Black Forest Labs 上线 FLUX 3 Video：最长 20 秒高清视频，自带原生对白音效

过去用 AI 做视频，最折磨人的往往不是画面崩坏，而是后期缝合：画面归画面，配音找 TTS，背景音效再去扒库，最后对口型还要折腾半天。

做出了 FLUX.1 的 Black Forest Labs 显然想把这套流程全端了。8 月 4 日，他们正式上线了前沿多模态模型 FLUX 3 Video 的首个版本，目前通过官方 BFL API 和部分合作伙伴开放。

20 秒、自带音轨，还能分镜

这次最抢眼的硬指标，是它单次最长能生成 20 秒的视频。分辨率原生支持 720p，并且能通过内置放大生成 1080p 全高清画面。

但更重要的是「原生音频」。FLUX 3 Video 在生成每一帧画面的同时，会同步把对白、环境音和音效算出来，不需要后期单独配音。

而且它支持超过 14 种语言的自然对白，包括中文、各种英语口音、西语法语德语日语等，官方称口型同步相当精确。

在控制度上，FLUX 3 Video 没有停留在简单的文生视频上。你既可以拿单张图片或指定首尾关键帧来生视频，也可以做多机位分镜切换，在一次生成里穿插多个场景和镜头角度。

还有一个挺实用的视频续写功能。塞给它一段 4 秒以内的现有音视频，告诉它接下来发生什么，它就能顺着原有的动作、运镜、对白和声场接着往下演。

为了帮大家省钱，BFL 这次还塞进了一个草稿模式。你可以先用低成本快速刷预览，等确认了构图和动作满意，再一键渲染成完整画质，终版会严格保留草稿里的主体与运镜。

在 BFL 的内部人工盲测中，FLUX 3 的文生视频表现超过了现存所有顶尖模型。而在图生视频维度，官方表示它追平了 Seedance 2.0，同样领先其余对手。

官方还透露，后续还会推出 FLUX 3 Image 图像编辑模型，以及大家最关心的开源权重版本 FLUX 3 Dev。

为什么重要

我们认为，FLUX 3 Video 最大的突破在于它把视频生成从「做动态动图」推向了「做完整切片」。

对于做短视频、解说和独立广告的创作者来说，20 秒长度加上自带音效和多语言对口型，意味着生产门槛被大幅砍掉了一截。草稿模式的存在也切中了痛点，至少不用每次为了测提示词都花大钱赌运气。

在行业层面，这直接把生成式视频的战火引向了声画一体。以前文生视频赛道卷的是动作物理规律，现在如果你不带原生音频、不支持长镜头连续运镜，在工作流里就会显得非常脱节。它逼着对手必须在多模态联合训练上加速赶超。

不过看起来它也并非毫无隐患。原生音频虽然省事，但如果音色、语气或配乐不合心意，单次生成的黑盒机制可能会让精细调音变得更难改。此外，这次开源社区最期待的开放权重版本 FLUX 3 Dev 还在画饼阶段，目前只能通过 API 付费调用，实际成本和算力开销还需持续观察。