PikaStream 1.0: Pika Labs dává každému AI agentovi tvář, hlas a místo na schůzce

Obrat, který nikdo nečekal

Pika Labs si vybudovalo reputaci na kreativních nástrojích. Pika 2.5 zpřístupnilo text-to-video. Pika Effects proměnilo statické obrázky v pohyb. Směr se zdál jasný: hezčí klipy, delší trvání, lepší fyzika.

Pak vydali PikaStream a směr se prudce změnil.

Místo soutěžení o kvalitu klipů (závod, ve kterém už jedou Runway, Kling a Google) Pika postavilo video engine v reálném čase navržený pro živou interakci. Cílový uživatel není filmař. Je to AI agent.

Co PikaStream vlastně dělá

Hlavní produkt je samostatný modul dovedností, který se napojuje na AI kódovací agenty jako Claude Code, OpenAI asistenty nebo cokoli podporujícího Pika Developer API. Po instalaci agent umí:

• Připojit se k hovoru na Google Meet s plně renderovaným avatarem
• Mluvit klonovaným hlasem (nahraješ krátký vzorek, agent mluví jako ty)
• Udržovat paměť předchozích konverzací a kontextu
• Provádět úlohy během hovoru (psát kód, prohledávat data, spouštět akce)

Avatar není statický obrázek s překryvem synchronizace rtů. PikaStream generuje personalizované video rychlostí až 30 FPS v rozlišení 480p, poháněné pipeline difúze v reálném čase běžícím na jednom H100 GPU.

Pod kapotou: FlashVAE a Streaming DiT

Dvě architektonické inovace umožňují výkon v reálném čase.

FlashVAE je plný Variational Autoencoder postavený na Transformeru, trénovaný od nuly. Poskytuje vlastní latentní prostor a rekonstruuje video přes streamované dekódování rychlostí stovek snímků za sekundu s minimální spotřebou GPU paměti. Tohle je komponenta, díky které je výstup v reálném čase dosažitelný bez GPU farmy.

9B Diffusion Transformer (DiT) používá chytrý trénovací trik: obousměrný učitelský model je destilován do kauzálního autoregresivního studenta přes optimalizované self-forcing. To umožňuje streamování po částech v reálném čase, podobně jako jazykové modely streamují text token po tokenu.

Proč je tohle důležitější než další hezký video model

Prostor AI videa v dubnu 2026 je přecpaný. Runway Gen-4.5 zvládá filmovou kvalitu. Kling 3.0 dělá vícezáběrové storyboardy. Seedance 2.0 generuje zvuk a video najednou. Google Veo 3.1 je všude.

PikaStream s nikým z nich nesoutěží.

Soutěží s avatary na Zoomu, prezentéry ve stylu Synthesia a s celým konceptem "musíš být na kameře." Rozdíl je v tom, že avatary PikaStream nejsou předtočené ani naskriptované. Reagují, odpovídají a jednají v reálném čase.

Koncept "AI Self"

Pika také tlačí spotřebitelský úhel, který nazývají Pika AI Self. Myšlenka: vytvoř si digitální verzi sebe, která může chodit na schůzky místo tebe. Tvůj avatar vypadá jako ty, mluví jako ty (díky klonování hlasu) a má přístup k tvému kalendáři, poznámkám a historii konverzací.

Tohle už není sci-fi. Beta funguje na Google Meet dnes, podpora pro Zoom a FaceTime přijde brzy.

Dopady na vzdálenou práci jsou okamžité:

• Vynech schůzku, pošli svého AI Self s kontextem o tom, co potřebuješ
• Nech agenta dělat poznámky, rozhodovat v definovaných hranicích a podat zprávu
• Víc schůzek najednou, na každé s tvou konzistentní přítomností

Ceny a dostupnost

Cena PikaStream je $0,20 za minutu účasti na schůzce. Za 30minutovou schůzku to je $6. Ve srovnání s vysláním lidského zástupce nebo zmeškáním schůzky dává ekonomika smysl v určitých scénářích: stavové aktualizace, sběr informací, rutinní porady.

Modul je dostupný přes Pika Developer API a dá se nainstalovat jako modul do kompatibilních agentových frameworků. Google Meet je jedinou podporovanou platformou při spuštění.

Co to signalizuje pro odvětví

PikaStream představuje rozdělení kategorií v AI videu. Na jedné straně: offline generování (Runway, Kling, Veo) zaměřené na tvorbu obsahu. Na druhé: generování v reálném čase pro živou interakci, teleprezenci a ztělesnění agentů.

Modely generující krásné 2minutové klipy a modely pohánějící živé avatary při 30 FPS řeší různé problémy. PikaStream je první seriózní vstup do druhé kategorie a nebude poslední.

Pro tvůrce a vývojáře už otázka nezní jen "jak může AI video vypadat?". Zní: "kde se AI video může objevit a co dokáže, když tam dorazí?"