FLUX 3: Bild, Video, Audio und alles, was wir wissen

Black Forest Labs hat FLUX 3 am 23. Juli 2026 angekündigt. Es ist die bisher größte Veränderung der FLUX-Modellfamilie: Statt sich ausschließlich auf die Bildgenerierung und -bearbeitung zu konzentrieren, ist FLUX 3 ein multimodales Foundation Model, das mit Bildern, Videos, Audio und Aktionen trainiert wurde.

FLUX 3 ist jetzt auf PoYo mit fünf produktiven Video-Workflows verfügbar: Text-zu-Video, Bild-zu-Video, Start- und Endbild, Videoverlängerung und positionierte Keyframes. Die FLUX 3 API-Seite auf PoYo enthält Generator, Modell-IDs, Parameter und Preise.

Dieser Leitfaden trennt die Informationen, die Black Forest Labs offiziell angekündigt hat, von den Details, die noch unbekannt sind.

FLUX 3 im Überblick

Was ist FLUX 3?

FLUX 3 ist ein einheitliches multimodales Modell. Black Forest Labs zufolge wurde es gleichzeitig mit Bildern, Videos und Audio trainiert, sodass sich die Modalitäten gegenseitig begrenzen und informieren.

Ein Bild beschreibt die räumliche Struktur. Video fügt Zeit und Bewegung hinzu. Audio liefert Hinweise auf Ereignisse und physische Interaktionen. Sprache verbindet diese Signale mit Anweisungen und abstrakten Zielen. FLUX 3 wurde entwickelt, um eine gemeinsame Repräsentation zu erlernen, statt jedes Medium als isolierte Generierungsaufgabe zu behandeln.

Das ist eine andere Produktrichtung als FLUX 2, eine Modellfamilie, die sich hauptsächlich auf Bildgenerierung und -bearbeitung konzentriert. FLUX 3 generiert und bearbeitet weiterhin Bilder, erzeugt aber auch Videos mit nativem Audio und bietet eine Grundlage für Aktionsvorhersagen.

Die FLUX 3-Modellfamilie

Black Forest Labs hat vier wichtige Anwendungsbereiche des FLUX 3 Foundation Models angekündigt.

FLUX 3 Image

FLUX 3 Image deckt Bildsynthese und -bearbeitung über APIs und privaten Zugriff auf die Gewichte ab. BFL zufolge verarbeitet das Modell verschiedene Stile, Seitenverhältnisse und Auflösungen, befolgt komplexe Prompts genauer und verbessert die Darstellung mehrsprachiger Texte.

FLUX 3 Video

FLUX 3 Video generiert und bearbeitet Videos mit nativem Audio. Es akzeptiert Text-, Bild- und Videoreferenzen und unterstützt mehrere Workflows, darunter Fortsetzungen und die kontrollierte Generierung anhand von Keyframes.

FLUX 3 Dev

FLUX 3 Dev ist der angekündigte multimodale Backbone mit offenen Gewichten. BFL beschreibt ihn als Grundlage für die Erstellung von Inhalten und die Vorhersage von Aktionen. Das Unternehmen hat seine Gewichte, Lizenz, Hardwareanforderungen oder sein Veröffentlichungsdatum noch nicht veröffentlicht.

FLUX 3 Action und FLUX-mimic

FLUX 3 unterstützt außerdem die Aktionsvorhersage durch ausgewählte Forschungs- und kommerzielle Partner. FLUX-mimic, entwickelt zusammen mit mimic robotics, nutzt die visuelle Weltrepräsentation des Modells für Roboteraktionen. Dies ist eine spezialisierte Forschungs- und Industrierichtung und kein Bild- oder Videogenerator für Endverbraucher.

Bildfunktionen von FLUX 3

FLUX 3 bleibt ein bedeutendes Bildmodell, auch wenn sein Anwendungsbereich über frühere FLUX-Versionen hinausgeht.

Black Forest Labs hat Folgendes angekündigt:

• Text-zu-Bild-Generierung
• Bildbearbeitung
• Mehrere visuelle Stile und Seitenverhältnisse
• Mehrere Ausgabeauflösungen
• Bessere Verarbeitung komplexer Prompts
• Genauere Generierung mehrsprachiger Texte
• API- und Zugriff auf private Gewichte

Die offiziellen Beispiele reichen von fotorealistischen Nahaufnahmen und produktähnlichen Studioaufnahmen bis hin zu Gemälden und flachen Illustrationen. Sie zeigen die stilistische Vielfalt, sind jedoch ausgewählte Beispiele zum Launch und kein unabhängiges Maß für die Konsistenz.

