---
title: "黑森林实验室放出 Flux3：首个原生生成音频的多模态基础模型，20 秒音画同步一次成型"
url: "https://paooo.com/aigc-news/38928/"
author: "Prompt 语宙研究院"
published_at: "2026-07-24T15:31:03+08:00"
updated_at: "2026-07-24T15:31:03+08:00"
categories: "AIGC 资讯"
tags: "AI视频生成, AI音频与语音, Flux, Gemini, runway"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 黑森林实验室放出 Flux3：首个原生生成音频的多模态基础模型，20 秒音画同步一次成型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/38928/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-24

## AI 30 秒核心看点 (TL;DR)

- Flux3 以 Self-Flow 架构整合图像、视频、音频与动作编解码器，首次把原生音频生成纳入多模态底座。
- 它可一次生成最长20秒的音画同步内容，覆盖文本、图像、视频转视频、关键帧转场和多角色对话。
- 早期测试显示，Flux3 在720p、10秒片段设置下对多款顶尖模型保持优势，且已延伸到机器人动作模型。

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。

## 常见问题解答 (FAQ)

### 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。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
