FLUX 3 Video: audio nativo, clips de 20 segundos y funciones clave
Explora FLUX 3 Video, con audio nativo, generación de 20 segundos, texto a video, imagen a video, referencias de video, continuación y diálogo multilingüe.
FLUX 3 Video es el primer modelo FLUX de Black Forest Labs para la generación audiovisual completa. Crea video y audio nativo conjuntamente, acepta referencias de texto, imágenes y video, y produce clips de hasta 20 segundos en una sola generación.
FLUX 3 Video ya está disponible en PoYo mediante cinco flujos de producción con IDs, parámetros y precios publicados. La página de FLUX 3 ofrece el generador interactivo.
FLUX 3 Video de un vistazo
| Función | Compatibilidad anunciada |
|---|---|
| Texto a video | Sí |
| Imagen a video | Sí |
| Referencias de imagen | Sí |
| Video a video | Sí |
| Continuación de video y audio | Sí |
| Fotograma clave a video | Sí |
| Audio nativo | Sí |
| Diálogo multilingüe | Sí |
| Duración máxima de una sola generación | Hasta 20 segundos |
| Relaciones de aspecto | Se han anunciado varios formatos |
| Tipografía animada | Anunciada |
| Secuencias con varias tomas | Se ha anunciado el encadenamiento agéntico |
| API general de PoYo | Disponible ahora |
¿Qué es FLUX 3 Video?
FLUX 3 Video es una aplicación del modelo fundacional multimodal más amplio FLUX 3. A diferencia de un modelo de imagen adaptado para generar fotogramas, FLUX 3 se entrenó con imágenes, video y audio en una arquitectura compartida.
El objetivo es modelar más que la apariencia visual. El video enseña movimiento y relaciones temporales. El audio proporciona información sobre impactos, materiales, voz y eventos del entorno. El entrenamiento conjunto permite conectar el sonido generado con lo que ocurre en pantalla.
Esta es también la razón por la que FLUX 3 va más allá de la creación de contenido y se adentra en la predicción de acciones mediante variantes especializadas de investigación.
Material oficial del lanzamiento de FLUX 3 de Black Forest Labs.
Texto a video
El texto a video crea un clip directamente a partir de una descripción escrita de la escena. Un prompt útil puede definir:
- Sujeto y acción
- Ubicación y momento
- Posición y movimiento de la cámara
- Estilo visual
- Diálogo hablado
- Sonido ambiental
- Momento y secuencia de los eventos
- Relación de aspecto
Las solicitudes de PoYo incluyen prompt, duración, resolución, relación de aspecto, audio y las imágenes, vídeo fuente o fotogramas clave que requiere cada flujo.
Imagen a video
FLUX 3 admite dos enfoques basados en imágenes.
Animación del fotograma inicial
Una imagen puede definir el primer fotograma, después de lo cual el modelo crea movimiento y sonido. Esto resulta útil para animar imágenes de productos, ilustraciones, retratos o escenas diseñadas.
Entrada de referencia visual
Las imágenes también pueden actuar como referencias de identidad, sujeto o estilo sin convertirse literalmente en el primer fotograma. Esto puede ayudar a conservar un personaje, objeto o dirección visual en una escena nueva.
Imagen a vídeo acepta una imagen, primer/último fotograma acepta dos imágenes ordenadas y el flujo de fotogramas clave admite hasta diez imágenes posicionadas.
Video a video
El video a video utiliza un clip de origen como referencia y lleva elementos centrales a una escena o contexto diferentes.
Entre sus posibles aplicaciones se incluyen:
- Trasladar el mismo personaje a un entorno nuevo
- Reinterpretar una grabación con otro estilo visual
- Conservar el movimiento mientras se cambia la escena
- Crear variaciones de una toma existente
- Utilizar una actuación como referencia temporal
PoYo ofrece continuación de vídeo mediante flux-3/extend-video; no es un endpoint general de reestilizado de vídeo.
