单次生成20秒视频并附带原生音频

Black Forest Labs昨日发布FLUX 3多模态基础模型，以Early Access方式上线。该模型采用统一架构，联合学习图像、视频和音频，标志着其在多模态AI领域的重要进展。FLUX 3基于Self-Flow自监督流匹配学习框架扩展，同步训练多种模态数据，在FLUX.1和FLUX.2系列基础上，将能力扩大至多模态生成与理解任务。

FLUX 3在单次生成中可输出最长20秒的视频，并附带原生音频，无需后期合成。官方表示，该模型支持文生视频、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功能，为用户提供多样化的创作工具。

在性能方面，Black Forest Labs进行了带声音的10秒720p视频人工评测。结果显示，FLUX 3对比Grok Imagine Video的胜率为69%，对比Seedance 2.0的胜率为52%，对比Gemini Omni Flash的胜率也为52%，展现了其在多模态视频生成领域的竞争力。

除了视频生成，FLUX 3在机器人领域也有应用潜力。Black Forest Labs正与Mimic Robotics合作，研究将FLUX 3用作机器人行为预测模型，探索其在物理世界中的实际用途。此外，该模型在图像生成与编辑方面同样出色，覆盖多种风格、宽高比和分辨率，满足不同场景需求。

要点

• FLUX 3采用统一架构联合学习图像、视频和音频，基于Self-Flow框架扩展。
• 单次生成最长20秒视频并附带原生音频，支持文生视频、图生视频等多种任务。
• 在10秒720p视频人工评测中，FLUX 3对比Grok Imagine Video胜率69%。
• 与Mimic Robotics合作，探索将FLUX 3用于机器人行为预测。
• 图像生成与编辑能力覆盖多种风格、宽高比和分辨率。