FLUX 3: obraz, wideo, audio i wszystko, co wiemy

Firma Black Forest Labs ogłosiła FLUX 3 23 lipca 2026. To dotychczas największa zmiana w rodzinie modeli FLUX: zamiast skupiać się wyłącznie na generowaniu i edycji obrazów, FLUX 3 jest multimodalnym modelem bazowym trenowanym na obrazach, wideo, dźwięku i działaniach.

FLUX 3 jest już dostępny w PoYo w pięciu produkcyjnych workflows wideo: tekst na wideo, obraz na wideo, generowanie z pierwszej i ostatniej klatki, wydłużanie wideo oraz pozycjonowane klatki kluczowe. Na stronie API FLUX 3 w PoYo znajdziesz działający generator, ID modeli, obsługiwane opcje sterowania i cennik.

Ten przewodnik oddziela to, co Black Forest Labs oficjalnie ogłosiło, od szczegółów, które wciąż pozostają nieznane.

FLUX 3 w skrócie

Czym jest FLUX 3?

FLUX 3 to ujednolicony model multimodalny. Black Forest Labs podaje, że trenowano go jednocześnie na obrazach, wideo i dźwięku, tak aby poszczególne modalności wzajemnie się ograniczały i uzupełniały.

Obraz opisuje strukturę przestrzenną. Wideo dodaje czas i ruch. Dźwięk dostarcza informacji o zdarzeniach i fizycznych interakcjach. Język łączy te sygnały z instrukcjami i abstrakcyjnymi celami. FLUX 3 został zaprojektowany tak, by uczyć się wspólnej reprezentacji, zamiast traktować każde medium jako odrębne zadanie generowania.

To inny kierunek produktowy niż FLUX 2, czyli rodzina przeznaczona głównie do generowania i edycji obrazów. FLUX 3 nadal generuje i edytuje obrazy, ale tworzy też wideo z natywnym audio i stanowi podstawę do przewidywania działań.

Rodzina modeli FLUX 3

Black Forest Labs ogłosiło cztery główne zastosowania bazy FLUX 3.

FLUX 3 Image

FLUX 3 Image obejmuje syntezę i edycję obrazów przez API oraz prywatny dostęp do wag. BFL podaje, że model radzi sobie z różnymi stylami, proporcjami i rozdzielczościami, dokładniej wykonuje złożone prompty i lepiej renderuje tekst wielojęzyczny.

FLUX 3 Video

FLUX 3 Video generuje i edytuje wideo z natywnym audio. Przyjmuje tekst, obrazy i referencje wideo oraz obsługuje kilka workflows, w tym kontynuację i generowanie sterowane klatkami kluczowymi.

FLUX 3 Dev

FLUX 3 Dev to ogłoszony multimodalny szkielet z otwartymi wagami. BFL opisuje go jako podstawę do tworzenia treści i przewidywania działań. Firma nie opublikowała jeszcze jego wag, licencji, wymagań sprzętowych ani daty premiery.

FLUX 3 Action i FLUX-mimic

FLUX 3 obsługuje też przewidywanie działań przez wybranych partnerów badawczych i komercyjnych. FLUX-mimic, rozwijany wspólnie z mimic robotics, stosuje wizualną reprezentację świata zawartą w modelu do działań robotów. To wyspecjalizowany kierunek badawczy i przemysłowy, a nie konsumencki generator obrazów lub wideo.

Możliwości FLUX 3 Image

FLUX 3 pozostaje ważnym modelem obrazów, choć jego zakres jest szerszy niż we wcześniejszych wydaniach FLUX.

Firma Black Forest Labs zapowiada:

• Generowanie tekst na obraz
• Edycję obrazów
• Wiele stylów wizualnych i proporcji obrazu
• Wiele rozdzielczości wyjściowych
• Lepszą obsługę złożonych promptów
• Dokładniejsze generowanie tekstu wielojęzycznego
• Dostęp przez API i prywatne wagi

Oficjalne przykłady obejmują fotorealistyczne zbliżenia i studyjne obrazy w stylu produktowym, a także obrazy malarskie i płaskie ilustracje. Pokazują różnorodność stylów, ale to wybrane próbki z premiery, a nie niezależna miara spójności.

