xAI
Grok Imagine 1.0 Video
起 $0.009 每秒
视频
FLUX 3 — 视频、图像与音频统一的多模态底座
FLUX 3 是 Black Forest Labs 的多模态基础模型，在同一套架构中联合训练图像、视频与音频。用于 AI 视频生成时，FLUX 3 单次最长 20 秒、画面与声音一同产出，并支持关键帧、参考片段与多语言对白。
即将推出——该模型的 API 暂未开放。
你能用这个模型做什么
可以用这个模型构建并上线的真实工作流与生产级用例。
用提示词之外的方式指挥 FLUX 3
文字只是起点，不是全部指令。你可以给 FLUX 3 一张待动画化的首帧、几张锁定角色的参考图、一段希望把元素带入新场景的源片段，或者两个界定过渡起止的关键帧。FLUX 3 还能续写已有的视频及其音频，所以一个镜头可以被延长，而不必从头重新生成。
阅读 FLUX 3 文档
不用重拍就能把一支广告本地化
FLUX 3 支持多语言对白，并能在画面内渲染可读的文字，因此同一套创意方向可以在不同市场之间迁移。招牌、标题与动态排版是作为场景的一部分生成的，而不是事后合成上去的；配音也与画面一同产出——按照 Black Forest Labs 自己的早期评测，面部表情与多语言正是 FLUX 3 目前最强的部分。
把产品从静态图带入动态镜头
同一套 FLUX 3 底座既能跨风格、跨比例、跨分辨率合成与编辑图像，也能把这些静态图延展成动态画面。产品图与视频之间，形状、颜色、材质与品牌标识保持可辨识——因为两者出自同一个模型，而不是把图像生成器和另一套视频生成器拼在一起。
为什么选 reAPI
一个底座，而不是三套系统拼接
FLUX 3 在统一架构中从图像、视频与音频中学习，架构基于 Black Forest Labs 提出的 Self-Flow——一种让多模态生成与理解相互对齐的方法。各模态彼此约束：声音必须匹配撞击，运动必须服从质量。
声音与画面同时生成
FLUX 3 的每一条视频输出都自带原生音频，来自同一次生成——对白、环境音与撞击声落在它们应该在的那一帧上，而不是事后再往无声画面上对时间轴。
片段可以串成序列
FLUX 3 能把单次生成串联成时长达数分钟的多镜头序列，由视觉参考让角色与场景在镜头之间保持稳定。20 秒是单次生成的上限，不是成片的上限。
FLUX 3 对比 Seedance 2.0
在 Black Forest Labs 自己的早期评测中，这两者是所有对比对象里最接近的一组——观众在 52% 的对比中更偏好 FLUX 3，基本等同于掷硬币。区别在于可用性与覆盖面：Seedance 2.0 现在就能在 reAPI 上调用，而 FLUX 3 是一个仍在分阶段推出的更宽的多模态底座。
能力
FLUX 3
reAPI 上的 Seedance 2.0
覆盖面
一个多模态底座，横跨图像、视频、音频与动作预测。
视频生成，音频可选。
单次生成时长
单次最长 20 秒且带音频。
每次请求 4 到 15 秒。
输入类型
提示词、起始帧、参考图片、参考片段、参考音频，以及界定受控过渡的关键帧。
提示词、图片、首/尾帧角色、参考视频与参考音频。
音频
每条视频输出都带原生音频，与画面一同生成。
音频生成是每次请求上的显式开关。
多镜头连贯性
把片段以 agentic 方式串联成时长数分钟的序列，由视觉参考维系。
返回最后一帧并喂给下一次请求，以延续同一镜头。
可用性
在 Black Forest Labs 处于 Early Access；公开 API、model id 与价格均未公布。
今天就能在 reAPI 上调用，按秒并按分辨率计费。
对比反映撰写时公开可查的行为。52% 这一偏好数据来自 Black Forest Labs 自己的初步评测，测试对象为 10 秒 720p、带音频的文生视频片段，且 BFL 明确说明该模型仍在开发中；样本量与方法论均未公布，这不是独立基准测试。
常见问题
关于此模型的常见疑问。
FLUX 3 是 Black Forest Labs 的多模态基础模型。它在同一套架构中联合学习图像、视频与音频，而不是把它们当作彼此独立的系统；BFL 将其定位为迈向「能在物理与数字环境中感知、预测并行动的模型」的一步。