Black Forest Labs 上線 FLUX 3 Video：最長 20 秒高畫質影片，自帶原生對白音效

過去用 AI 做影片，最折磨人的往往不是畫面崩壞，而是後期縫合：畫面歸畫面，配音找 TTS，背景音效再去扒庫，最後對口型還要折騰半天。

做出了 FLUX.1 的 Black Forest Labs 顯然想把這套流程全端了。8 月 4 日，他們正式上線了前沿多模態模型 FLUX 3 Video 的首個版本，目前通過官方 BFL API 和部分合作夥伴開放。

20 秒、自帶音軌，還能分鏡

這次最搶眼的硬指標，是它單次最長能生成 20 秒的影片。解析度原生支援 720p，並且能通過內建放大生成 1080p 全高畫質畫面。

但更重要的是「原生音訊」。FLUX 3 Video 在生成每一幀畫面的同時，會同步把對白、環境音和音效算出來，不需要後期單獨配音。

而且它支援超過 14 種語言的自然對白，包括中文、各種英語口音、西語法語德語日語等，官方稱口型同步相當精確。

在控制度上，FLUX 3 Video 沒有停留在簡單的文生影片上。你既可以拿單張圖片或指定首尾關鍵幀來生影片，也可以做多機位分鏡切換，在一次生成裡穿插多個場景和鏡頭角度。

還有一個挺實用的影片續寫功能。塞給它一段 4 秒以內的現有音影片，告訴它接下來發生什麼，它就能順著原有的動作、運鏡、對白和聲場接著往下演。

為了幫大家省錢，BFL 這次還塞進了一個草稿模式。你可以先用低成本快速刷預覽，等確認了構圖和動作滿意，再一鍵渲染成完整畫質，終版會嚴格保留草稿裡的主體與運鏡。

在 BFL 的內部人工盲測中，FLUX 3 的文生影片表現超過了現存所有頂尖模型。而在圖生影片維度，官方表示它追平了 Seedance 2.0，同樣領先其餘對手。

官方還透露，後續還會推出 FLUX 3 Image 影像編輯模型，以及大家最關心的開源權重版本 FLUX 3 Dev。

為什麼重要

我們認為，FLUX 3 Video 最大的突破在於它把影片生成從「做動態動圖」推向了「做完整切片」。

對於做短影片、解說和獨立廣告的創作者來說，20 秒長度加上自帶音效和多語言對口型，意味著生產門檻被大幅砍掉了一截。草稿模式的存在也切中了痛點，至少不用每次為了測提示詞都花大錢賭運氣。

在行業層面，這直接把生成式影片的戰火引向了聲畫一體。以前文生影片賽道卷的是動作物理規律，現在如果你不帶原生音訊、不支援長鏡頭連續運鏡，在工作流裡就會顯得非常脫節。它逼著對手必須在多模態聯合訓練上加速趕超。

不過看起來它也並非毫無隱患。原生音訊雖然省事，但如果音色、語氣或配樂不合心意，單次生成的黑盒機制可能會讓精細調音變得更難改。此外，這次開源社群最期待的開放權重版本 FLUX 3 Dev 還在畫餅階段，目前只能通過 API 付費呼叫，實際成本和算力開銷還需持續觀察。