FLUX 3とFLUX 2の最大の違いは、従来型の品質向上ではありません。FLUX 2は画像生成・編集のためのモデルファミリーです。FLUX 3は、画像生成と編集を維持しながら、動画、ネイティブ音声、アクション予測へと領域を広げ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。
FLUX 3とFLUX 2の概要
| 機能 | FLUX 2 | FLUX 3 |
|---|---|---|
| 主な用途 | 画像生成と編集 | 統合されたマルチモーダル生成と理解 |
| 入力 | テキストと画像参照 | テキスト、画像、動画参照 |
| 画像生成 | 対応 | 対応 |
| 画像編集 | 対応 | 対応 |
| 動画生成 | 非対応 | 対応 |
| ネイティブ音声 | 非対応 | 対応 |
| Video-to-video | 非対応 | 発表済み |
| Keyframe-to-video | 非対応 | 発表済み |
| 多言語対話 | 非対応 | 発表済み |
| アクション予測 | 非対応 | 専用バリアントを通じて発表済み |
| オープンウェイト | FLUX.2 Kleinのバリアントを利用可能 | FLUX 3 Devを発表済み、未リリース |
| PoYoでの提供状況 | 画像APIを利用可能 | 5つの動画ワークフローを利用可能 |
異なる製品目標
FLUX 2は、高品質な画像合成と編集を中心に設計されています。そのモデルファミリーには、さまざまな画像ワークフローに対応する品質重視、柔軟性重視、高速処理のバリアントが含まれています。
FLUX 3は、画像、動画、音声にまたがる共有アーキテクチャを使用します。Black Forest Labsは、複数のモダリティを同時に学習することで、世界をより適切に表現できるようになると説明しています。具体的には、画像から空間構造を、動画から動きと物理的な変化を、音声から因果関係の手がかりを学習します。
その結果、FLUX 2のすべての画像エンドポイントを直接置き換えるものではなく、より広範なプラットフォームとなっています。
アーキテクチャ：画像モデルとマルチモーダルモデル
FLUX 2は、フローマッチングを用いた画像モデルファミリーです。テキストを入力として受け取り、編集ワークフローでは画像参照も使用して、静止画を生成または変更します。
FLUX 3は、BFLのSelf-Flow研究とマルチモーダルトランスフォーマーを基盤としています。個別のエンコーダーとデコーダーが、画像、動画、音声、そして将来的にはアクション信号を共有モデルに接続します。
このアーキテクチャは、生成と理解の両方をサポートすることを目的としています。また、あるモダリティから学習した知識によって、別のモダリティを改善することも可能にします。たとえば、動画から物体の動きを学習し、音声から接触、衝撃、素材の挙動に関する証拠を得られます。
画像生成と編集
両世代とも画像の合成と編集に対応していますが、利用可能性は異なります。
FLUX 2
本番環境のワークフローで次の機能が必要な場合、FLUX 2が実用的な選択肢です。
- 今すぐ利用できるテキストから画像への生成
- 複数の参照画像による制御
- プロンプトによる画像編集
- 明確に定義されたモデルバリアントと解像度
- 既知のAPIリクエスト形式と料金
PoYoでは現在、FLUX 2 APIページでFLUX 2 Pro、Pro Edit、Flex、Flex Editのバリアントをサポートしています。
FLUX 3
Black Forest Labsによると、FLUX 3 Imageでは次の点が改善されています。
- 複雑なプロンプトへの対応
- 多言語テキスト生成
- スタイルの多様性
- 異なるアスペクト比と解像度への対応
- 画像編集
ただし、BFLは最終的なFLUX 3 Imageのエンドポイントと、FLUX 2の完全なモデルファミリーを比較した標準化された公開比較をまだ実施していません。FLUX 3があらゆる画像タスクで優れていると主張するのは時期尚早です。
動画がFLUX 3を特徴づける最大の進化
FLUX 2は動画を生成しません。FLUX 3 Videoは次の機能を追加します。
- テキストから動画への生成
- 画像から動画への生成
- Video-to-video
- 動画と音声の継続
- Keyframe-to-video
- 参照画像によるキャラクターとスタイルの制御
- 最大20秒のクリップ
- 複数ショットのシーケンスへのエージェント型チェーン
これにより、FLUX 3は広告、短編ナラティブ動画、アニメーションデザイン、映像と音声を組み合わせたプリビジュアライゼーションなど、異なる本番ワークフローに適したモデルとなります。
