FLUX 3 Video: Nativer Ton, 20-Sekunden-Clips und zentrale Funktionen

FLUX 3 Video ist das erste FLUX-Modell von Black Forest Labs für die vollständige audiovisuelle Generierung. Es erstellt Video und nativen Ton gemeinsam, akzeptiert Text-, Bild- und Videoreferenzen und produziert Clips mit einer Länge von bis zu 20 Sekunden in einer einzigen Generierung.

FLUX 3 Video ist jetzt auf PoYo über fünf produktive Workflows mit veröffentlichten Modell-IDs, Parametern und Preisen verfügbar. Die FLUX 3 API-Seite bietet den interaktiven Generator.

FLUX 3 Video auf einen Blick

Was ist FLUX 3 Video?

FLUX 3 Video ist eine Anwendung des umfassenderen multimodalen Basismodells FLUX 3. Anders als ein Bildmodell, das zur Generierung von Einzelbildern angepasst wurde, wurde FLUX 3 über Bilder, Video und Ton hinweg in einer gemeinsamen Architektur trainiert.

Das Ziel besteht darin, mehr als nur das visuelle Erscheinungsbild zu modellieren. Video vermittelt Bewegung und zeitliche Beziehungen. Ton liefert Informationen über Aufpralle, Materialien, Sprache und Ereignisse in der Umgebung. Durch das gemeinsame Training kann der generierte Ton mit dem Geschehen auf dem Bildschirm verknüpft werden.

Deshalb geht FLUX 3 durch spezialisierte Forschungsvarianten auch über die Inhaltserstellung hinaus und umfasst die Vorhersage von Aktionen.

Offizielle FLUX 3-Launchmedien von Black Forest Labs.

Text-zu-Video

Text-zu-Video erstellt einen Clip direkt aus einer schriftlichen Szenenbeschreibung. Ein nützlicher Prompt kann Folgendes festlegen:

• Motiv und Handlung
• Ort und Zeit
• Kameraposition und Bewegung
• Visueller Stil
• Gesprochener Dialog
• Umgebungsgeräusche
• Zeitlicher Ablauf und Reihenfolge der Ereignisse
• Seitenverhältnis

PoYo-Anfragen enthalten Prompt, Dauer, Auflösung, Seitenverhältnis, Audio-Schalter und die für den gewählten Workflow nötigen Bild-, Video- oder Keyframe-Eingaben.

Bild-zu-Video

FLUX 3 unterstützt zwei bildbasierte Ansätze.

Animation des Startbilds

Ein Bild kann das erste Einzelbild definieren, woraufhin das Modell Bewegung und Ton erzeugt. Dies eignet sich zur Animation von Produktbildern, Illustrationen, Porträts oder gestalteten Szenen.

Eingabe visueller Referenzen

Bilder können auch als Referenzen für Identität, Motiv oder Stil dienen, ohne zum tatsächlichen ersten Einzelbild zu werden. Dies kann dabei helfen, eine Figur, ein Objekt oder eine visuelle Richtung in einer neuen Szene beizubehalten.

Bild-zu-Video akzeptiert ein Quellbild, Start-/Endbild zwei geordnete Bilder und der Keyframe-Workflow bis zu zehn positionierte Bilder. Upload-Anforderungen stehen in der Dokumentation.

Video-zu-Video

Video-zu-Video verwendet einen Ausgangsclip als Referenz und überträgt zentrale Elemente in eine andere Szene oder einen anderen Kontext.

Mögliche Anwendungen sind:

• Dieselbe Figur in eine neue Umgebung versetzen
• Filmmaterial in einem anderen visuellen Stil neu interpretieren
• Bewegung beibehalten und gleichzeitig die Szene ändern
• Varianten einer bestehenden Einstellung erstellen
• Eine Performance als zeitliche Referenz verwenden

PoYo bietet die Fortsetzung eines Quellvideos über flux-3/extend-video; dies ist kein separater universeller Video-Restylings-Endpunkt.

Fortsetzung von Video und Ton

FLUX 3 kann ein Eingabevideo und dessen Ton fortsetzen. Ein Fortsetzungsmodell muss mehrere Aspekte gemeinsam erweitern:

• Erscheinungsbild des Motivs
• Kamerabewegung
• Bewegungsbahnen von Objekten
• Beleuchtung und Umgebung
• Dialog oder Atmosphäre
• Rhythmus und zeitlicher Ablauf der Ereignisse

Dieser Workflow könnte kurze Einstellungen verlängern oder aufeinanderfolgende Handlungsmomente erzeugen, ohne jeden Clip mit einem voneinander unabhängigen Prompt zu beginnen.

