PikaStream 1.0: A Pika Labs minden MI-ügynöknek arcot, hangot és helyet ad a meetingedben

A fordulat, amire senki sem számított

A Pika Labs a kreatív eszközökkel szerezte meg a hírnevét. A Pika 2.5 elérhetővé tette a szövegből videót generálást. A Pika Effects statikus képekből mozgást varázsolt. Az irány egyértelműnek tűnt: szebb klipek, hosszabb időtartam, jobb fizika.

Aztán kiadták a PikaStreamet, és az irány hirtelen derékszögben eltört.

Ahelyett, hogy a klipminőségben versenyeztek volna (amiben a Runway, a Kling és a Google már eleve versenyben áll), a Pika egy valós idejű videómotort épített, amelyet élő interakcióra terveztek. A célfelhasználó nem filmrendező. Hanem egy MI-ügynök.

Mit csinál valójában a PikaStream

Az alaptermék egy önálló képességmodul, amely MI-kódolási ügynökökhöz csatlakoztatható, mint a Claude Code, az OpenAI asszisztensek, vagy bármi, ami támogatja a Pika Developer API-t. Telepítés után az ügynök képes:

• Csatlakozni egy Google Meet-híváshoz teljesen renderelt avatárral
• Klónozott hanggal beszélni (felveszel egy rövid mintát, és az ügynök úgy beszél, mint te)
• Megjegyezni a korábbi beszélgetéseket és kontextust
• Feladatokat végrehajtani a hívás közben (kódot írni, adatokat keresni, műveleteket indítani)

Az avatár nem egy statikus kép szájszinkron-rátéttel. A PikaStream személyre szabott videót generál akár 30 FPS-sel és 480p felbontásban, egyetlen H100 GPU-n futó valós idejű diffúziós pipeline-nal.

A motorháztető alatt: FlashVAE és Streaming DiT

Két architekturális innováció teszi lehetővé a valós idejű teljesítményt.

A FlashVAE egy teljesen Transformer-alapú variációs autokódoló, amelyet a nulláról tanítottak. Saját látens teret biztosít, és streaming dekódolással rekonstruálja a videót másodpercenként több száz képkockával, minimális GPU-memória mellett. Ez az az összetevő, amely lehetővé teszi a valós idejű kimenetet GPU-farm nélkül.

A 9B Diffúziós Transzformer (DiT) egy okos tanítási trükköt alkalmaz: egy kétirányú tanármodellt desztillálnak egy kauzális autoregresszív tanulómodellbe, optimalizált önkényszerítéssel. Ez lehetővé teszi a darabonkénti streaminget valós idejű képkockasebességgel, hasonlóan ahhoz, ahogy a nyelvi modellek tokenről tokenre streamelnek szöveget.

Miért fontosabb ez, mint egy újabb szép videomodell

Az MI-videó tér 2026 áprilisában zsúfolt. A Runway Gen-4.5 filmes minőséget nyújt. A Kling 3.0 több beállításból álló forgatókönyveket kezel. A Seedance 2.0 egyszerre generál hangot és videót. A Google Veo 3.1 mindenhol ott van.

A PikaStream egyikükkel sem versenyez.

A versenytársai a Zoom-avatárok, a Synthesia-típusú előadók, és maga a "kamerán kell lenned" koncepció. A különbség az, hogy a PikaStream avatárjai nem előre felvettek és nem szkriptelt. Valós időben reagálnak, válaszolnak és cselekednek.

Az "MI-Én" koncepció

A Pika egy fogyasztói szögből is közelít, amit Pika AI Self-nek neveznek. Az ötlet: hozz létre magadról egy digitális verziót, amely helyetted részt vehet a meetingeken. Az avatárod úgy néz ki, mint te, úgy hangzik, mint te (hangklónozással), és hozzáfér a naptáradhoz, jegyzeteidhez és beszélgetési előzményeidhez.

Ez már nem tudományos fantasztikum. A béta ma működik Google Meeten, a Zoom és a FaceTime támogatás pedig hamarosan érkezik.

Az azonnali hatás a távmunkára:

• Hagyd ki a meetinget, küldd el az MI-Énedet a szükséges kontextussal
• Hadd jegyzeteljen az ügynök, hozzon döntéseket meghatározott kereteken belül, és számoljon be
• Több meeting egyszerre, mindegyiken a te konzisztens jelenléteddel

Árazás és hozzáférés

A PikaStream ára percenként $0,20 meetingrészvétel esetén. Egy 30 perces meeting $6-ba kerül. Egy emberi képviselő küldéséhez vagy a meeting kihagyásához képest a gazdasági logika bizonyos felhasználási esetekben működik: állapotjelentések, információgyűjtés, rutinegyeztetések.

A képesség elérhető a Pika Developer API-n keresztül, és modulként telepíthető kompatibilis ügynök-keretrendszerekbe. Az induláskor egyedül a Google Meet a támogatott platform.

Mit jelez ez az iparág számára

A PikaStream egy kategóriaszétválást képvisel az MI-videóban. Egyik oldalon: offline generálás (Runway, Kling, Veo) tartalomkészítésre fókuszálva. A másikon: valós idejű generálás élő interakcióhoz, távjelenléthez és ügynök-megtestesítéshez.

A gyönyörű 2 perces klipeket generáló modellek és az élő 30 FPS-es avatárokat működtető modellek különböző problémákat oldanak meg. A PikaStream az első komoly belépő a második kategóriában, és nem az utolsó lesz.

Az alkotók és fejlesztők számára a kérdés már nem csupán az, hogy "hogyan nézhet ki az MI-videó?" Hanem az, hogy "hol jelenhet meg az MI-videó, és mit tud tenni, amikor odaér?"