Flux3：黑森林实验室发布统一多模态视频模型，音画同步最长20秒
7月23日，黑森林实验室（Black Forest Labs）正式发布FLUX 3——其首个统一多模态基础模型。与此前将图像、视频、音频分别训练再拼接的路线不同，FLUX 3在同一架构内同时学习图像、视频和音频，让模型理解"声音要匹配撞击、运动要服从质量、未来要从过去推出"这样的物理常识，而非各模态各自为政。
核心能力
视频+音频生成是FLUX 3当前最亮眼的能力。单次生成可产出最长20秒、带原生音频的视频，支持：
- 文生视频、图生视频（动画延续或视觉参考）
- 视频到视频迁移（保持角色换场景）
- 关键帧到视频（控制转场）
- 多语言对话生成
- 多Agent串联生成长片段多镜头序列
所有视频输出都自带音频，不再需要后期配音或单独的音频模型。
图像生成方面，FLUX 3在复杂提示词理解和多语言文字渲染上较前代显著提升，支持多种风格和分辨率。图像能力将在后续几周开放早期访问。
动作预测是FLUX 3的第三条路线。模型的世界理解延伸到物理动作预测，已与mimic robotics合作开发FLUX-mimic，在奥迪生产线上测试灵巧操作任务。
Self-Flow：不是拼接，是统一
FLUX 3基于黑森林实验室此前提出的Self-Flow方法。传统多模态模型通常分别训练各模态再对齐，而Self-Flow在同一底层架构内高效对齐多模态生成与理解。官方数据显示，Self-Flow在各模态生成误差上均低于传统Flow Matching，在操作任务微调成功率上也更高。
简单说：不是"图像模型+视频模型+音频模型"的拼盘，而是一个模型同时看、听、动。
早期评估
FLUX 3目前仍处于开发中，官方强调结果为初步数据。在10秒720p文生视频对比中：
- 优于Grok Imagine Video：69%偏好率
- 优于Kling v3 Pro：60%
- 优于Happy Horse v1/v1.1：59%/57%
- 优于Seedance 2.0和Gemini Omni Flash：52%
- 优于Runway Gen-4.5：77%
- 优于Luma Ray 3.2：93%
FLUX 3在人物面部表情捕捉、声音与物理事件关联、多语言能力上表现突出。
发布计划
黑森林实验室将分阶段开放：
- FLUX 3 Video：视频+音频生成与编辑，API和私有权重，现已开放早期访问
- FLUX 3 Action：动作预测，与mimic robotics等合作方先行
- FLUX 3 Image：图像生成与编辑，后续几周开放
- FLUX 3 Dev：开源多模态骨干权重，用于内容创作和动作预测，时间待定
早期访问申请地址：https://tally.so/r/44d9NX
B站UP主T8star-Aix已发布早期版本实测视频（BV1rZge6ZE5Z），展示了文生视频和音画同步效果，24小时播放量超2.4万。
对谁有用
- 视频创作者：单模型完成视频+音频，省去多工具拼接
- AI研究者：统一多模态架构的新范式，开源权重值得期待
- 机器人/物理AI开发者：视频骨干可微调为动作预测模型
基于黑森林实验室官方博客及多家媒体转述整理。