FLUX 3 Video 介绍

FLUX 3 Video 是 FLUX 3 的视频生成能力。FLUX 3 是 Black Forest Labs（BFL）在 2026 年 7 月发布的新一代多模态基础模型，目前处于早期访问阶段。这也是 BFL 首个在单一架构下联合训练图像、视频与音频的模型。

不只是视频模型，而是世界模型

大多数视频模型只专注于生成像素。FLUX 3 的出发点不同：它从多种感官输入中学习一个统一的世界表征。图像提供某一时刻的空间结构与关系；视频补充时间、运动与物理规律；音频补充视觉无法捕捉的因果声响关系；语言则把这些感知与指令、抽象概念连接起来。

通过同时训练所有模态，模型利用它们之间的相互约束来理解世界真实的运行方式。用 BFL 的话说：声音必须与撞击对应，运动必须遵守质量规律，未来必须由过去推演而来。BFL 将这种方法称为真实世界视觉智能，而视频生成正是其中最难的部分。

FLUX 3 Video 能做什么

FLUX 3 单次生成可产出最长 20 秒、带有原生音频的多样化视频。核心视频能力包括：

• 文本生成视频（Text-to-Video） —— 描述场景即可得到完整片段。
• 图像生成视频（Image-to-Video） —— 让起始画面动起来，或把图片作为视觉参考。
• 视频生成视频（Video-to-Video） —— 保留源视频的核心元素，将其转换到新场景或新语境。
• 视频-音频延续生成 —— 基于输入的视频和音频，继续生成匹配的画面与声音。
• 关键帧生成视频 —— 在指定关键帧之间控制过渡。
• 智能片段串联 —— 把多个独立片段连接成更长的多镜头序列。
• 丰富的风格与画幅 —— 从手持摄像机质感、动画到电影级画面都能胜任。
• 多语言对白 与动态字体设计。

值得注意的一点是，音频是与视频原生同步生成的。这意味着口型可以与语音对齐，音效也可以与画面中的物理事件对应，而不是后期叠加。

背后的架构

FLUX 3 建立在 BFL 的 Self-Flow 方法之上，在同一个底层架构中对齐多模态生成与理解，并在此基础上大幅扩展了算力与数据规模，实现视频、图像、音频的同步训练。

同一个骨干网络既能生成内容，也能驱动物理智能。在 BFL 与 mimic robotics 合作的 FLUX-mimic 项目中，FLUX 3 的早期版本被用于视频-动作模型，已在奥迪（Audi）产线进行测试与部署。BFL 透露，视频预测占据了模型总训练算力的 95% 以上 —— 这足以说明逼真运动是核心难题，也解释了为何解决它能同时解锁创意生成与物理机器人应用。

对开发者和创作者的意义

FLUX 3 目前仍在早期访问阶段，API 定价和全面开放还在逐步推进。如果你正在构建视频工作流，可以申请早期访问，测试统一音视频生成、更长连贯片段和更强风格控制是否符合你的需求。

本质上，FLUX 3 不是一个单一用途的视频工具。它是一个多模态基础模型，视频生成只是其对物理世界广泛理解的其中一种表达。对产品团队来说，这意味着需要拼接的独立模型更少，而图像、视频与声音之间的输出一致性更高。