FLUX 3 Video：通过模型页面与 API 生成带原生音频的多模态视频 | RunComfy

Black Forest Labs / FLUX 3 Video#

FLUX 3 是 Black Forest Labs 的下一代统一模型，同时使用图像、视频和音频进行训练，让动作与声音建立在同一套理解基础上。本页聚焦它的视频能力，提前展示 FLUX 3 Video 在生产环境中的使用体验。

注意：FLUX 3 Video 即将上线。在 Black Forest Labs 完成公开模型和 API 之前，本页用于预览其计划中的使用体验。

FLUX 3 Video 核心亮点#

创作者选择 FLUX 3 Video 的原因包括：

• 减少剪辑软件中的工作： 一段文字制作要求即可代替时间线剪辑、配音和手动清理。
• 像导演镜头一样下指令： 摄影机角度、氛围和节奏都由你写下的文字决定。
• 一次生成画面与声音： 每段视频都可自带同步的原生音频，无需另行配音。
• 面向真实交付： 输出针对广告、预演和社交媒体版位设计，而不只是测试片段。

FLUX 3 Video 概览#

FLUX 3 Video 的主要能力如下：

• 视频长度： 单次最长 20 秒，约为多数视频模型常见 10 秒上限的两倍，也为连接多个镜头、组成数分钟序列留出空间。
• 音频： 与画面同时生成的同步原生声音；需要无声视频时可关闭。
• 输入： 文本提示词加图像、视频和音频参考素材（参考图最多约 10 张），因此无论从零生成、编辑还是混合重构都能灵活处理。
• 分辨率： 早期访问阶段为 720p；随着模型成熟，预计会支持更高分辨率。
• 宽高比： 从竖屏 9:16 到超宽屏 21:9，覆盖社交媒体、影视和产品视频格式。
• 风格： 一个模型即可生成自然的手持摄像机质感、动画和精致的电影感画面。
• 状态： 目前处于限量早期访问阶段，即将在 RunComfy 上线。

FLUX 3 Video 关键能力#

Black Forest Labs 将 FLUX 3 Video 描述为一款包含多种生成模式的多模态模型，并且每次输出都可带原生音频。官方已确认的任务包括：

• 文本生成视频： 只需文本提示词，即可生成最长 20 秒、带完整声音的视频。
• 图像生成视频： 让起始帧动起来，或把提供的图像作为视觉参考来引导动作。
• 视频生成视频： 将源视频中的核心元素——同一个角色或物体——带入新的场景或情境。
• 视频与音频续写： 延长输入视频及其音轨，无需从头生成。
• 关键帧生成视频： 定义关键时刻，由模型补全其间受控的过渡。

除上述模式外，FLUX 3 Video 还提供：

• 嘴部动作跟随对白的 多语言对话。
• 在保持角色一致性的同时连接多个片段，形成数分钟序列的 智能多镜头串联。
• 从自然的手持摄像机画面到动画、电影感视觉的 广泛风格和宽高比。
• 直接生成在画面中的 清晰文字排版和动态设计。
• 基于现实的表现： Black Forest Labs 表示，FLUX 3 Video 已在富有表现力的面部，以及让声音匹配屏幕中的物理事件方面表现突出。

FLUX 3 Video 的原生音频与真实运动#

FLUX 3 Video 的独特之处，在于画面和声音从一开始就共同设计，而不是生成后再拼接。一次生成即可制作与动作同步的对白、拟音、环境声和音乐：门猛然关上时响起撞击声，警告灯闪烁时警报同步鸣响，人物也能在摄影机移动的同一镜头中说话。

这种同步源于模型的训练方式。Black Forest Labs 表示，视频预测占 FLUX 3 训练算力的 95% 以上，迫使模型学习接触、运动、重量和因果关系，也就是物理世界真实的运行方式。音频作为这一世界模型的结果进行学习，因此声音会与引发它的屏幕事件对齐，对白也会跟随嘴部动作。对创作者而言，这意味着动作在物理上更可信，配乐能够强化剪辑，而不是与画面冲突。

FLUX 3 Video 提示词与参考素材技巧#

在 FLUX 3 Video 预览阶段，可通过以下方法获得更稳定的结果：

• 具体说明 摄影机 和 动作，例如中近景、缓慢推进、手持或固定机位。
• 用 图像 锁定必须保持稳定的内容，如面部、服装、徽标；用 文本 描述需要变化的内容，如动作、氛围。
• 参考 视频 与 音频 应控制在 2～15 秒，参考音频需小于 15 MB。
• 开启音频时，明确说明想听到的对白语气或环境声。
• 迭代时固定 随机种子，让变化来自提示词调整，而不是随机性。
• 如果结果显得嘈杂或要求相互冲突，请简化提示词。

