O FLUX 3 Video é o primeiro modelo FLUX da Black Forest Labs para geração audiovisual completa. Ele cria vídeo e áudio nativo em conjunto, aceita referências de texto, imagem e vídeo e produz clipes de até 20 segundos em uma única geração.
O FLUX 3 está disponível na PoYo com texto para vídeo, imagem para vídeo, primeiro/último quadro, extensão e keyframes posicionados. FLUX 3.
FLUX 3 Video em resumo
| Recurso | Suporte anunciado |
|---|---|
| Texto para vídeo | Sim |
| Imagem para vídeo | Sim |
| Referências de imagem | Sim |
| Vídeo para vídeo | Sim |
| Continuação de vídeo e áudio | Sim |
| Quadro-chave para vídeo | Sim |
| Áudio nativo | Sim |
| Diálogo multilíngue | Sim |
| Duração máxima de uma única geração | Até 20 segundos |
| Proporções | Vários formatos anunciados |
| Tipografia animada | Anunciada |
| Sequências com vários planos | Encadeamento agentivo anunciado |
| API geral do PoYo | Disponível agora |
O que é o FLUX 3 Video?
O FLUX 3 Video é uma aplicação do modelo multimodal de base mais amplo FLUX 3. Diferentemente de um modelo de imagem adaptado para gerar quadros, o FLUX 3 foi treinado com imagens, vídeo e áudio em uma arquitetura compartilhada.
O objetivo é modelar mais do que a aparência visual. O vídeo ensina movimento e relações temporais. O áudio fornece informações sobre impactos, materiais, fala e eventos ambientais. O treinamento conjunto permite conectar o som gerado ao que acontece na tela.
É também por isso que o FLUX 3 vai além da criação de conteúdo e chega à previsão de ações por meio de variantes especializadas de pesquisa.
Mídia oficial de lançamento do FLUX 3 pela Black Forest Labs.
Texto para vídeo
Texto para vídeo cria um clipe diretamente a partir da descrição escrita de uma cena. Um prompt útil pode definir:
- Sujeito e ação
- Local e horário
- Posição e movimento da câmera
- Estilo visual
- Diálogo falado
- Som ambiente
- Momento e sequência dos eventos
- Proporção
As solicitações expõem prompt, duração, resolução, proporção, áudio e entradas de imagem, vídeo ou keyframe.
Imagem para vídeo
O FLUX 3 oferece suporte a duas abordagens orientadas por imagem.
Animação do quadro inicial
Uma imagem pode definir o primeiro quadro, após o qual o modelo cria movimento e som. Isso é útil para animar imagens de produtos, ilustrações, retratos ou cenas projetadas.
Entrada de referência visual
As imagens também podem atuar como referências de identidade, sujeito ou estilo sem se tornarem literalmente o primeiro quadro. Isso pode ajudar a preservar um personagem, objeto ou direção visual em uma nova cena.
Imagem para vídeo aceita uma imagem, início/fim duas imagens ordenadas e keyframes até dez imagens.
Vídeo para vídeo
Vídeo para vídeo usa um clipe de origem como referência e transporta elementos centrais para uma cena ou contexto diferente.
As aplicações potenciais incluem:
- Colocar o mesmo personagem em um novo ambiente
- Reinterpretar uma gravação em outro estilo visual
- Preservar o movimento enquanto a cena é alterada
- Criar variações de um plano existente
- Usar uma performance como referência temporal
flux-3/extend-video é para continuação de vídeo e não um endpoint geral de reestilização.
Continuação de vídeo e áudio
O FLUX 3 pode continuar um vídeo de entrada e seu áudio. Um modelo de continuação precisa estender várias coisas em conjunto:
- Aparência do sujeito
- Movimento da câmera
- Trajetórias dos objetos
- Iluminação e ambiente
- Diálogo ou atmosfera sonora
- Ritmo e momento dos eventos
Esse fluxo de trabalho pode estender planos curtos ou produzir momentos consecutivos de uma história sem iniciar cada clipe a partir de um prompt não relacionado.
Quadro-chave para vídeo
Quadro-chave para vídeo gera uma transição entre momentos visuais definidos. Os quadros inicial e final podem comunicar a composição com mais precisão do que apenas o texto.
Os usos possíveis incluem:
- Transformações de produtos
- Transições de câmera
- Movimento de personagens entre poses
- Sequências de antes e depois
- Animação de logotipos ou tipografia
- Pré-visualização de storyboard para movimento
São aceitos até dez keyframes com URL e índice de quadro.
Geração de áudio nativo
O áudio nativo é o recurso que define o FLUX 3 Video. O modelo gera o som como parte da mesma cena, em vez de depender totalmente de um pipeline de áudio separado.
Som alinhado aos eventos
Ações como impactos, movimentos e interações mecânicas podem produzir som sincronizado com o evento visível. A BFL afirma que o modelo é particularmente eficaz em associar sons a eventos físicos.
Áudio ambiente
Uma cena pode incluir uma atmosfera sonora adequada ao seu local, clima e atividade. Isso pode fornecer um primeiro rascunho mais completo do que a geração de vídeo sem som.
Diálogo multilíngue
A Black Forest Labs lista o diálogo multilíngue como um recurso central. O anúncio de lançamento não fornece uma lista completa de idiomas nem uma medição da precisão da fala para cada idioma.
Continuação de vídeo e áudio
O modelo pode estender uma entrada audiovisual, potencialmente mantendo a atmosfera sonora, o contexto da fala e o momento dos eventos na nova seção.
