Black Forest Labsは2026年7月23日、FLUX 3を発表しました。これは、これまでのFLUXモデルファミリーにおける最大の変化です。画像の生成と編集だけに焦点を当てるのではなく、FLUX 3は画像、動画、音声、アクションを横断して学習したマルチモーダル基盤モデルです。
FLUX 3はPoYoで提供中です。テキスト動画、画像動画、開始・終了フレーム、動画延長、位置指定キーフレームの5つを利用できます。 PoYo FLUX 3.
このガイドでは、Black Forest Labsが公式に発表した内容と、まだ明らかになっていない詳細を分けて説明します。
FLUX 3の概要
| 機能 | 公式発表情報 |
|---|---|
| 開発元 | Black Forest Labs |
| 発表日 | 2026年7月23日 |
| 現在のステータス | PoYoで5つの本番動画ワークフローを提供中 |
| モダリティ | 画像、動画、音声、アクション予測 |
| 入力 | テキスト、画像、動画リファレンス |
| 画像機能 | 生成と編集 |
| 動画機能 | Text-to-video、Image-to-video、Video-to-video、継続生成、キーフレーム |
| ネイティブ音声 | 対応 |
| 発表されている動画の最長時間 | 1回の生成で最大20秒 |
| 多言語対話 | 発表済み |
| PoYoでの一般APIアクセス | 現在利用可能 |
| 公開APIモデルIDと料金 | モデルID、パラメータ、料金はPoYoの最新ドキュメントを確認してください。 |
FLUX 3とは？
FLUX 3は、統合型のマルチモーダルモデルです。Black Forest Labsによると、画像、動画、音声を同時に使って学習することで、それぞれのモダリティが互いに制約し、情報を補完するように設計されています。
画像は空間構造を記述します。動画は時間と動きを加えます。音声は、出来事や物理的な相互作用に関する手がかりを提供します。言語は、これらの信号を指示や抽象的な目標に結び付けます。FLUX 3は、それぞれの媒体を独立した生成タスクとして扱うのではなく、共有表現を学習するよう設計されています。
これは、主に画像の生成と編集を行うファミリーであるFLUX 2とは異なる製品の方向性です。FLUX 3は引き続き画像を生成・編集できますが、ネイティブ音声付きの動画も生成し、アクション予測の基盤も提供します。
FLUX 3モデルファミリー
Black Forest Labsは、FLUX 3基盤の主な4つの用途を発表しています。
FLUX 3 Image
FLUX 3 Imageは、APIおよび非公開ウェイトへのアクセスを通じて、画像の合成と編集に対応します。BFLによると、このモデルは多様なスタイル、アスペクト比、解像度を扱い、複雑なプロンプトにより正確に従い、多言語テキストのレンダリングを改善します。
FLUX 3 Video
FLUX 3 Videoは、ネイティブ音声付きの動画を生成・編集します。テキスト、画像、動画リファレンスを受け付け、継続生成やキーフレーム制御による生成など、複数のワークフローに対応します。
FLUX 3 Dev
FLUX 3 Devは、発表されたオープンウェイトのマルチモーダルバックボーンです。BFLは、コンテンツ制作とアクション予測の基盤として説明しています。同社は、ウェイト、ライセンス、必要なハードウェア、リリース日をまだ公開していません。
FLUX 3 ActionとFLUX-mimic
FLUX 3は、選定された研究・商用パートナーを通じてアクション予測にも対応します。mimic roboticsと共同開発されたFLUX-mimicは、モデルの視覚的な世界表現をロボットのアクションに応用します。これは、一般消費者向けの画像・動画生成器ではなく、専門的な研究および産業分野を対象とした方向性です。
FLUX 3 Imageの機能
FLUX 3は、従来のFLUXリリースよりも対象範囲が広がっている一方で、依然として主要な画像モデルでもあります。
Black Forest Labsは、以下の機能を発表しています。
- Text-to-image生成
- 画像編集
- 複数のビジュアルスタイルとアスペクト比
- 複数の出力解像度
- 複雑なプロンプトへの対応力向上
- より正確な多言語テキスト生成
- APIおよび非公開ウェイトへのアクセス
公式サンプルは、フォトリアルなクローズアップや製品のようなスタジオ画像から、絵画やフラットなイラストまで多岐にわたります。これらはスタイルの多様性を示していますが、独立した一貫性の指標ではなく、ローンチ時に選ばれたサンプルです。
本番利用に必要な重要な詳細は、まだ不足しています。BFLは、最終的なFLUX 3 Image APIのパラメータ、最大解像度、レイテンシ、レート制限、料金を公開していません。
FLUX 3 Videoの機能
FLUX 3は、1回の生成で音声付き、最長20秒の動画を生成できます。発表されたワークフローは以下のとおりです。
- **Text-to-video：**文章による説明から完全なクリップを作成します。
- **Image-to-video：**開始フレームをアニメーション化するか、画像をビジュアルリファレンスとして使用します。
- **Video-to-video：**元のクリップに登場するキャラクター、被写体、ビジュアル要素を別のシーンに引き継ぎます。
- **動画と音声の継続生成：**既存の映像・音声シーケンスを延長します。
- **Keyframe-to-video：**指定した瞬間の間に、制御されたトランジションを生成します。
