FLUX 3 Video 是 Black Forest Labs 推出的首个用于完整视听生成的 FLUX 模型。它能够同时生成视频和原生音频，接受文本、图像与视频参考，并在一次生成中制作最长 20 秒的视频片段。
FLUX 3 Video 现已在 PoYo 上线五种生产级工作流，并已公布模型 ID、请求参数和按秒定价。PoYo 的 FLUX 3 API 页面提供文生视频、图生视频、首尾帧、源视频续接和定位关键帧的在线生成器。
FLUX 3 Video 一览
| 功能 | 已公布的支持情况 |
|---|---|
| 文生视频 | 是 |
| 图生视频 | 是 |
| 图像参考 | 是 |
| 视频生视频 | 是 |
| 视频和音频续接 | 是 |
| 关键帧生视频 | 是 |
| 原生音频 | 是 |
| 多语言对话 | 是 |
| 单次生成的最长时长 | 最长 20 秒 |
| 宽高比 | 已公布支持多种格式 |
| 动态排版 | 已公布 |
| 多镜头序列 | 已公布 Agentic chaining |
| 通用 PoYo API | 现已可用 |
什么是 FLUX 3 Video？
FLUX 3 Video 是更广泛的 FLUX 3 多模态基础模型的一种应用。与在图像模型基础上改造而来的视频帧生成模型不同，FLUX 3 在共享架构中对图像、视频和音频进行联合训练。
其目标不仅是建模视觉外观。视频能够帮助模型学习运动和时间关系。音频则提供有关碰撞、材质、语音和环境事件的信息。联合训练让生成的声音能够与屏幕上发生的内容建立联系。
这也是 FLUX 3 能够通过专门的研究变体，将能力扩展到内容创作之外并用于动作预测的原因。
Black Forest Labs 发布的 FLUX 3 官方发布媒体内容。
文生视频
文生视频可以直接根据书面场景描述创建视频片段。一个有用的提示词可以定义：
- 主体与动作
- 地点与时间
- 摄像机位置与运动
- 视觉风格
- 口语对话
- 环境声音
- 事件的时间安排与发生顺序
- 宽高比
FLUX 3 可以在一次处理中同时生成视觉和音频。PoYo 请求公开提示词、时长、分辨率、宽高比、音频开关，以及所选工作流需要的图像、源视频或关键帧输入字段。
图生视频
FLUX 3 支持两种由图像驱动的方法。
起始帧动画
图像可以定义第一帧，随后模型生成运动和声音。这适用于为产品图片、插画、肖像或设计场景添加动画。
视觉参考输入
图像也可以作为身份、主体或风格参考，而不必成为实际的第一帧。这有助于在新场景中保留角色、物体或视觉方向。
在 PoYo 上，图生视频接受一张源图，首尾帧生成接受两张有顺序的图像，关键帧生成最多接受十张定位图像。上传和文件格式要求以当前 API 文档为准。
视频生视频
视频生视频使用源视频片段作为参考，并将核心元素带入不同的场景或环境中。
潜在应用包括：
- 将同一个角色置于新环境中
- 以另一种视觉风格重新诠释素材
- 在改变场景的同时保留运动
- 为现有镜头创建不同版本
- 将一段表演用作时间参考
视频生视频无法保证完全保持身份或动作。PoYo 当前通过 flux-3/extend-video 提供源视频续接，它不等同于独立的通用视频风格转换端点。
视频和音频续接
FLUX 3 可以续接输入视频及其音频。续接模型必须同时延展多个方面：
- 主体外观
- 摄像机运动
- 物体轨迹
- 光照与环境
- 对话或环境氛围
- 节奏与事件时间安排
这种工作流可以延长短镜头，或在不让每个片段都从无关提示词开始的情况下，生成连续的故事情节点。
关键帧生视频
关键帧生视频可以在定义好的视觉时刻之间生成过渡。与单独使用文本相比，起始帧和结束帧能够更精确地传达构图。