A geração nativa não elimina a pós-produção. A precisão do diálogo, a pronúncia, a sincronização labial, os níveis de áudio e artefatos indesejados ainda exigem revisão.
Duração e resolução
Gera clipes de 5–20 segundos em 720p/1080p, oito proporções e áudio nativo. Fluxos padrão custam 34/58 créditos por segundo; extensão 82/106.
Consulte a documentação atual da PoYo para IDs, parâmetros e preços. API.
Consistência de personagens e estilo
O FLUX 3 usa referências visuais para ajudar a manter elementos centrais consistentes entre as cenas. A BFL afirma que as referências podem manter personagens consistentes em sequências com várias cenas que duram vários minutos.
Essa saída mais longa é criada pelo encadeamento de clipes individuais, não pela geração de vários minutos em uma única chamada. Cada plano ainda pode exigir:
- Seleção de referências
- Continuidade do prompt
- Planejamento de transições
- Revisão da identidade
- Verificações de continuidade do áudio
- Edição e montagem
O encadeamento agentivo pode automatizar parte do planejamento, mas não transforma o limite de 20 segundos de uma única geração em um plano contínuo ilimitado.
Tipografia e design animado
A BFL destaca a tipografia e o design animado como recursos do FLUX 3 Video. Isso pode oferecer suporte a:
- Pôsteres em movimento
- Sequências de títulos
- Anúncios de produtos
- Tipografia cinética
- Anúncios para redes sociais
- Animações de interfaces e elementos gráficos
O texto gerado ainda deve ser verificado quadro a quadro. Um título pode parecer correto em um momento e se deformar durante o movimento.
Resultados da avaliação inicial
Nos testes preliminares de preferência humana da BFL, o FLUX 3 foi comparado com vários modelos de vídeo. A empresa relata taxas de preferência que variam de 52% contra Seedance 2.0 e Gemini Omni Flash a 93% contra Luma Ray 3.2.
Esses resultados precisam de contexto:
- Foram publicados pelo desenvolvedor do modelo.
- Usaram clipes de texto para vídeo de 10 segundos e 720p com áudio.
- O candidato FLUX 3 e o conjunto de ferramentas de avaliação ainda estavam em desenvolvimento.
- Os resultados “até” podem resumir subconjuntos, e não todas as categorias de prompts.
- Ainda não há reprodução independente disponível.
Os números são evidências iniciais úteis, mas não provam que o FLUX 3 seja universalmente melhor.
Casos de uso práticos
Cenas curtas orientadas por diálogo
A fala nativa e a expressão facial tornam o FLUX 3 relevante para momentos narrativos curtos e conceitos de personagens multilíngues.
Vídeos de produtos e marcas
As imagens de referência podem estabelecer um produto ou uma identidade visual, enquanto o som nativo cria um rascunho de campanha mais completo.
Vídeo para redes sociais
Várias proporções, texto animado e curta duração se adequam a anúncios, comunicados e formatos sociais verticais.
Pré-visualização
Imagens, vídeos de referência e quadros-chave podem transformar storyboards em prévias em movimento para decisões de câmera, ritmo e transição.
Variação e continuação de vídeos
As equipes podem explorar cenas alternativas, estender um plano ou levar um personagem central para outro contexto.
Narrativas com vários planos
Clipes encadeados podem criar sequências mais longas, enquanto as referências visuais ajudam a manter a consistência.
Disponibilidade da API do FLUX 3 Video
Cinco fluxos de vídeo em produção disponíveis na PoYo:
flux-3/text-to-videoflux-3/image-to-videoflux-3/first-last-frame-to-videoflux-3/extend-videoflux-3/keyframes-to-video
Consulte a documentação atual da PoYo para IDs, parâmetros e preços.
Perguntas frequentes
O FLUX 3 Video está disponível agora?
Disponível agora.
O FLUX 3 Video gera som?
Sim. Ele gera áudio nativo junto com o vídeo, incluindo som ambiente e diálogo multilíngue.
Qual pode ser a duração de um vídeo do FLUX 3?
A BFL afirma que uma única geração pode ter até 20 segundos. Sequências mais longas podem ser montadas pelo encadeamento de clipes.
O FLUX 3 oferece suporte a imagem para vídeo?
Sim. Ele pode animar um quadro inicial ou usar imagens como referências visuais.
Ele oferece suporte a vídeo para vídeo?
Sim. A BFL afirma que um vídeo de origem pode orientar elementos centrais, como um personagem em uma nova cena ou contexto.
O FLUX 3 pode continuar um vídeo existente?
Sim. A continuação de vídeo e áudio é um dos fluxos de trabalho anunciados.
Quais idiomas o FLUX 3 oferece suporte?
A BFL anunciou o diálogo multilíngue, mas ainda não publicou uma lista completa de idiomas compatíveis.
Quanto custa a API do FLUX 3 Video?
Gera clipes de 5–20 segundos em 720p/1080p, oito proporções e áudio nativo. Fluxos padrão custam 34/58 créditos por segundo; extensão 82/106.
Conclusão
O FLUX 3 Video combina vários fluxos de trabalho que antes exigiam modelos separados: texto para vídeo, animação de imagens, transformação de vídeo, continuação, transições com quadros-chave e geração de áudio.
Sua diferença mais importante não é apenas a duração de 20 segundos. É a tentativa de gerar movimento e som a partir de uma única representação compartilhada, aceitando referências de várias mídias.