Continuación de video y audio
FLUX 3 puede continuar un video de entrada y su audio. Un modelo de continuación debe extender varias cosas conjuntamente:
- Apariencia del sujeto
- Movimiento de la cámara
- Trayectorias de los objetos
- Iluminación y entorno
- Diálogo o ambiente
- Ritmo y momento de los eventos
Este flujo de trabajo podría prolongar tomas cortas o producir momentos consecutivos de una historia sin iniciar cada clip a partir de un prompt no relacionado.
Fotograma clave a video
El fotograma clave a video genera una transición entre momentos visuales definidos. Los fotogramas inicial y final pueden comunicar la composición con mayor precisión que el texto por sí solo.
Entre sus posibles usos se incluyen:
- Transformaciones de productos
- Transiciones de cámara
- Movimiento de personajes entre poses
- Secuencias de antes y después
- Animación de logotipos o tipografía
- Previsualización de storyboard a movimiento
PoYo admite hasta diez fotogramas clave posicionados, cada uno con URL de imagen e índice de fotograma.
Generación de audio nativo
El audio nativo es la función distintiva de FLUX 3 Video. El modelo genera el sonido como parte de la misma escena, en lugar de depender completamente de un flujo de audio independiente.
Sonido alineado con los eventos
Acciones como impactos, movimientos e interacciones mecánicas pueden producir un sonido sincronizado con el evento visible. BFL afirma que el modelo es especialmente sólido al asociar sonidos con eventos físicos.
Audio ambiental
Una escena puede incluir un ambiente adecuado para su ubicación, clima y actividad. Esto puede proporcionar un primer borrador más completo que la generación de video sin sonido.
Diálogo multilingüe
Black Forest Labs presenta el diálogo multilingüe como una capacidad principal. El anuncio del lanzamiento no proporciona una lista completa de idiomas ni una medición de la precisión del habla para cada idioma.
Continuación de video y audio
El modelo puede extender una entrada audiovisual, manteniendo potencialmente el ambiente, el contexto del diálogo y el momento de los eventos en la nueva sección.
La generación nativa no elimina la posproducción. La precisión del diálogo, la pronunciación, la sincronización labial, los niveles de audio y los artefactos no deseados aún requieren revisión.
Duración y resolución
PoYo acepta 5–20 segundos, 720p o 1080p y ocho relaciones de aspecto. El audio nativo puede activarse en la misma solicitud.
Los flujos estándar cuestan 34 créditos por segundo a 720p o 58 a 1080p; la extensión cuesta 82 o 106. Consulta la documentación.
Consistencia de personajes y estilo
FLUX 3 utiliza referencias visuales para ayudar a mantener los elementos centrales entre escenas. BFL afirma que las referencias pueden mantener la consistencia de los personajes en secuencias de varias escenas con una duración de varios minutos.
Esta salida más larga se crea encadenando clips individuales, no generando varios minutos en una sola llamada. Cada toma aún puede requerir:
- Selección de referencias
- Continuidad del prompt
- Planificación de transiciones
- Revisión de identidad
- Comprobaciones de continuidad del audio
- Edición y ensamblaje
El encadenamiento agéntico puede automatizar parte de la planificación, pero no convierte el límite de 20 segundos de una sola generación en una toma continua ilimitada.
Tipografía y diseño animado
BFL destaca la solidez de FLUX 3 Video en tipografía y diseño animado. Esto podría permitir:
- Pósteres en movimiento
- Secuencias de títulos
- Anuncios de productos
- Tipografía cinética
- Anuncios para redes sociales
- Animación de interfaces y gráficos
El texto generado debe revisarse fotograma a fotograma. Un título puede verse correcto en un momento y deformarse durante el movimiento.