Keyframe-zu-Video

Keyframe-zu-Video erzeugt einen Übergang zwischen definierten visuellen Momenten. Start- und Endbilder können die Komposition präziser vermitteln als Text allein.

Mögliche Anwendungen sind:

• Produkttransformationen
• Kameraübergänge
• Bewegung einer Figur zwischen verschiedenen Posen
• Vorher-nachher-Sequenzen
• Animation von Logos oder Typografie
• Storyboard-zu-Bewegung-Previsualisierung

PoYo unterstützt bis zu zehn positionierte Keyframes. Jeder Keyframe enthält eine Bild-URL und einen Frame-Index.

Native Tonerzeugung

Nativer Ton ist das entscheidende Merkmal von FLUX 3 Video. Das Modell generiert den Ton als Teil derselben Szene, anstatt sich vollständig auf eine separate Audiopipeline zu stützen.

Ereignisbezogener Ton

Aktionen wie Aufpralle, Bewegungen und mechanische Interaktionen können Töne erzeugen, die zeitlich auf das sichtbare Ereignis abgestimmt sind. BFL zufolge ist das Modell besonders gut darin, Töne mit physischen Ereignissen zu verknüpfen.

Umgebungsgeräusche

Eine Szene kann eine zu ihrem Ort, Wetter und Geschehen passende Atmosphäre enthalten. Dies kann einen vollständigeren ersten Entwurf liefern als eine stille Videogenerierung.

Mehrsprachige Dialoge

Black Forest Labs führt mehrsprachige Dialoge als zentrale Fähigkeit auf. Die Launch-Ankündigung enthält keine vollständige Sprachliste und keine gemessenen Angaben zur Sprachgenauigkeit für die einzelnen Sprachen.

Fortsetzung von Video und Ton

Das Modell kann eine audiovisuelle Eingabe erweitern und dabei möglicherweise Atmosphäre, Sprachkontext und zeitlichen Ablauf der Ereignisse in den neuen Abschnitt übertragen.

Die native Generierung macht keine Nachbearbeitung überflüssig. Dialoggenauigkeit, Aussprache, Lippensynchronität, Audiopegel und unerwünschte Artefakte müssen weiterhin überprüft werden.

Dauer und Auflösung

PoYo akzeptiert 5–20 Sekunden, 720p oder 1080p und acht Seitenverhältnisse. Natives Audio kann in derselben Anfrage aktiviert werden.

Standard-Workflows kosten 34 Credits pro Sekunde in 720p oder 58 in 1080p. Videoverlängerung kostet 82 beziehungsweise 106 Credits. Weitere Betriebsdetails stehen in der API-Dokumentation.

Konsistenz von Figuren und Stil

FLUX 3 verwendet visuelle Referenzen, um zentrale Elemente über mehrere Szenen hinweg beizubehalten. BFL zufolge können Referenzen Figuren in Sequenzen mit mehreren Szenen und einer Dauer von mehreren Minuten konsistent halten.

Diese längere Ausgabe entsteht durch das Verketten einzelner Clips und nicht durch die Generierung mehrerer Minuten in einem einzigen Aufruf. Jede Einstellung kann weiterhin Folgendes erfordern:

• Auswahl der Referenzen
• Prompt-Kontinuität
• Planung der Übergänge
• Überprüfung der Identität
• Überprüfung der Tonkontinuität
• Schnitt und Zusammenstellung

Agentisches Verketten kann einen Teil der Planung automatisieren, verwandelt die Begrenzung auf 20 Sekunden bei einer einzelnen Generierung jedoch nicht in eine unbegrenzt lange kontinuierliche Einstellung.

Typografie und animiertes Design

BFL hebt starke Typografie und animiertes Design als Fähigkeiten von FLUX 3 Video hervor. Dies könnte Folgendes unterstützen:

• Motion-Poster
• Titelsequenzen
• Produktankündigungen
• Kinetische Typografie
• Werbung für soziale Medien
• Animation von Benutzeroberflächen und Grafiken

Generierter Text sollte dennoch Bild für Bild überprüft werden. Ein Titel kann in einem Moment korrekt aussehen und sich während der Bewegung verformen.

Ergebnisse der frühen Bewertung

In den vorläufigen Präferenztests mit Menschen von BFL wurde FLUX 3 mit mehreren Videomodellen verglichen. Das Unternehmen berichtet Präferenzraten von 52% gegenüber Seedance 2.0 und Gemini Omni Flash bis zu 93% gegenüber Luma Ray 3.2.

