Megjelent a FLUX 3 Video, hanggal és akár 20 másodperces klipekkel

Videó, hang és több jelenet egyetlen generálásban

A Black Forest Labs 2026. augusztus 4-én jelentette be a FLUX 3 Video első, általánosan elérhető változatát. A modell HD, vagyis 720p felbontásban készít videót, a vállalat pedig felskálázással Full HD, azaz 1080p kimenetet is biztosít. Egy klip hossza legfeljebb 20 másodperc lehet, a hang pedig a videóval együtt jön létre.

A FLUX 3 a Black Forest Labs multimodális modellje, amelyet videó, hang, kép és cselekvések generálására, illetve előrejelzésére terveztek. A vállalat szerint a modell nem egyetlen filmes látványvilágra korlátozódik. A kimenetek lehetnek nyersek, természetesek, játékosak, nosztalgikusak vagy szokatlanok is.

A rendszer összetett utasításokat is képes követni, jeleneteket és kameranézeteket válthat egyetlen generáláson belül, valamint a feliratokat és más tipográfiai elemeket a jelenet részeként jeleníti meg. Párbeszédeket több nyelven is létrehozhat természetes akcentussal és pontos szájmozgással.

Szövegből, képből és meglévő videóból is dolgozik

A FLUX 3 Video szövegből jeleneteket, mozgást és hangot generál. Képes egy kezdőképből kiindulni, a felhasználó pedig végső képkockát vagy több kulcsképkockát is megadhat. A modell ezeket sorrendbe kapcsolja, miközben követi a kívánt vizuális irányt.

A videó folytatásához legfeljebb négy másodpercnyi meglévő videó és hang adható meg. A Black Forest Labs leírása szerint a rendszer a mozgást, a kameramunkát, a párbeszédet és a hangot is figyelembe veszi, amikor folytatja a jelenetet.

Egyetlen videón belül több jelenet és kameranézet is létrehozható. A modell párbeszédeket, hangeffekteket és környezeti hangokat generál a képkockákkal együtt. A támogatott nyelvek között az angol különböző nyelvjárásai mellett a kínai, a spanyol, a francia, a német, a japán, a portugál, az orosz, az olasz, az indonéz, a török, a hindi és a pandzsábi szerepel, a vállalat pedig további nyelveket is említ.

A Black Forest Labs szerint a modell előtanítás során megszerzett világismeretet valós idejű leképezéssel kapcsolja össze. Ezt dokumentumfilmekhez és rövid oktatási tartalmakhoz is használhatónak tartja, akár rövid, néhány szavas utasításokból.

Gyors vázlatmód és a következő fejlesztések

A Draft Mode gyors előnézetet készít az utasítás alapján, a vállalat szerint a teljes értékű generálás költségének töredékéért. Ha a vázlat megfelel, a rendszer teljes minőségben rendereli a videót. A Black Forest Labs állítása szerint a végső változat ugyanazokat a szereplőket, kompozíciót és mozgást tartja meg, mint a jóváhagyott előnézet.

A vállalat saját értékeléseiben a FLUX 3 Video a szövegből videót készítő rendszerek között jelentős különbséggel felülmúlta a meglévő élvonalbeli modelleket. Képből videót készítő feladatokban a Black Forest Labs szerint a modell döntetlenre végzett a Seedance 2.0-val, és minden más vizsgált élvonalbeli modellt megelőzött. A cég közlése szerint emberi értékelők mindkét feladattípusban ezt a modellt részesítették előnyben.

A kiadás előtt a Black Forest Labs a Cinder nevű külső partnerrel több kockázatot is vizsgált, köztük a beleegyezés nélküli intim képeket és a gyermekek szexuális bántalmazását ábrázoló anyagokat. A következő kiadásokban képek, videók és hangok kombinációjából történő generálást, valamint nagyobb vezérelhetőséget ígérnek. A tervek között szerepel a FLUX 3 Image képgeneráló és képszerkesztő modell, továbbá a nyílt súlyú FLUX 3 Dev változat is. A FLUX 3 Video jelenleg a BFL API-ján és kiválasztott partnereken keresztül érhető el.