FLUX 3 Video 与其他模型的对比#

由于 FLUX 3 Video 仍处于早期访问阶段，目前最清晰的依据来自 Black Forest Labs 的初步评测，测试样本为带音频的 10 秒 720p 视频。在这些两两对比中，评测者选择 FLUX 3 的比例为：对比 Luma Ray 3.2 时为 93%，对比 Runway Gen-4.5 时为 77%，对比 Grok Imagine Video 时最高为 69%，对比 Kling v3 Pro 时为 60%，对比 Seedance 2.0 和 Gemini Omni Flash 时均为 52%。这些数据仍处于早期阶段，预计还会变化，但能让下面的比较更多基于能力，而不是宣传。

FLUX 3 Video vs FLUX.2#

• 从静态图像到动态视频： 包括 FLUX.2 在内的所有早期 FLUX 都只能生成静态图。FLUX 3 首次把视频和同步音频整合进同一个基础模型，让 FLUX 的参考素材处理、提示词遵循和文字排版能力延伸到动态片段。
• 延续的优势： 让 FLUX 图像模型值得信赖的特点——稳定保持角色、产品或徽标——被 FLUX 3 Video 扩展到整个镜头。
• 全新领域： 动作、时间稳定性和卡点音频，都是一家以图像起步的实验室需要解决的新问题，这也正是设置早期访问阶段的原因。

FLUX 3 Video vs Seedance 2.0#

• 评测数据： 在 Black Forest Labs 的早期测试中，与 Seedance 2.0 对比时有 52% 的结果更偏好 FLUX 3，与一个成熟、经过验证的多模态视频模型基本持平。
• 能力： Seedance 2.0 可在一次请求中混合文本、图像、视频和音频，生成约 15 秒、480p～4K 的多镜头视频，配有原生同步多轨音频，并支持编辑与延长。FLUX 3 Video 追求同等规模的多模态能力；Black Forest Labs 表示，它尤其擅长富有表现力的面部、与物理事件匹配的声音和多语言对白。
• 如何选择： 如果现在就必须投入生产，Seedance 2.0 已有成熟表现；随着公开发布临近，FLUX 3 Video 则是值得关注的选择。

FLUX 3 Video vs Kling、Runway 与 Luma#

• 评测数据： 在 Black Forest Labs 的早期对比中，FLUX 3 对 Kling v3 Pro 的偏好率为 60%，对 Runway Gen-4.5 为 77%，对 Luma Ray 3.2 为 93%。
• 差距来源： 这些优势与 FLUX 3 Video 宣称的强项一致：富有表现力的人脸、与屏幕物理事件同步的音频、多语言对白和稳定的多镜头串联。正是这些细节，让一段短片更像完成作品，而不是测试渲染。

FLUX 3 Video 早期访问阶段的预期#

FLUX 3 Video 目前仍处于限量早期访问阶段，合理的预期包括：

• 目前的强项： 较长且连贯的视频、由对白推动的戏剧性场景、原生同步音频，在早期实际测试中都有较好表现。
• 仍在成熟： 早期版本的图像生成视频功能对参考图的遵循可能不稳定；面对速度很快、能量很强的动作时，动态张力尚未达到部分专攻运动表现的竞争模型。
• 逐步推出： 分辨率从约 720p 起步，预计后续支持更高分辨率；价格和开放权重仍待 Black Forest Labs 确认。

可将 FLUX 3 Video 视为模型未来方向的预览：随着它走向全面发布，功能和限制仍会持续变化。

FLUX 3 Video 版本与完整的 FLUX 3 AI 系列#

Black Forest Labs 正在把 FLUX 3 AI 作为一个包含多个版本的统一多模态基础模型逐步推出。每个版本都会经过各自的早期访问期，再分阶段发布。根据官方发布计划：

• FLUX 3 Video： 通过 API 和私有权重访问提供视频与音频生成、编辑，即本页预览的体验。
• FLUX 3 Image： 提供图像生成与编辑，同样通过 API 和私有权重访问交付。
• FLUX 3 Action（FLUX-mimic）： 面向机器人的动作预测，与 mimic robotics 等合作伙伴共同开发，并已在 Audi 生产线上测试。
• FLUX 3 Dev： 覆盖图像、视频、音频生成及动作预测的开放权重多模态基础模型，适合希望自行运行并调整模型的团队。

Black Forest Labs 已确认计划开放权重。待 FLUX 3 Dev 基础模型发布后，社区推出 FLUX 3 LoRA 工作流将是自然的下一步，其中包括针对固定角色、风格和品牌视觉的 FLUX 3 dev LoRA 微调，就像早期 FLUX 版本所催生的大型 LoRA 生态一样。

对大多数团队而言，FLUX 3 Video 可承担日常视频制作，而 FLUX 3 Dev 与 FLUX 3 dev LoRA 则为自托管定制提供更多可能。

FLUX 3 Video 官方资源#

• Black Forest Labs

简而言之，FLUX 3 Video 即将在 RunComfy 上线：这个统一多模态基础模型可将提示词与参考素材转化为带同步原生音频的电影感短片。