Diese Ergebnisse müssen eingeordnet werden:

• Sie wurden vom Modellentwickler veröffentlicht.
• Verwendet wurden 10-sekündige Text-zu-Video-Clips mit 720p und Ton.
• Der FLUX 3-Kandidat und der Bewertungsrahmen befanden sich noch in der Entwicklung.
• Ergebnisse mit der Angabe „bis zu“ können Teilmengen zusammenfassen und nicht jede Prompt-Kategorie abdecken.
• Eine unabhängige Reproduktion ist noch nicht verfügbar.

Die Zahlen sind ein nützlicher früher Hinweis, aber kein Beweis dafür, dass FLUX 3 grundsätzlich besser ist.

Praktische Anwendungsfälle

Kurze dialogbasierte Szenen

Natürliche Sprache und Gesichtsausdrücke machen FLUX 3 für kurze narrative Momente und mehrsprachige Figurenkonzepte relevant.

Produkt- und Markenvideos

Referenzbilder können ein Produkt oder eine visuelle Identität festlegen, während der native Ton einen vollständigeren Kampagnenentwurf erstellt.

Videos für soziale Medien

Mehrere Seitenverhältnisse, animierter Text und kurze Dauer eignen sich für Werbung, Ankündigungen und vertikale Formate für soziale Medien.

Previsualisierung

Bilder, Videoreferenzen und Keyframes können Storyboards in bewegte Vorschauen für Entscheidungen zu Kamera, Timing und Übergängen verwandeln.

Videovarianten und Fortsetzungen

Teams können alternative Szenen erkunden, eine Einstellung verlängern oder eine zentrale Figur in einen anderen Kontext übertragen.

Geschichten mit mehreren Einstellungen

Verkettete Clips können längere Sequenzen erzeugen, während visuelle Referenzen zur Wahrung der Konsistenz beitragen.

Verfügbarkeit der FLUX 3 Video API

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

Alle fünf Endpunkte verwenden den asynchronen PoYo-Ablauf für Einreichung und Statusabfrage. Nutzen Sie die Modellseite oder die API-Dokumentation.

Häufig gestellte Fragen

Ist FLUX 3 Video jetzt verfügbar?

Ja. PoYo bietet fünf produktive Workflows für Text, Bilder, Start- und Endbilder, Videoverlängerung und positionierte Keyframes.

Erzeugt FLUX 3 Video Ton?

Ja. Es erzeugt nativen Ton zusammen mit dem Video, einschließlich Umgebungsgeräuschen und mehrsprachigen Dialogen.

Wie lang kann ein FLUX 3-Video sein?

BFL zufolge kann eine einzelne Generierung bis zu 20 Sekunden lang sein. Längere Sequenzen können durch das Verketten von Clips zusammengestellt werden.

Unterstützt FLUX 3 Bild-zu-Video?

Ja. Es kann ein Startbild animieren oder Bilder als visuelle Referenzen verwenden.

Unterstützt es Video-zu-Video?

Ja. BFL zufolge kann ein Ausgangsvideo zentrale Elemente wie eine Figur in einer neuen Szene oder einem neuen Kontext anleiten.

Kann FLUX 3 ein bestehendes Video fortsetzen?

Ja. Die Fortsetzung von Video und Ton ist einer der angekündigten Workflows.

Welche Sprachen unterstützt FLUX 3?

BFL hat mehrsprachige Dialoge angekündigt, aber noch keine vollständige Liste der unterstützten Sprachen veröffentlicht.

Was kostet die FLUX 3 Video API?

Standard-Workflows kosten 34/58 Credits pro Sekunde in 720p/1080p; Videoverlängerung kostet 82/106 Credits.

Fazit

FLUX 3 Video vereint mehrere Workflows, für die zuvor separate Modelle erforderlich waren: Text-zu-Video, Bildanimation, Videotransformation, Fortsetzung, Keyframe-Übergänge und Tonerzeugung.

Der wichtigste Unterschied ist nicht nur die Dauer von 20 Sekunden. Es ist der Versuch, Bewegung und Ton aus einer gemeinsamen Repräsentation zu generieren und gleichzeitig Referenzen aus mehreren Medien zu akzeptieren.

Lesen Sie den FLUX 3 Überblick, den Vergleich mit FLUX 2 oder nutzen Sie FLUX 3 auf PoYo.

Quelle: Ankündigung von Black Forest Labs zu FLUX 3