Black Forest Labs宣布以Early Access方式上线推出FLUX3 多模态基础模型,采用统一架构联合学习图像、视频和音频。该模型基于Self-Flow(自监督流匹配)学习框架扩展,同步训练视频、图像和音频,在FLUX. 1 和FLUX. 2 系列基础上进一步扩展至多模态生成与理解任务。

性能全面碾压,原生音频同步输出
FLUX3 可在单次生成中输出最长 20 秒的视频并附带原生音频,支持文生视频、图生视频、视频生视频、输入视频与音频续写、关键帧转视频、多语言对话以及多镜头串联等多种创作模式。在带声音的 10 秒720p视频人工评测中,FLUX3 对比Grok Imagine Video胜率达69%,对比Seedance 2. 0 和Gemini Omni Flash胜率均为52%,展现出全面领先优势。
图像能力全面,进军机器人行为预测
在图像能力方面,官方称FLUX3 可完成图像生成与编辑,覆盖多种风格、宽高比和分辨率。更值得关注的是,Black Forest Labs正与Mimic Robotics合作,研究将FLUX3 用作机器人行为预测模型,将多模态AI能力从内容生成延伸到实体机器人领域。这一布局意味着FLUX3 不仅是一个创作工具,更有望成为连接数字世界与物理世界的通用多模态引擎。
FLUX3 的关键意义在于把图像、视频和音频放进同一套统一架构中联合学习,说明多模态生成正从“单一模态拼接”走向“原生同步生成”。对内容创作者而言,它更适合短视频、广告分镜、带声演示和多镜头叙事;对研究与产业侧而言,Black Forest Labs 与 Mimic Robotics 的合作,意味着模型能力可能进一步延伸到机器人行为预测。相较只做视频生成的方案,FLUX3 的优势在于多模态一致性与应用边界更广。
FLUX3 支持哪些多模态生成模式?
根据官方描述,FLUX3 支持文生视频、图生视频、视频生视频、输入视频与音频续写、关键帧转视频、多语言对话以及多镜头串联等模式,覆盖创作与理解两类任务。
FLUX3 的音频能力有什么特点?
FLUX3 可在单次生成中输出最长 20 秒的视频,并附带原生音频,不是后期简单配音式拼接,更强调视频与声音的同步生成效果。
FLUX3 和 Grok、Seedance、Gemini 比较结果如何?
在带声音的 10 秒 720p 视频人工评测中,FLUX3 对比 Grok Imagine Video 胜率为 69%,对比 Seedance 2.0 和 Gemini Omni Flash 的胜率均为 52%,体现出较强综合表现。
20秒带声视频生成最该先优化什么?
优先优化时序一致性、口型/动作同步和音画对齐,其次才是分辨率与风格多样性。长时生成最怕前后漂移和音频断裂,若要落地生产,必须配合分段生成、后处理和一致性控制。
多模态基础模型适合直接商用吗?
适合做底座,不适合直接裸奔上线。商用前要补内容安全、版权过滤、提示词约束和失败回退机制;同时用行业数据微调,才能把“能生成”变成“可交付、可控、可复用”。
