Black Forest Labs 正式发布 FLUX 3 Video：原生音频与20秒1080p视频生成

Black Forest Labs 正式推出 FLUX 3 Video，这是其前沿多模态模型 FLUX 3 的视频生成能力首次对外开放。该模型支持文本生成视频、图像生成视频、视频续写及多语言对话生成，原生输出最长 20 秒、1080p 分辨率片段，并同步生成匹配画面的音频。产品已通过 BFL API 及精选合作伙伴上线，提供草稿模式用于低成本创意探索，2K、4K 分辨率及开放权重版本将在后续发布。

• 官方介绍：https://bfl.ai/blog/flux-3-video
• 模型：https://bfl.ai/models/flux-3
• API：https://dashboard.bfl.ai/playground

Black Forest Labs 发布 FLUX 3：支持20秒音视频生成，但开源版本需等待

核心生成能力与多模态特性

FLUX 3 Video 的设计目标是精确建模现实世界的多模态本质，而非局限于特定视觉风格。其输出可覆盖原始纪实、电影美学、趣味娱乐等多种调性，且在同一模型内保持一致的可控性。当前版本支持以下功能：

• 文本生成视频：接受简单描述或复杂指令，同步生成符合场景逻辑的运动、画面与音频
• 图像生成视频与关键帧控制：从单张图像出发，指定结束帧或设置多个关键帧，模型按序连接并保持视觉语言连贯
• 视频续写：输入最多 4 秒现有视频与音频，模型跨接缝延续运动、镜头行为、对话及环境音
• 多镜头序列：在单次生成中切换场景与机位，维持叙事连贯性
• 原生音频与对话：同步生成环境音、音效及多语言对话，口型与语音精确对齐
• 多语言支持：涵盖英语（多方言）、中文、西班牙语、法语、德语、日语、葡萄牙语、俄语、意大利语、印尼语、土耳其语、印地语、旁遮普语等
• 世界知识接地：结合预训练知识与实时上下文，适用于纪录片及短格式教育内容

草稿模式允许用户以较低成本快速预览提示词效果，确认方向后再以全质量渲染最终视频。最终输出与草稿版本在主体、构图、运动上保持一致，避免重复调试。

基准表现与安全部署措施

在内部评估中，FLUX 3 Video 在文本生成视频任务上明显优于现有 SOTA 模型；在图像生成视频任务上与 Seedance 2.0 持平，并超越其他同类模型。人工评分者在两类任务中均将其列为首选。

安全方面，Black Forest Labs 与第三方机构 Cinder 合作，在发布前完成多模态风险评估，验证了针对非自愿亲密图像（NCII）及儿童性虐待材料（CSAM）等滥用场景的缓解措施有效性。相关保障机制贯穿发布前、发布中及发布后全流程。

后续路线图与接入方式

FLUX 3 Video 现已通过 BFL API 及精选合作伙伴提供服务。后续更新计划包括：

• 支持图像、视频、音频参考组合的混合生成
• 推出 FLUX 3 Image 用于图像生成与编辑
• 发布开放权重变体 FLUX 3 Dev
• 扩展 2K 与 4K 分辨率支持

对于内容创作者与开发团队，建议优先通过草稿模式验证提示词策略，再投入全质量生成资源。多语言与音频同步能力为本地化内容与无障碍创作提供了新选项，但需注意各语言口型同步精度可能存在差异，建议在目标语种上进行专项测试。