德国人工智能初创公司黑森林实验室(Black Forest Labs)正式发布多模态基础模型 Flux3。它基于 Self-Flow 架构打造,配备专用的图像、视频、音频及动作编解码器,把对物理世界与数字环境的统一理解与生成揽到了一起。
最扎眼的一点是音视频同步。Flux3是首个支持原生音频生成的多模态模型,一次就能吐出长达20秒的音视频同步片段,能力覆盖文本、图像、视频转视频,基于关键帧的转场,以及多角色对话等。对一支模型来说,把”听得见”和”看得见”捏成同一套底座,意味着它不再只是图像或视频的单科选手。

早期测试里,在720p 分辨率、10秒片段的设置下,Flux3把 Luma Ray3.2按93% 的胜率压了下去,对 Runway Gen-4.5也有77% 的胜率优势;即便摆到 Seedance2.0与 Gemini Omni Flash 这类顶尖模型面前,它仍守住了微弱上风。
动作也被它伸进了现实。黑森林实验室联合 Mimic Robotics 开发了面向机器人领域的动作模型 Flux-mimic,目前已在奥迪工厂跑起了生产任务测试——多模态能力从屏幕里走到了产线上。发布节奏上,BFL 选择分阶段推进:Flux3Video 已经先上线,Flux3Image 与带开源权重的 “Flux3Dev” 也将在近期陆续放出。
Flux3 的核心意义在于把音频纳入多模态生成主链路,而不是后期补配音或单独做音效,这会显著提升短片、广告、互动内容和机器人训练数据的连贯性。与传统视频模型相比,它更强调音画同步与动作一致性;与单一图像模型相比,则进一步扩展到时间维度和声音维度。
Flux3 和普通视频模型有什么区别?
Flux3 不只是生成画面,而是把音频、视频、图像和动作统一到同一底座中,支持原生音频生成与音画同步输出。相比只做视频的模型,它更适合需要对白、环境音和动作联动的场景。
Flux3 适合哪些应用场景?
它适合短视频生成、带对白的多角色内容、关键帧转场、图文转视频,以及机器人动作相关任务。由于强调音画同步,也更适合需要“看得见、听得到”的多模态内容生产。
Flux3 的实测表现如何?
文中提到,在720p、10秒片段设置下,Flux3 对 Luma Ray3.2 的胜率达到93%,对 Runway Gen-4.5 的胜率为77%;面对 Seedance2.0 与 Gemini Omni Flash 也保持微弱上风。
音画同步一次成型,最难卡在哪?
最难的是时间对齐和角色一致性。要让画面动作、口型、环境音和节奏同步,提示词里必须明确镜头长度、角色数量、动作节拍和声音风格,否则容易出现“画面对了、声音散了”的问题。
20秒生成对商业创作够用吗?
对广告预告、社媒短片和概念片段已经够用,尤其适合快速出样和A/B测试。但若要完整叙事或品牌级精修,仍需后期剪辑、音频混音和镜头补拍,现阶段更像高效草案生成器。
