块，分别对应素材替换、画面内新增物体、物理式形变特效和场景模板^[2]。这些模块把原本需要多步操作的任务固化为若干预设，使非专业用户也能快速得到成片。

在商业内容方向，工具被用于产品图与广告镜头的制作，例如把普通商品照片处理为布光与构图更完整的宣传画面，或在保留主体与构图的前提下重打光、更换机位^[13]。创意工作者也用它做分镜预演与概念影像，先以低成本生成多个方向的短片再筛选^[14]。技术侧则提供应用程序接口，供开发者把视频、图像与音频模型接入自有工作流^[15]。

局限

生成时长是较为明显的限制。早期 1.0 版本的单段视频仅约 3 秒，且分辨率与风格范围有限^[4]；1.5 版本提升至 5 秒^[10]，2.2 版本原生时长约 10 秒^[12]，与实拍素材相比仍属短镜头级别。

时序一致性是这一类模型的共性难题。研究指出，生成视频在时间跨度变长时容易出现主体特征漂移、动作不连贯与物理逻辑失真，超过一定帧数后注意力机制难以维持连贯^[5]。有评测认为 Pika 的早期版本风格偏玩趣，在照片级写实方面并非强项^[12]。

扩散模型的迭代采样过程计算代价高，单次生成需要多步去噪，因此新版本上线时官方也提示生成时间较上一代更长^[16]。此外，训练数据涉及版权问题，公司在 1.0 发布时表示正在开发用于过滤受版权保护材料的模型^[1]。

参见

• 扩散模型 —— Pika 所依赖的生成式建模方法，通过加噪与去噪还原视觉内容。

• 文生视频 —— Pika 的核心任务形态，把文字描述转换为视频片段。

• Sora —— 同期出现的文生视频模型，采用 DiT 架构，常与 Pika 并列讨论。

• Runway —— 同属 AI 视频生成工具的另一款产品，是 Pika 早期的直接竞品。

• 生成对抗网络 —— 视频生成的另一条技术路线，与扩散模型构成方法上的对照。

• AIGC —— Pika 所属的内容生成技术门类。