FLUX 3 Video : audio natif, clips de 20 secondes et fonctionnalités clés

FLUX 3 Video est le premier modèle FLUX de Black Forest Labs destiné à la génération audiovisuelle complète. Il crée simultanément la vidéo et l'audio natif, accepte des références textuelles, image et vidéo, et produit des clips d'une durée maximale de 20 secondes en une seule génération.

FLUX 3 Video est disponible sur PoYo via cinq workflows de production avec identifiants, paramètres et prix publiés. La page FLUX 3 propose le générateur interactif.

FLUX 3 Video en un coup d'œil

Qu'est-ce que FLUX 3 Video ?

FLUX 3 Video est une application du modèle de fondation multimodal FLUX 3 au sens large. Contrairement à un modèle d'image adapté à la génération d'images, FLUX 3 a été entraîné sur des images, des vidéos et de l'audio au sein d'une architecture partagée.

L'objectif est de modéliser davantage que l'apparence visuelle. La vidéo enseigne le mouvement et les relations temporelles. L'audio fournit des informations sur les impacts, les matériaux, la parole et les événements environnementaux. L'entraînement conjoint permet de relier le son généré à ce qui se passe à l'écran.

C'est également la raison pour laquelle FLUX 3 dépasse la création de contenu pour s'étendre à la prédiction d'actions au moyen de variantes de recherche spécialisées.

Média officiel du lancement de FLUX 3 par Black Forest Labs.

Texte-vers-vidéo

Le texte-vers-vidéo crée un clip directement à partir d'une description écrite de la scène. Un prompt utile peut définir :

• Le sujet et l'action
• Le lieu et le moment
• La position et le mouvement de la caméra
• Le style visuel
• Les dialogues prononcés
• Les sons environnementaux
• Le timing et la séquence des événements
• Le ratio d'aspect

Les requêtes PoYo exposent prompt, durée, résolution, ratio, audio et les entrées image, vidéo source ou image-clé requises.

Image-vers-vidéo

FLUX 3 prend en charge deux approches pilotées par des images.

Animation de l'image de départ

Une image peut définir la première image, après quoi le modèle crée le mouvement et le son. Cette approche est utile pour animer des images de produits, des illustrations, des portraits ou des scènes conçues.

Entrée de référence visuelle

Les images peuvent également servir de références d'identité, de sujet ou de style sans devenir littéralement la première image. Cela peut aider à préserver un personnage, un objet ou une direction visuelle dans une nouvelle scène.

Image-vers-vidéo accepte une image, première/dernière image en accepte deux ordonnées, et les images-clés jusqu’à dix images positionnées.

Vidéo-vers-vidéo

Le vidéo-vers-vidéo utilise un clip source comme référence et transpose des éléments centraux dans une scène ou un contexte différent.

Les applications potentielles comprennent :

• Déplacer le même personnage dans un nouvel environnement
• Réinterpréter une séquence dans un autre style visuel
• Préserver le mouvement tout en modifiant la scène
• Créer des variantes d'un plan existant
• Utiliser une performance comme référence temporelle

PoYo propose la continuation via flux-3/extend-video ; ce n’est pas un endpoint général de restylage vidéo.

Continuation vidéo et audio

FLUX 3 peut poursuivre une vidéo d'entrée et son audio. Un modèle de continuation doit prolonger plusieurs éléments simultanément :

• L'apparence du sujet
• Le mouvement de la caméra
• Les trajectoires des objets
• L'éclairage et l'environnement
• Les dialogues ou l'ambiance
• Le rythme et le timing des événements

Ce workflow pourrait prolonger de courts plans ou produire des séquences narratives consécutives sans commencer chaque clip à partir d'un prompt sans rapport.

Image-clé-vers-vidéo

L'image-clé-vers-vidéo génère une transition entre des moments visuels définis. Les images de début et de fin peuvent communiquer la composition avec davantage de précision que le texte seul.

Les utilisations possibles comprennent :

• Les transformations de produits
• Les transitions de caméra
• Le déplacement d'un personnage entre plusieurs poses
• Les séquences avant-après
• L'animation de logos ou de typographies
• La prévisualisation de storyboards en mouvement

PoYo accepte jusqu’à dix images-clés positionnées, chacune avec URL et index d’image.

Génération audio native

L'audio natif est la fonctionnalité distinctive de FLUX 3 Video. Le modèle génère le son dans le cadre de la même scène au lieu de dépendre entièrement d'un pipeline audio distinct.

Sons synchronisés avec les événements

Des actions telles que les impacts, les mouvements et les interactions mécaniques peuvent produire un son synchronisé avec l'événement visible. BFL affirme que le modèle est particulièrement performant pour associer les sons aux événements physiques.

Audio environnemental

Une scène peut inclure une ambiance adaptée à son lieu, à la météo et à l'activité. Cela peut fournir une première version plus complète qu'une génération vidéo silencieuse.

Dialogues multilingues

Black Forest Labs présente les dialogues multilingues comme une fonctionnalité essentielle. L'annonce du lancement ne fournit pas de liste complète des langues ni de mesure de la précision de la parole pour chaque langue.

Continuation vidéo et audio

Le modèle peut prolonger une entrée audiovisuelle, en maintenant potentiellement l'ambiance, le contexte des dialogues et le timing des événements dans la nouvelle section.

La génération native n'élimine pas la postproduction. La précision des dialogues, la prononciation, la synchronisation labiale, les niveaux audio et les artefacts indésirables nécessitent toujours une vérification.

Durée et résolution

PoYo accepte 5–20 secondes, 720p ou 1080p, et huit ratios. L’audio natif peut être activé.