ネイティブ音声がワークフローを変える
従来型のAI動画パイプラインでは、無音の映像を生成した後、音声、効果音、環境音、音楽に別々のツールを使用する場合があります。
FLUX 3は動画と音声を同時に生成します。BFLは次の点を強調しています。
- 目に見える出来事と同期した物理音
- 多言語対話
- 表情と発話
- 動画と音声の継続
- 生成された動き全体での音声の一貫性
ネイティブ音声によって、レビューやサウンドデザインが不要になるわけではありません。無音のクリップではなく、映像と音声からなるシーンを生成することで、制作の出発点が変わります。
参照制御
FLUX 2は、生成と編集にテキストおよび画像参照を使用します。商品画像、キャラクターコンセプト、コンポジット、制御されたビジュアル変更に適しています。
FLUX 3では、参照制御の対象が動画へと広がります。
- 画像を開始フレームとして使用する
- 画像をアイデンティティまたはスタイルの参照として使用する
- ある動画の中心的な要素を別の動画へ引き継ぐ
- 映像と音声からなるクリップを継続する
- キーフレームで開始と終了の瞬間を定義する
1枚の画像、開始・終了の2枚、最大10キーフレーム、延長用MP4に対応します。
モデルへのアクセスとオープンウェイト
FLUX 2には、すでにリリース済みのAPIとオープンウェイトの選択肢があります。たとえばFLUX.2 Kleinは、公開されたライセンスと要件のもとで、ローカルまたはホステッド環境での高速生成を対象としています。
FLUX 3について、BFLは次の内容を発表しています。
- APIと非公開ウェイトによるFLUX 3 Image
- APIと非公開ウェイトによるFLUX 3 Video
- オープンウェイトのマルチモーダル基盤モデルとしてのFLUX 3 Dev
- 選定されたパートナーを通じたFLUX 3 Action
FLUX 3 Devのウェイト、ライセンス、ダウンロード場所、システム要件はまだ明らかになっていません。
提供状況と料金
画像APIを利用可能; 5つの動画ワークフローを利用可能.
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。 API.
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。
どのモデルを選ぶべきか？
次の場合はFLUX 2を選択してください。
- 今すぐ本番環境向けの画像APIが必要。
- 出力が静止画。
- 参照画像に基づく画像編集が必要。
- 既知の料金とリクエストパラメータが必要。
- 画像に特化した複数のバリアントを試したい。
次の場合はFLUX 3を注視してください。
- ネイティブ音声付きの動画が必要。
- テキスト、画像、動画の参照を組み合わせたワークフローを使用している。
- 動画の継続やキーフレーム間の遷移を利用したい。
- 多言語対話が重要。
- マルチモーダル世界モデルやアクション予測を研究している。
次の場合は両方を使用してください。
チームが新しい映像と音声のワークフロー向けにFLUX 3を評価する間も、FLUX 2を安定した画像制作レイヤーとして維持できます。FLUX 3が登場した初日から、稼働中の画像パイプラインを置き換える必要はありません。
よくある質問
FLUX 3はFLUX 2より優れていますか？
FLUX 3は機能の幅が大きく広がっていますが、あらゆる画像生成や編集タスクで優れていると言えるほど、公開された独立検証はまだ十分ではありません。
FLUX 2は動画に対応していますか？
いいえ。FLUX 2は画像生成と編集のモデルファミリーです。
FLUX 3は画像も生成できますか？
はい。FLUX 3 Imageは、新たに加わった動画、音声、アクションの方向性と並行して、画像の合成と編集に対応しています。
FLUX 3はFLUX 2に取って代わりますか？
画像APIを利用可能; 5つの動画ワークフローを利用可能.
FLUX 3はオープンソースですか？
オープンウェイトのFLUX 3 Dev基盤モデルは発表されていますが、まだリリースされていません。
PoYoで利用できるモデルはどれですか？
現在利用可能.
まとめ
FLUX 2とFLUX 3は、単に旧世代と新世代の画像モデルとして捉えるべきではありません。両者は異なる製品スコープを表しています。
- **FLUX 2：**本番環境を重視した画像生成と編集
- **FLUX 3：**画像、動画、ネイティブ音声、アクションのためのマルチモーダル基盤
5つの動画ワークフローを利用可能.