Wichtige Produktionsdetails fehlen weiterhin. BFL hat die endgültigen Parameter der FLUX 3 Image API, die maximale Auflösung, die Latenz, Rate Limits oder den Preis noch nicht veröffentlicht.

Videofunktionen von FLUX 3

FLUX 3 kann in einer einzigen Generierung Videos mit Audio von bis zu 20 Sekunden Länge erzeugen. Zu den angekündigten Workflows gehören:

• Text-zu-Video: Einen vollständigen Clip aus einer schriftlichen Beschreibung erstellen.
• Bild-zu-Video: Ein Startbild animieren oder Bilder als visuelle Referenzen verwenden.
• Video-zu-Video: Figuren, Motive oder visuelle Elemente aus einem Ausgangsclip in eine andere Szene übertragen.
• Video- und Audiofortsetzung: Eine bestehende audiovisuelle Sequenz verlängern.
• Keyframe-zu-Video: Kontrollierte Übergänge zwischen definierten Momenten erzeugen.
• Mehrsprachige Dialoge: Gesprochene Inhalte in mehreren Sprachen generieren.
• Verkettung mehrerer Aufnahmen: Clips mithilfe eines agentischen Workflows zu längeren Sequenzen verbinden.
• Animierte Typografie: Motion Design und animierten Text erzeugen.

Das Audio des Modells ist nativ und wird nicht als separater Schritt der Nachbearbeitung hinzugefügt. Das ist für Ereignisse wichtig, bei denen Ton, Bewegung und Timing miteinander übereinstimmen müssen.

Welche Rolle spielt Self-Flow bei FLUX 3?

FLUX 3 baut auf Self-Flow auf, einer von Black Forest Labs entwickelten Methode zur Abstimmung multimodaler Generierung und Verarbeitung in einer einzigen Architektur.

Die vorläufige Forschung von BFL vergleicht Self-Flow mit herkömmlichem Flow Matching bei der Bild-, Video- und Audiogenerierung. Das Unternehmen berichtet über einen geringeren normalisierten Generierungsfehler und schnelleres Lernen bei nachgelagerten Manipulationsaufgaben.

Diese Ergebnisse helfen dabei, die Architektur zu erklären, sollten jedoch nicht als vollständiger öffentlicher Benchmark der endgültigen FLUX 3-Produkte interpretiert werden. Das Modell und der Evaluierungsrahmen werden noch entwickelt.

Frühe Evaluierungen von FLUX 3 Video

Black Forest Labs hat vorläufige Ergebnisse zu menschlichen Präferenzen für 10-sekündige Text-zu-Video-Clips mit Audio in 720p veröffentlicht. In den Tests wurde FLUX 3 bevorzugt gegenüber:

• Grok Imagine Video in bis zu 69% der Vergleiche
• Kling v3 Pro in 60%
• Happy Horse v1 in 59%
• Happy Horse 1.1 in 57%
• Seedance 2.0 und Gemini Omni Flash in 52%
• Runway Gen-4.5 in 77%
• Luma Ray 3.2 in 93%

Dies sind frühe, vom Anbieter veröffentlichte Evaluierungen, keine unabhängige Rangliste. BFL weist ausdrücklich darauf hin, dass sich das Modell und der Evaluierungsaufbau noch weiterentwickeln. Prompt-Auswahl, Sampling-Einstellungen, Bewerter und Versionen der konkurrierenden Modelle können die Präferenzergebnisse allesamt beeinflussen.

Verfügbarkeit von FLUX 3

PoYo stellt derzeit fünf produktive Video-Modell-IDs bereit:

• flux-3/text-to-video
• flux-3/image-to-video
• flux-3/first-last-frame-to-video
• flux-3/extend-video
• flux-3/keyframes-to-video

Die Workflows erzeugen 5–20 Sekunden lange Clips in 720p oder 1080p, unterstützen acht Seitenverhältnisse und optional synchrones natives Audio. Standard-Workflows kosten 34 beziehungsweise 58 Credits pro Sekunde; Videoverlängerung 82 beziehungsweise 106 Credits.

