PikaStream 1.0: Pika Labs 让每个 AI 智能体拥有面孔、声音,并加入你的会议

一个意想不到的转变

Pika Labs 以创意工具起家并建立了声誉。Pika 2.5 让文本转视频变得触手可及。Pika Effects 能将静态图像转化为动态画面。发展轨迹看似明确: 更精美的片段, 更长的时长, 更真实的物理效果。

然后他们推出了 PikaStream, 发展方向突然转弯。

Pika 没有在片段质量上竞争(这条赛道已经有 Runway、Kling 和 Google 在角逐), 而是构建了一个专为实时交互设计的实时视频引擎。目标用户不是电影制作人, 而是 AI 智能体。

PikaStream 的核心功能

核心产品是一个自包含的技能模块, 可以接入 Claude Code、OpenAI 助手等 AI 编程智能体, 或任何支持 Pika Developer API 的系统。安装后, 智能体可以:

• 加入 Google Meet 通话, 配备完整渲染的虚拟形象
• 使用克隆语音发言(录制一段短音频样本, 智能体就能以你的声音说话)
• 保持记忆, 记住之前的对话和上下文
• 在通话过程中执行任务(编写代码、搜索数据、触发操作)

虚拟形象不是简单的静态图片加口型同步叠加。PikaStream 能以最高 30 FPS、480p 分辨率生成个性化视频, 由单块 H100 GPU 上运行的实时扩散管线驱动。

技术内核: FlashVAE 与流式 DiT

两项架构创新使实时性能成为可能。

FlashVAE 是一个从零开始训练的全 Transformer 架构变分自编码器。它提供独立的潜在空间, 通过流式解码以每秒数百帧的速度重建视频, 且 GPU 内存占用极低。正是这一组件使得无需 GPU 集群即可实现实时输出。

9B 扩散 Transformer (DiT) 使用了一种巧妙的训练技巧: 将双向教师模型通过优化自强制蒸馏为因果自回归学生模型。这使得逐块流式生成能够达到实时帧率, 类似于语言模型逐 token 流式输出文本的方式。

为什么这比又一个精美视频模型更重要

2026 年 4 月的 AI 视频领域竞争激烈。Runway Gen-4.5 擅长电影级画质。Kling 3.0 支持多镜头故事板。Seedance 2.0 能同时生成音频和视频。Google Veo 3.1 无处不在。

PikaStream 与它们中的任何一个都不构成竞争。

它的竞争对手是 Zoom 虚拟形象、Synthesia 风格的演示者, 以及"你必须亲自出镜"这一概念本身。 区别在于, PikaStream 的虚拟形象不是预录制或脚本化的。它们能实时反应、回应和行动。

"AI 分身"概念

Pika 还推出了一个面向消费者的功能, 称为 Pika AI Self。核心理念是: 创建一个数字版的你, 代替你参加会议。你的虚拟形象看起来像你, 声音像你(通过语音克隆), 并且可以访问你的日历、笔记和对话历史。

这不再是科幻小说。Beta 版今天已在 Google Meet 上运行, Zoom 和 FaceTime 支持即将推出。

对远程办公的影响是即时的:

• 跳过会议, 让你的 AI 分身带着你需要的上下文去参加
• 让智能体做笔记, 在预设边界内做决策, 然后向你汇报
• 同时参加多个会议, 每个会议都有你一致的形象

定价与使用

PikaStream 的定价为每分钟会议参与 $0.20。一场 30 分钟的会议费用为 6 美元。与派人参加或错过会议相比, 在某些场景下经济账是划算的: 状态更新、信息收集、例行签到。

该技能通过 Pika Developer API 提供, 可作为模块安装在兼容的智能体框架中。发布时仅支持 Google Meet。

这对行业意味着什么

PikaStream 代表着 AI 视频领域的一次类别分化。一边是专注于内容创作的离线生成(Runway、Kling、Veo)。另一边是用于实时交互、远程在场和智能体具身化的实时生成。

生成精美 2 分钟片段的模型与驱动实时 30 FPS 虚拟形象的模型正在解决不同的问题。PikaStream 是第二个类别中的第一个重量级选手, 但不会是最后一个。

对于创作者和开发者来说, 问题不再仅仅是"AI 视频能呈现什么样的画面?"而是"AI 视频能出现在哪里, 到了那里又能做什么?"