Les workflows standard coûtent 34 crédits/s en 720p ou 58 en 1080p ; l’extension 82 ou 106. Consultez la documentation.

Cohérence des personnages et du style

FLUX 3 utilise des références visuelles pour aider à maintenir les éléments centraux d'une scène à l'autre. BFL indique que les références peuvent préserver la cohérence des personnages dans des séquences multi-scènes durant plusieurs minutes.

Cette durée de sortie plus longue est obtenue en chaînant des clips individuels, et non en générant plusieurs minutes en un seul appel. Chaque plan peut toujours nécessiter :

• La sélection de références
• La continuité des prompts
• La planification des transitions
• La vérification de l'identité
• Les contrôles de continuité audio
• Le montage et l'assemblage

Le chaînage agentique peut automatiser une partie de la planification, mais il ne transforme pas la limite de 20 secondes d'une génération unique en un plan continu illimité.

Typographie et design animé

BFL met en avant la typographie et le design animé comme des fonctionnalités de FLUX 3 Video. Cela pourrait prendre en charge :

• Les affiches animées
• Les génériques
• Les annonces de produits
• La typographie cinétique
• Les publicités pour les réseaux sociaux
• L'animation d'interfaces et de graphiques

Le texte généré doit néanmoins être vérifié image par image. Un titre peut sembler correct à un instant donné, puis se déformer pendant le mouvement.

Premiers résultats d'évaluation

Lors des tests préliminaires de préférence humaine de BFL, FLUX 3 a été comparé à plusieurs modèles vidéo. L'entreprise indique des taux de préférence allant de 52 % face à Seedance 2.0 et Gemini Omni Flash à 93 % face à Luma Ray 3.2.

Ces résultats doivent être remis dans leur contexte :

• Ils ont été publiés par le développeur du modèle.
• Ils ont utilisé des clips texte-vers-vidéo de 10 secondes en 720p avec audio.
• Le candidat FLUX 3 et le dispositif d'évaluation étaient encore en cours de développement.
• Les résultats « jusqu'à » peuvent résumer des sous-ensembles plutôt que chaque catégorie de prompts.
• Aucune reproduction indépendante n'est encore disponible.

Ces chiffres constituent des éléments préliminaires utiles, mais ne prouvent pas que FLUX 3 est universellement meilleur.

Cas d'utilisation pratiques

Courtes scènes centrées sur les dialogues

La parole native et les expressions faciales rendent FLUX 3 pertinent pour les moments narratifs courts et les concepts de personnages multilingues.

Vidéos de produits et de marques

Les images de référence peuvent établir un produit ou une identité visuelle, tandis que le son natif crée une première version de campagne plus complète.

Vidéo pour les réseaux sociaux

Les ratios d'aspect multiples, le texte animé et la courte durée conviennent aux publicités, aux annonces et aux formats sociaux verticaux.

Prévisualisation

Les images, les vidéos de référence et les images-clés peuvent transformer des storyboards en aperçus animés pour prendre des décisions concernant la caméra, le timing et les transitions.

Variation et continuation vidéo

Les équipes peuvent explorer des scènes alternatives, prolonger un plan ou faire évoluer un personnage central dans un autre contexte.

Narration multi-plans

Des clips chaînés peuvent créer des séquences plus longues, tandis que les références visuelles contribuent à maintenir la cohérence.

Disponibilité de l'API FLUX 3 Video

PoYo fournit cinq identifiants de modèles vidéo de production :

• 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

Les cinq endpoints utilisent le flux asynchrone PoYo. Utilisez la page modèle ou la documentation.

Foire aux questions

FLUX 3 Video est-il disponible maintenant ?

Oui. PoYo propose cinq workflows pour texte, images, première/dernière image, extension et images-clés.

FLUX 3 Video génère-t-il du son ?

Oui. Il génère un audio natif avec la vidéo, notamment des sons environnementaux et des dialogues multilingues.

Quelle peut être la durée d'une vidéo FLUX 3 ?

BFL indique qu'une génération unique peut durer jusqu'à 20 secondes. Des séquences plus longues peuvent être assemblées en chaînant des clips.

FLUX 3 prend-il en charge l'image-vers-vidéo ?

Oui. Il peut animer une image de départ ou utiliser des images comme références visuelles.

Prend-il en charge le vidéo-vers-vidéo ?

Oui. BFL indique qu'une vidéo source peut guider des éléments centraux tels qu'un personnage dans une nouvelle scène ou un nouveau contexte.

FLUX 3 peut-il poursuivre une vidéo existante ?

Oui. La continuation vidéo et audio fait partie des workflows annoncés.

Quelles langues FLUX 3 prend-il en charge ?

BFL a annoncé les dialogues multilingues, mais n'a pas publié de liste complète des langues prises en charge.

Combien coûte l'API FLUX 3 Video ?

Les workflows standard coûtent 34/58 crédits/s en 720p/1080p ; l’extension 82/106.

Conclusion

FLUX 3 Video combine plusieurs workflows qui nécessitaient auparavant des modèles distincts : texte-vers-vidéo, animation d'images, transformation vidéo, continuation, transitions entre images-clés et génération audio.

Sa différence la plus importante ne réside pas uniquement dans la durée de 20 secondes. Il s'agit de tenter de générer le mouvement et le son à partir d'une représentation partagée, tout en acceptant des références issues de plusieurs médias.

Lisez le guide FLUX 3, comparez FLUX 2 ou utilisez FLUX 3.

Source : annonce FLUX 3 de Black Forest Labs