Black Forest Labsが「FLUX 3」早期アクセス開始：画像・映像・音声を統合、最大20秒の音声付き動画生成

これまでの AI 動画生成は、映像を作ったあとに別のモデルで効果音をつけ、さらに別のツールで顔の崩れを抑えるといった、つぎはぎのパイプラインが主流でした。そのため、物の衝突と音がズレたり、物理法則に反した動きが起きたりしがちでした。

画像生成モデル FLUX で知られる Black Forest Labs が、この構造を根底から変える新型マルチモーダル基盤モデル「FLUX 3」を発表しました。現在アーリーアクセスが始まっています。映像、画像、音声を別々に処理するのではなく、単一のアーキテクチャ内で同時に学習させています。

音声込みで最長 20 秒、単一プロンプトから生成

FLUX 3 は独自の Self-Flow アーキテクチャをベースに開発されました。現実世界では、物体の質量が動きを決め、衝突が音を生み出します。視覚と聴覚を同時に学習させることで、モデル自身に世界の物理法則を理解させようというアプローチです。

その結果、FLUX 3 はネイティブな音声を伴う動画を、1 回の生成で最長 20 秒まで出力できるようになりました。テキストからの動画生成はもちろん、画像を元にしたアニメーション化、参照動画からキャラクターを維持したまま別シーンへ展開する動画変換にも対応します。

映像制作の現場で実用的な機能も揃っています。指定したキーフレーム間を自然につなぐキーフレーム生成、複数のカットをつなぎ合わせるエージェント連鎖、多言語でのセリフ発話、さらには動きを伴うタイポグラフィ生成までこなします。

音声付き 720p（10 秒）動画を用いた初期のブラインドテスト結果も公表されています。FLUX 3 は Runway Gen-4.5 との比較で 77% の勝率を記録し、Luma Ray 3.2 に対しては 93% で圧倒しました。Grok Imagine Video には 69%、Kling v3 Pro には 60%、Gemini Omni Flash や Seedance 2.0 にも 52% の勝率で優勢を示しています。

アウディの製造現場へ、ロボット制御にも進出

FLUX 3 の狙いは映像生成にとどまりません。物理世界の動きを正しく把握できるバックボーンを活かし、ロボットの動作予測（Physical AI）にも手を広げています。

Black Forest Labs は mimic robotics と提携し、FLUX 3 をベースにした動画・動作モデル「FLUX-mimic」を共同開発しました。すでにアウディの実生産ラインにおいて、精密な作業タスクのテストが進められています。

提供スケジュールについて、現在は FLUX 3 Video の API およびプライベートウェイトによる先行アクセスが開始されています。数週間以内には画像生成モデル FLUX 3 Image のテストが始まり、数ヶ月以内にはオープンウェイト版となる FLUX 3 Dev も公開される予定です。

なぜ重要か

映像クリエイターや個人開発者にとって、制作工数を劇的に減らせる点が最大のメリットです。映像、効果音、リップシンクを別々の AI で回す面倒な作業から解放され、同一キャラの連続シーンを音声付きでまとめやすくなります。

業界全体で見れば、動画 AI の競争軸が「見た目の綺麗さ」から「音と物理法則のネイティブ統合」へと移行することを意味します。映像と音が同期した世界モデルを標準に据えることで、単一モーダルに依存する競合他社は追随を迫られます。

同社がコンテンツ生成の基盤をそのままロボット制御に応用した判断は、非常にクレバーだと考えられます。映像生成ツール単体の価格競争を避け、製造業などの巨大なエンタープライズ市場へ直結する道を作ったからです。

懸念されるのは計算コストです。20 秒の音映像を物理整合性まで保ちながら同時生成する負荷は極めて高く、推論インフラの維持費は安くないはずです。今後登場するオープンウェイト版 FLUX 3 Dev が、市販の GPU で現実的に動かせる重さに収まるかどうかが、普及の鍵を握るでしょう。