Wciąż brakuje ważnych szczegółów produkcyjnych. Firma BFL nie opublikowała ostatecznych parametrów API FLUX 3 Image, maksymalnej rozdzielczości, opóźnienia, rate limits ani ceny.

Możliwości FLUX 3 Video

FLUX 3 potrafi w jednym generowaniu stworzyć wideo z dźwiękiem trwające do 20 sekund. Ogłoszone workflows obejmują:

• Tekst na wideo: utwórz kompletny klip na podstawie opisu tekstowego.
• Obraz na wideo: animuj klatkę początkową lub użyj obrazów jako referencji wizualnych.
• Wideo na wideo: przenieś postacie, obiekty lub elementy wizualne z klipu źródłowego do innej sceny.
• Kontynuacja wideo i audio: wydłuż istniejącą sekwencję audiowizualną.
• Klatki kluczowe na wideo: generuj kontrolowane przejścia między zdefiniowanymi momentami.
• Dialogi wielojęzyczne: generuj mowę w wielu językach.
• Łączenie wielu ujęć: połącz klipy w dłuższe sekwencje za pomocą agentowego workflow.
• Animowana typografia: twórz motion design i animowany tekst.

Dźwięk w modelu jest natywny, a nie dodawany w osobnym etapie postprodukcji. Ma to znaczenie przy zdarzeniach, w których dźwięk, ruch i czas muszą się zgadzać.

Jak Self-Flow wpisuje się w FLUX 3

FLUX 3 bazuje na Self-Flow, metodzie opracowanej przez Black Forest Labs do dopasowywania generowania i rozumienia multimodalnego w jednej architekturze.

Wstępne badania BFL porównują Self-Flow z konwencjonalnym flow matching w generowaniu obrazów, wideo i dźwięku. Firma podaje niższy znormalizowany błąd generowania i szybsze uczenie się w dalszych zadaniach manipulacji.

Wyniki te pomagają zrozumieć architekturę, ale nie należy ich traktować jako pełnego publicznego benchmarku ostatecznych produktów FLUX 3. Model i zestaw ewaluacyjny nadal są rozwijane.

Wczesne oceny FLUX 3 Video

Firma Black Forest Labs opublikowała wstępne wyniki oceny preferencji ludzi dla 10-sekundowych klipów tekst na wideo w 720p z dźwiękiem. W jej testach FLUX 3 był preferowany względem:

• Grok Imagine Video: w nawet 69% porównań
• Kling v3 Pro: w 60%
• Happy Horse v1: w 59%
• Happy Horse 1.1: w 57%
• Seedance 2.0 i Gemini Omni Flash: w 52%
• Runway Gen-4.5: w 77%
• Luma Ray 3.2: w 93%

To wczesne oceny opublikowane przez dostawcę, a nie niezależny ranking. BFL wprost zaznacza, że model i sposób oceny wciąż się zmieniają. Na wyniki preferencji mogą wpływać dobór promptów, ustawienia próbkowania, oceniający oraz wersje konkurencyjnych modeli.

Dostępność FLUX 3 w PoYo

PoYo udostępnia obecnie pięć produkcyjnych ID modeli wideo:

• 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

Te workflows generują klipy trwające 5–20 sekund w 720p lub 1080p, obsługują osiem proporcji obrazu i potrafią tworzyć zsynchronizowane natywne audio. Standardowe workflows kosztują 34 kredyty za sekundę w 720p lub 58 kredytów za sekundę w 1080p. Wydłużanie wideo kosztuje odpowiednio 82 lub 106 kredytów za sekundę.

Ta premiera dotyczy workflows wideo FLUX 3 w PoYo. FLUX 3 Image, Action i szkielet z otwartymi wagami FLUX 3 Dev pozostają osobnymi elementami szerszej mapy drogowej BFL; PoYo nie przedstawia ich jako części obecnego wydania API wideo. Aktualne pola żądań i limity znajdziesz w dokumentacji API FLUX 3.