- **多言語対話：**複数の言語で発話コンテンツを生成します。
- **マルチショット連結：**エージェント型ワークフローを使ってクリップをつなぎ、より長いシーケンスを作成します。
- **アニメーションタイポグラフィ：**モーションデザインとアニメーションテキストを生成します。
このモデルの音声は、個別のポストプロセスで追加されるのではなく、ネイティブに生成されます。音、動き、タイミングの一致が必要な出来事において、これは重要な意味を持ちます。
Self-FlowはFLUX 3にどのように関係するのか
FLUX 3は、Black Forest Labsが1つのアーキテクチャ内でマルチモーダルな生成と理解を整合させるために開発した手法、Self-Flowを基盤としています。
BFLの予備研究では、画像、動画、音声の生成において、Self-Flowと従来のフローマッチングを比較しています。同社は、下流の操作タスクにおいて、正規化された生成誤差が低く、学習も高速であると報告しています。
これらの結果はアーキテクチャの理解に役立ちますが、最終的なFLUX 3製品に対する完全な公開ベンチマークと解釈すべきではありません。モデルと評価ハーネスは、まだ開発中です。
FLUX 3 Videoの初期評価
Black Forest Labsは、音声付きの10秒、720p Text-to-videoクリップについて、予備的な人間の選好結果を公開しました。同社のテストでは、FLUX 3は以下のモデルを上回る評価を受けました。
- Grok Imagine Videoとの比較で最大69%
- Kling v3 Proで60%
- Happy Horse v1で59%
- Happy Horse 1.1で57%
- Seedance 2.0およびGemini Omni Flashで52%
- Runway Gen-4.5で77%
- Luma Ray 3.2で93%
これらはベンダーが公開した初期評価であり、独立したリーダーボードではありません。BFLは、モデルと評価設定が現在も変化していると明確に述べています。プロンプトの選択、サンプリング設定、評価者、競合モデルのバージョンは、いずれも選好結果に影響する可能性があります。
FLUX 3の提供状況
PoYoで5つの本番動画ワークフローを提供中:
flux-3/text-to-videoflux-3/image-to-videoflux-3/first-last-frame-to-videoflux-3/extend-videoflux-3/keyframes-to-video
5～20秒、720p/1080p、8種類のアスペクト比、ネイティブ音声に対応します。標準は毎秒34/58 credits、延長は82/106 creditsです。
今回の提供範囲はFLUX 3 Videoです。Image、Action、Devは別のロードマップ項目です。 FLUX 3 API.
FLUX 3のユースケース
画像生成と編集
FLUX 3 Imageは、製品ビジュアル、エディトリアルイラスト、広告、多言語デザイン、リファレンス制御による編集に対応する可能性があります。
音声が同期した短編動画
ネイティブな映像・音声生成は、音声とアクションの一致が必要な会話シーン、製品デモ、ソーシャルクリップ、アニメーションデザイン、ストーリーのコンセプトに役立ちます。
キャラクターとスタイルの一貫性
画像や動画のリファレンスによって、中心となる被写体やビジュアル言語を新しいシーンに引き継ぐことができます。マルチショット連結によって、これをより長いシーケンスへ拡張できる可能性があります。
プレビジュアライゼーション
キーフレーム、リファレンスクリップ、画像入力を使うことで、クリエイティブチームは従来の制作に入る前に、トランジション、カメラワーク、シーン構成を検討できます。
Physical AI研究
FLUX 3の共有された世界表現は、FLUX-mimicの共同研究で示されているように、アクション予測にも応用できます。
よくある質問
FLUX 3はリリースされていますか？
PoYoで5つの本番動画ワークフローを提供中.
FLUX 3は画像モデルですか、それとも動画モデルですか？
マルチモーダル基盤モデルです。発表されているバリエーションは、画像の生成と編集、ネイティブ音声付き動画、アクション予測を対象としています。
FLUX 3は音声を生成できますか？
はい。FLUX 3 Videoは動画と同時にネイティブ音声を生成し、多言語対話に対応します。
FLUX 3の動画はどのくらいの長さにできますか？
PoYo: 5–20 s, 720p/1080p.
FLUX 3はオープンソースですか？
BFLはオープンウェイトのFLUX 3 Devバックボーンを発表していますが、ウェイト、ライセンス、リリース日はまだ公開されていません。
FLUX 3 APIはPoYoで利用できますか？
現在利用可能. FLUX 3.
FLUX 3はFLUX 2とどう違いますか？
FLUX 2は画像の生成と編集に重点を置いています。FLUX 3は、画像、動画、ネイティブ音声、アクション予測に対応する統合モデルへとファミリーを拡張します。詳しくはFLUX 3とFLUX 2の比較をご覧ください。
最終的なポイント
FLUX 3は、単なる画像モデルのアップグレードではありません。FLUXを画像中心のファミリーから、視覚的な外観、動き、音、物理的な振る舞いを結び付けるよう設計されたマルチモーダルプラットフォームへと変化させます。
PoYoで5つの本番動画ワークフローを提供中.
モデルID、パラメータ、料金はPoYoの最新ドキュメントを確認してください。 FLUX 3 API.