FLUX 3 Video：透過模型頁面與 API 生成帶原生音訊的多模態影片 | RunComfy

Black Forest Labs / FLUX 3 Video#

FLUX 3 是 Black Forest Labs 的下一代統一模型，同時使用圖像、影片和音訊進行訓練，讓動作與聲音建立在同一套理解基礎上。本頁聚焦它的影片能力，搶先展示 FLUX 3 Video 在正式製作環境中的使用體驗。

注意：FLUX 3 Video 即將上線。在 Black Forest Labs 完成公開模型和 API 之前，本頁可預覽其規劃中的使用體驗。

FLUX 3 Video 核心亮點#

創作者選擇 FLUX 3 Video 的原因包括：

• 減少剪輯軟體中的工作： 一份文字需求即可取代時間線剪輯、配音和手動清理。
• 像導演鏡頭一樣下指令： 攝影機角度、氛圍和節奏都由你寫下的文字決定。
• 一次生成畫面與聲音： 每段影片都可自帶同步的原生音訊，無需另行配音。
• 符合實際交付需求： 輸出格式適用於廣告、預演和社群媒體版位，而不只是測試片段。

FLUX 3 Video 概覽#

FLUX 3 Video 的主要能力如下：

• 影片長度： 單次最長 20 秒，約為多數影片模型常見 10 秒上限的兩倍，也為串聯多個鏡頭、組成數分鐘序列留出空間。
• 音訊： 與畫面同時生成的同步原生聲音；需要無聲影片時可關閉。
• 輸入： 文字提示詞加圖像、影片和音訊參考素材（參考圖最多約 10 張），因此無論從零生成、編輯還是混合重構都能靈活處理。
• 解析度： 早期存取階段為 720p；隨著模型成熟，預計會支援更高解析度。
• 長寬比： 從直式 9:16 到超寬幅 21:9，覆蓋社群媒體、影視和產品影片格式。
• 風格： 一個模型即可生成自然的手持攝影機質感、動畫和精緻的電影感畫面。
• 狀態： 目前處於限量早期存取階段，即將在 RunComfy 上線。

FLUX 3 Video 關鍵能力#

Black Forest Labs 將 FLUX 3 Video 描述為一款包含多種生成模式的多模態模型，並且每次輸出都可帶原生音訊。官方已確認的任務包括：

• 文字轉影片： 只需文字提示詞，即可生成最長 20 秒、包含完整配音的影片。
• 圖像轉影片： 讓起始影格動起來，或把提供的圖像作為視覺參考來引導動作。
• 影片轉影片： 將源影片中的核心元素——同一個角色或物體——帶入新的場景或情境。
• 影片與音訊續寫： 延長輸入影片及其音軌，無需從頭生成。
• 關鍵影格生成影片： 定義關鍵時刻，由模型補全其間受控的過渡。

除上述模式外，FLUX 3 Video 還提供：

• 嘴部動作跟隨對白的 多語言對話。
• 在保持角色一致性的同時串聯多個片段，形成數分鐘序列的 智慧多鏡頭串聯。
• 從自然的手持攝影機畫面到動畫、電影感視覺的 廣泛風格和長寬比。
• 直接生成在畫面中的 清晰文字排版和動態設計。
• 基於現實的表現： Black Forest Labs 表示，FLUX 3 Video 已在富有表現力的臉部，以及讓聲音匹配螢幕中的物理事件方面表現突出。

FLUX 3 Video 的原生音訊與真實運動#

FLUX 3 Video 的獨特之處，在於畫面和聲音從一開始就共同設計，而不是生成後再拼接。一次生成即可製作與動作同步的對白、擬音、環境聲和音樂：門猛然關上時響起撞擊聲，警告燈閃爍時警報同步鳴響，人物也能在攝影機移動的同一鏡頭中說話。

這種同步源於模型的訓練方式。Black Forest Labs 表示，影片預測佔 FLUX 3 訓練算力的 95% 以上，迫使模型學習接觸、運動、重量和因果關係，也就是物理世界實際的運作方式。音訊作為這一世界模型的結果進行學習，因此聲音會與造成聲響的畫面事件對齊，對白也會跟隨嘴部動作。對創作者而言，這意味著動作在物理上更可信，配樂能夠強化剪輯，而不是與畫面衝突。

FLUX 3 Video 提示詞與參考素材技巧#

在 FLUX 3 Video 預覽階段，可透過以下方法獲得更穩定的結果：

• 具體說明 攝影機 和 動作，例如中近景、緩慢推進、手持或固定機位。
• 用 圖像 鎖定必須保持穩定的內容，如臉部、服裝、標誌；用 文字 描述需要變化的內容，如動作、氛圍。
• 參考 影片 與 音訊 應控制在 2～15 秒，參考音訊需小於 15 MB。
• 開啟音訊時，明確說明想聽到的對白語氣或環境聲。
• 迭代時固定 隨機種子，讓變化來自提示詞調整，而不是隨機性。
• 如果結果顯得嘈雜或要求相互衝突，請簡化提示詞。