Resultados de las primeras evaluaciones
En las pruebas preliminares de preferencia humana de BFL, FLUX 3 se comparó con varios modelos de video. La empresa informa de tasas de preferencia que van del 52% frente a Seedance 2.0 y Gemini Omni Flash al 93% frente a Luma Ray 3.2.
Estos resultados requieren contexto:
- Fueron publicados por el desarrollador del modelo.
- Utilizaron clips de texto a video de 10 segundos y 720p con audio.
- El candidato de FLUX 3 y el sistema de evaluación aún estaban en desarrollo.
- Los resultados “de hasta” pueden resumir subconjuntos en lugar de cada categoría de prompts.
- Aún no existe una reproducción independiente.
Las cifras son pruebas iniciales útiles, no una demostración de que FLUX 3 sea universalmente mejor.
Casos de uso prácticos
Escenas cortas basadas en diálogo
El habla nativa y la expresión facial hacen que FLUX 3 sea relevante para momentos narrativos breves y conceptos de personajes multilingües.
Videos de productos y marcas
Las imágenes de referencia pueden establecer un producto o una identidad visual, mientras que el sonido nativo crea un borrador de campaña más completo.
Video para redes sociales
Las múltiples relaciones de aspecto, el texto animado y la corta duración se adaptan a anuncios, comunicados y formatos sociales verticales.
Previsualización
Las imágenes, el video de referencia y los fotogramas clave pueden convertir storyboards en previsualizaciones en movimiento para tomar decisiones sobre cámara, ritmo y transiciones.
Variación y continuación de video
Los equipos pueden explorar escenas alternativas, prolongar una toma o trasladar un personaje central a otro contexto.
Narrativa con varias tomas
Los clips encadenados pueden crear secuencias más largas, mientras que las referencias visuales ayudan a mantener la consistencia.
Disponibilidad de la API de FLUX 3 Video
PoYo ofrece cinco IDs de modelos de vídeo de producción:
flux-3/text-to-videoflux-3/image-to-videoflux-3/first-last-frame-to-videoflux-3/extend-videoflux-3/keyframes-to-video
Los cinco endpoints usan el flujo asíncrono de PoYo. Usa la página del modelo o la documentación.
Preguntas frecuentes
¿FLUX 3 Video está disponible ahora?
Sí. PoYo ofrece cinco flujos para texto, imágenes, primer/último fotograma, extensión y fotogramas clave.
¿FLUX 3 Video genera sonido?
Sí. Genera audio nativo junto con el video, incluidos sonido ambiental y diálogo multilingüe.
¿Cuánto puede durar un video de FLUX 3?
BFL afirma que una sola generación puede durar hasta 20 segundos. Las secuencias más largas pueden ensamblarse encadenando clips.
¿FLUX 3 admite imagen a video?
Sí. Puede animar un fotograma inicial o utilizar imágenes como referencias visuales.
¿Admite video a video?
Sí. BFL afirma que un video de origen puede guiar elementos centrales, como un personaje, en una escena o contexto nuevos.
¿Puede FLUX 3 continuar un video existente?
Sí. La continuación de video y audio es uno de los flujos de trabajo anunciados.
¿Qué idiomas admite FLUX 3?
BFL anunció el diálogo multilingüe, pero no ha publicado una lista completa de idiomas compatibles.
¿Cuánto cuesta la API de FLUX 3 Video?
Los flujos estándar cuestan 34/58 créditos por segundo a 720p/1080p; la extensión cuesta 82/106.
Conclusión
FLUX 3 Video combina varios flujos de trabajo que anteriormente requerían modelos independientes: texto a video, animación de imágenes, transformación de video, continuación, transiciones entre fotogramas clave y generación de audio.
Su diferencia más importante no es únicamente la duración de 20 segundos. Es el intento de generar movimiento y sonido a partir de una representación compartida, aceptando al mismo tiempo referencias de múltiples medios.
Lee la guía de FLUX 3, compáralo con FLUX 2 o usa FLUX 3 en PoYo.