Zastosowania FLUX 3

Generowanie i edycja obrazów

FLUX 3 Image może wspierać wizualizacje produktowe, ilustracje redakcyjne, reklamę, projekty wielojęzyczne i edycję sterowaną referencjami.

Krótkie wideo ze zsynchronizowanym dźwiękiem

Natywne generowanie audiowizualne przydaje się w scenach z dialogami, prezentacjach produktów, klipach do mediów społecznościowych, animowanych projektach i konceptach fabularnych, w których dźwięk musi pasować do akcji.

Spójność postaci i stylu

Referencje obrazowe i wideo mogą przenosić główny obiekt lub język wizualny do nowych scen. Łączenie wielu ujęć mogłoby rozszerzyć to na dłuższe sekwencje.

Previzualizacja

Klatki kluczowe, klipy referencyjne i obrazy wejściowe mogą pomóc zespołom kreatywnym zbadać przejścia, ruch kamery i strukturę sceny przed klasyczną produkcją.

Badania nad fizyczną AI

Wspólną reprezentację świata w FLUX 3 można też dostosować do przewidywania działań, jak pokazuje współpraca w ramach FLUX-mimic.

Najczęstsze pytania

Czy FLUX 3 został wydany?

Firma Black Forest Labs ogłosiła FLUX 3 23 lipca 2026. PoYo udostępnia teraz pięć produkcyjnych endpointów wideo obejmujących tekst, obrazy, pierwszą i ostatnią klatkę, wydłużanie wideo źródłowego oraz pozycjonowane klatki kluczowe.

Czy FLUX 3 to model obrazów, czy wideo?

To multimodalny model bazowy. Ogłoszone warianty obejmują generowanie i edycję obrazów, wideo z natywnym audio oraz przewidywanie działań.

Czy FLUX 3 generuje dźwięk?

Tak. FLUX 3 Video generuje natywne audio razem z wideo i obsługuje dialogi wielojęzyczne.

Jak długie mogą być wideo z FLUX 3?

PoYo przyjmuje całkowite czasy trwania od 5 do 20 sekund i obsługuje wyjście w 720p i 1080p.

Czy FLUX 3 jest open source?

Firma BFL ogłosiła szkielet FLUX 3 Dev z otwartymi wagami, ale wagi, licencja i data premiery nie zostały jeszcze opublikowane.

Czy API FLUX 3 jest dostępne w PoYo?

Tak. Skorzystaj ze strony modelu FLUX 3 lub zintegruj jedno z pięciu udokumentowanych ID modeli wideo PoYo.

Czym FLUX 3 różni się od FLUX 2?

FLUX 2 skupia się na generowaniu i edycji obrazów. FLUX 3 rozszerza rodzinę do ujednoliconego modelu dla obrazów, wideo, natywnego audio i przewidywania działań. Zobacz szczegółowe porównanie FLUX 3 vs FLUX 2.

Podsumowanie

FLUX 3 to nie kolejna aktualizacja modelu obrazów. Zmienia FLUX z rodziny skoncentrowanej na obrazach w platformę multimodalną, która łączy wygląd, ruch, dźwięk i zachowanie fizyczne.

Najciekawsze możliwości są jasne: natywne generowanie audiowizualne, wideo sterowane referencjami, dialogi wielojęzyczne, lepsza typografia i wspólna architektura rozszerzająca się w stronę przewidywania działań. PoYo udostępnia teraz pięć wydanych workflows wideo z udokumentowanymi ID modeli, opcjami sterowania i cenami za sekundę.

Użyj strony modelu FLUX 3 w PoYo, aby od razu generować wideo, albo przeczytaj dokumentację API przed integracją. Szczegóły jeszcze niewydanych modeli Image, Action i Dev traktuj nadal osobno od endpointów wideo dostępnych dziś.

Źródła: Ogłoszenie FLUX 3 od Black Forest Labs, FLUX 3 x mimic