Die Veröffentlichung betrifft die FLUX-3-Video-Workflows auf PoYo. FLUX 3 Image, Action und FLUX 3 Dev bleiben getrennte Teile der BFL-Roadmap. Aktuelle Felder und Grenzen stehen in der FLUX 3 API-Dokumentation.

Anwendungsfälle für FLUX 3

Bildgenerierung und -bearbeitung

FLUX 3 Image könnte Produktvisualisierungen, redaktionelle Illustrationen, Werbung, mehrsprachiges Design und referenzgesteuerte Bearbeitung unterstützen.

Kurze Videos mit synchronisiertem Ton

Die native audiovisuelle Generierung eignet sich für Dialogszenen, Produktdemonstrationen, Social Clips, animierte Designs und Story-Konzepte, bei denen der Ton zur Handlung passen muss.

Konsistenz von Figuren und Stil

Bild- und Videoreferenzen können ein zentrales Motiv oder eine visuelle Sprache in neue Szenen übertragen. Die Verkettung mehrerer Aufnahmen könnte dies auf längere Sequenzen ausweiten.

Previsualisierung

Keyframes, Referenzclips und Bildeingaben können Kreativteams dabei helfen, Übergänge, Kamerabewegungen und Szenenstrukturen vor der konventionellen Produktion zu erkunden.

Forschung zu Physical AI

Die gemeinsame Weltrepräsentation von FLUX 3 kann auch für die Aktionsvorhersage angepasst werden, wie die Zusammenarbeit bei FLUX-mimic zeigt.

Häufig gestellte Fragen

Ist FLUX 3 veröffentlicht?

Black Forest Labs kündigte FLUX 3 am 23. Juli 2026 an. PoYo bietet jetzt fünf produktive Video-Endpunkte für Text, Bilder, Start- und Endbilder, Videoverlängerung und positionierte Keyframes.

Ist FLUX 3 ein Bild- oder ein Videomodell?

Es ist ein multimodales Foundation Model. Die angekündigten Varianten decken Bildgenerierung und -bearbeitung, Video mit nativem Audio sowie Aktionsvorhersage ab.

Generiert FLUX 3 Audio?

Ja. FLUX 3 Video generiert natives Audio zusammen mit dem Video und unterstützt mehrsprachige Dialoge.

Wie lang können FLUX 3-Videos sein?

PoYo akzeptiert ganzzahlige Dauern von 5 bis 20 Sekunden und unterstützt 720p sowie 1080p.

Ist FLUX 3 Open Source?

BFL hat einen FLUX 3 Dev-Backbone mit offenen Gewichten angekündigt, aber die Gewichte, die Lizenz und das Veröffentlichungsdatum wurden noch nicht bekannt gegeben.

Ist die FLUX 3 API auf PoYo verfügbar?

Ja. Nutzen Sie die FLUX 3 Modellseite oder eine der fünf dokumentierten PoYo-Modell-IDs.

Wie unterscheidet sich FLUX 3 von FLUX 2?

FLUX 2 konzentriert sich auf Bildgenerierung und -bearbeitung. FLUX 3 erweitert die Familie zu einem einheitlichen Modell für Bilder, Video, natives Audio und Aktionsvorhersage. Siehe den ausführlichen Vergleich zwischen FLUX 3 und FLUX 2.

Fazit

FLUX 3 ist nicht einfach nur ein weiteres Upgrade eines Bildmodells. Es verändert FLUX von einer bildorientierten Familie zu einer multimodalen Plattform, die visuelle Erscheinung, Bewegung, Ton und physisches Verhalten miteinander verbinden soll.

PoYo stellt die fünf veröffentlichten Video-Workflows jetzt mit dokumentierten Modell-IDs, Steuerungen und Preisen pro Sekunde bereit.

Erzeugen Sie Videos auf der PoYo FLUX 3 Modellseite oder lesen Sie vor der Integration die API-Dokumentation. Nicht veröffentlichte Image-, Action- und Dev-Details bleiben davon getrennt.

Quellen: Ankündigung von FLUX 3 durch Black Forest Labs, FLUX 3 x mimic