FLUX 3 Video 與其他模型的比較#

由於 FLUX 3 Video 仍處於早期存取階段，目前最清晰的依據來自 Black Forest Labs 的初步評估，測試樣本為帶音訊的 10 秒 720p 影片。在這些兩兩對比中，評估者選擇 FLUX 3 的比例為：比較 Luma Ray 3.2 時為 93%，比較 Runway Gen-4.5 時為 77%，比較 Grok Imagine Video 時最高為 69%，比較 Kling v3 Pro 時為 60%，比較 Seedance 2.0 和 Gemini Omni Flash 時均為 52%。這些資料仍處於早期階段，預計還會變化，但能讓下面的比較更多基於能力，而不是宣傳。

FLUX 3 Video vs FLUX.2#

• 從靜態圖像到動態影片： 包括 FLUX.2 在內的所有早期 FLUX 都只能生成靜態圖。FLUX 3 首次把影片和同步音訊整合進同一個基礎模型，讓 FLUX 的參考素材處理、提示詞遵循和文字排版能力延伸到動態片段。
• 延續的優勢： 讓 FLUX 圖像模型值得信賴的特點——穩定保持角色、產品或標誌——被 FLUX 3 Video 延伸到整個鏡頭。
• 全新領域： 動作、時間穩定性和節奏同步音訊，都是一家以圖像起步的實驗室需要解決的新問題，這也正是設定早期存取階段的原因。

FLUX 3 Video vs Seedance 2.0#

• 評估資料： 在 Black Forest Labs 的早期測試中，與 Seedance 2.0 比較時有 52% 的結果更偏好 FLUX 3，與一個成熟、經過驗證的多模態影片模型基本持平。
• 能力： Seedance 2.0 可在一次請求中混合文字、圖像、影片和音訊，生成約 15 秒、480p～4K 的多鏡頭影片，配有原生同步多軌音訊，並支援編輯與延長。FLUX 3 Video 追求同等規模的多模態能力；Black Forest Labs 表示，它尤其擅長富有表現力的臉部、與物理事件匹配的聲音和多語言對白。
• 如何選擇： 如果現在就必須投入正式製作，Seedance 2.0 已有成熟表現；隨著公開版即將推出，FLUX 3 Video 則是值得關注的選擇。

FLUX 3 Video vs Kling、Runway 與 Luma#

• 評估資料： 在 Black Forest Labs 的早期比較中，FLUX 3 與 Kling v3 Pro 的偏好率為 60%，與 Runway Gen-4.5 為 77%，與 Luma Ray 3.2 為 93%。
• 差距來源： 這些優勢與 FLUX 3 Video 宣稱的強項一致：富有表現力的人臉、與螢幕物理事件同步的音訊、多語言對白和穩定的多鏡頭串聯。正是這些細節，讓一段短片更像完成作品，而不是測試渲染。

FLUX 3 Video 早期存取階段的預期#

FLUX 3 Video 目前仍處於限量早期存取階段，合理的預期包括：

• 目前的強項： 較長且連貫的影片、由對白推動的戲劇性場景、原生同步音訊，在早期實際測試中都有良好表現。
• 仍在成熟： 早期版本的圖像轉影片功能對參考圖的遵循可能不穩定；面對速度很快、動作非常激烈的場景時，動態張力尚未達到部分專攻運動表現的競爭模型。
• 逐步推出： 解析度從約 720p 起步，預計後續支援更高解析度；價格和開放權重仍待 Black Forest Labs 確認。

可將 FLUX 3 Video 視為模型未來方向的預覽：隨著它朝正式上線邁進，功能和限制仍會持續變化。

FLUX 3 Video 版本與完整的 FLUX 3 AI 系列#

Black Forest Labs 正在把 FLUX 3 AI 定位為包含多個版本的統一多模態基礎模型逐步推出。每個版本都會經過各自的早期存取期，再分階段釋出。根據官方釋出計劃：

• FLUX 3 Video： 透過 API 和私有權重存取提供影片與音訊生成、編輯，即本頁預覽的體驗。
• FLUX 3 Image： 提供圖像生成與編輯，同樣透過 API 和私有權重存取交付。
• FLUX 3 Action（FLUX-mimic）： 面向機器人的動作預測，與 mimic robotics 等合作夥伴共同開發，並已在 Audi 生產線上測試。
• FLUX 3 Dev： 覆蓋圖像、影片、音訊生成及動作預測的開放權重多模態基礎模型，適合希望自行執行並調整模型的團隊。

Black Forest Labs 已確認規劃開放權重。待 FLUX 3 Dev 基礎模型釋出後，社群推出 FLUX 3 LoRA 工作流程將是自然的下一步，其中包括針對固定角色、風格和品牌視覺的 FLUX 3 dev LoRA 微調，就像早期 FLUX 版本所催生的大型 LoRA 生態一樣。

對大多數團隊而言，FLUX 3 Video 可承擔日常影片製作，而 FLUX 3 Dev 與 FLUX 3 dev LoRA 則為自託管客製化提供更多可能。

FLUX 3 Video 官方資源#

• Black Forest Labs

簡而言之，FLUX 3 Video 即將在 RunComfy 上線：這個統一多模態基礎模型可將提示詞與參考素材轉化為帶同步原生音訊的電影感短片。