xAI
Grok Imagine 1.0 Video
〜から $0.009 1秒あたり
動画
FLUX 3 — 動画・画像・音声をひとつに束ねるマルチモーダル基盤
FLUX 3 は Black Forest Labs のマルチモーダル基盤モデルで、画像・動画・音声を単一アーキテクチャで同時に学習します。AI動画生成では 1 回の生成で最長 20 秒の映像と音声を同時に出力し、キーフレーム、参照クリップ、多言語の対話にも対応します。
近日公開 — このモデルの API はまだご利用いただけません。
このモデルで作れるもの
このモデルで構築して本番に出せる、実際のワークフローとユースケースをご紹介します。
プロンプト以外の手段で FLUX 3 を指示する
テキストは出発点であって、指示のすべてではありません。FLUX 3 には、アニメーション化する最初のフレーム、キャラクターを固定する参照画像、要素を新しいシーンへ引き継ぐ元クリップ、あるいは遷移の始点と終点を定義する2つのキーフレームを渡せます。既存の動画とその音声を継続することもできるため、ショットを一から作り直さずに延長できます。
FLUX 3 のドキュメントを読む
撮り直さずにキャンペーンをローカライズする
FLUX 3 は多言語の対話を扱い、フレーム内に読めるテキストを描画するため、1つのクリエイティブの方向性を市場間で持ち回せます。看板、タイトル、アニメーションタイポグラフィはシーンの一部として生成され、後から合成されるわけではありません。音声トラックも映像と同時に生成されます。表情の描写と多言語性能は、Black Forest Labs 自身の初期評価でも FLUX 3 がすでに特に強い領域とされています。
商品を静止画から動画へ広げる
同じ FLUX 3 のバックボーンが、スタイル・アスペクト比・解像度をまたいで画像を生成・編集し、その静止画を動きへと展開します。形状、色、素材感、ブランド表現はパックショットとクリップの間で判別可能なまま保たれます。両方が1つのモデルから出てくるからで、静止画生成器に別の動画生成器を継ぎ足しているわけではありません。
reApiを選ぶ理由
3つを縫い合わせたのではなく、1つの基盤
FLUX 3 は、マルチモーダルの生成と理解を揃えるための Black Forest Labs の手法 Self-Flow を土台に、統一アーキテクチャの中で画像・動画・音声から学習します。モダリティは互いを制約します。音は衝撃に一致しなければならず、動きは質量に従わなければなりません。
音は映像と同時に生成される
FLUX 3 の動画出力にはすべて、同じ生成から生まれたネイティブ音声が付きます。セリフ、環境音、衝撃音は本来あるべきフレームに落ち、無音の映像に後からタイミングを合わせる必要がありません。
クリップはシーケンスへ連鎖する
FLUX 3 は個々の生成を数分に及ぶマルチショットのシーケンスへ連鎖させ、視覚参照がシーンをまたいでキャラクターやロケーションを安定させます。20秒は1回の生成の上限であって、完成作品の上限ではありません。
FLUX 3 と Seedance 2.0 の比較
Black Forest Labs 自身の初期評価では、比較対象の中でこの2つが最も接近しました。視聴者が FLUX 3 を選んだのは52%で、実質的にコイントスです。違いは提供状況と守備範囲にあります。Seedance 2.0 は今すぐ reAPI で呼び出せますが、FLUX 3 は段階的公開の途中にある、より広いマルチモーダル基盤です。
機能
FLUX 3
reAPI の Seedance 2.0
守備範囲
画像・動画・音声・行動予測にまたがる1つのマルチモーダル基盤。
音声はオプションの動画生成。
1回の生成の長さ
1回で音声付き最長20秒。
1リクエストあたり4〜15秒。
入力の種類
プロンプト、開始フレーム、参照画像、参照クリップ、参照音声、制御された遷移のためのキーフレーム。
プロンプト、画像、最初／最後のフレーム指定、参照動画、参照音声。
音声
すべての動画出力にネイティブ音声が付き、映像と同時に生成される。
音声生成はリクエストごとの明示的なトグル。
マルチショットの一貫性
クリップをエージェント的に連鎖させ、視覚参照で数分のシーケンスをまとめる。
最後のフレームを返し、それを次のリクエストに渡してショットを継続する。
提供状況
Black Forest Labs で Early Access。公開 API、モデル ID、価格はいずれも未公表。
reAPI で今日から利用可能。解像度別の秒課金。
この比較は執筆時点で公開されている挙動に基づきます。52%という選好の数値は Black Forest Labs 自身による予備評価（10秒・720p・音声付きのテキスト動画生成）のもので、同社はそのモデルをまだ開発中と説明しています。サンプル数や評価手法は公開されておらず、独立したベンチマークではありません。
3ステップで FLUX 3 に備える
よくある質問
このモデルに関するよくある質問。
FLUX 3 は Black Forest Labs のマルチモーダル基盤モデルです。画像・動画・音声を別々のシステムとしてではなく、1つのアーキテクチャの中で同時に学習します。BFL はこれを、物理環境とデジタル環境の双方で知覚し、予測し、行動するモデルへ向かう一歩と位置づけています。