可能的用途包括：
- 产品变形
- 摄像机转场
- 角色在不同姿势之间移动
- 前后对比序列
- Logo 或排版动画
- 从分镜到动态预演
PoYo 最多支持十个定位关键帧。每个关键帧包含图像 URL 和帧索引，可直接控制转场时机。
原生音频生成
原生音频是 FLUX 3 Video 的定义性功能。该模型将声音作为同一场景的一部分生成，而不是完全依赖独立的音频流水线。
与事件对齐的声音
碰撞、移动和机械互动等动作可以产生与可见事件同步的声音。BFL 表示，该模型尤其擅长将声音与物理事件关联起来。
环境音频
场景可以根据地点、天气和活动加入合适的环境氛围。这可能比无声视频生成提供更完整的初稿。
多语言对话
Black Forest Labs 将多语言对话列为核心能力。发布公告没有提供完整的语言列表，也没有公布每种语言经过测量的语音准确率。
视频和音频续接
模型可以延展视听输入，有望将环境氛围、语音上下文和事件时间安排保持到新的片段中。
原生生成并不能消除后期制作的必要。对话准确性、发音、唇形同步、音频电平和不需要的伪影仍然需要审核。
时长与分辨率
PoYo 接受 5–20 秒的整数时长，支持八种宽高比以及 720p 和 1080p 输出，并可在同一请求中启用原生音频。
文生视频、图生视频、首尾帧和关键帧等标准工作流在 720p 和 1080p 下分别为每秒 34 和 58 credits；视频续接分别为每秒 82 和 106 credits。帧率、编解码器、生成时间等运行细节请查看当前 FLUX 3 API 文档。
角色与风格一致性
FLUX 3 使用视觉参考来帮助在不同场景中维持核心元素。BFL 表示，参考内容可以在持续数分钟的多场景序列中保持角色一致。
这种更长的输出是通过串联单个片段创建的，而不是在一次调用中生成数分钟的视频。每个镜头仍可能需要：
- 选择参考内容
- 保持提示词连续性
- 规划转场
- 审核身份一致性
- 检查音频连续性
- 剪辑与组装
Agentic chaining 可能会自动完成部分规划，但不会将 20 秒的单次生成限制变成无限时长的连续镜头。
排版与动画设计
BFL 强调，强大的排版和动画设计是 FLUX 3 Video 的能力之一。这可能支持：
- 动态海报
- 片头序列
- 产品发布内容
- 动态排版
- 社交广告
- 界面和图形动画
生成的文字仍应逐帧检查。标题可能在某一时刻看起来正确，却在运动过程中发生变形。
早期评估结果
在 BFL 的初步人类偏好测试中，FLUX 3 与多个视频模型进行了比较。该公司报告的偏好率从相较于 Seedance 2.0 和 Gemini Omni Flash 的 52%，到相较于 Luma Ray 3.2 的 93% 不等。
这些结果需要结合以下背景理解：
- 结果由模型开发者发布。
- 测试使用了带音频的 10 秒、720p 文生视频片段。
- FLUX 3 候选模型和评估工具仍在开发中。
- “最高”结果可能总结的是部分提示词类别，而不是每个提示词类别。
- 目前还没有独立复现结果。
这些数字是有参考价值的早期证据，但不能证明 FLUX 3 在所有情况下都更好。
实际应用场景
对话驱动的短场景
原生语音和面部表情让 FLUX 3 适用于短叙事片段和多语言角色概念设计。
产品与品牌视频
参考图像可以建立产品或视觉识别，而原生声音能够生成更完整的营销活动初稿。
社交视频
多种宽高比、动态文字和较短时长适合广告、公告和竖屏社交媒体格式。
预演
图像、参考视频和关键帧可以将分镜转化为动态预览，用于摄像机、时间安排和转场决策。
视频变体与续接
团队可以探索替代场景、延长镜头，或将核心角色带入另一种环境。
多镜头叙事
串联片段可以创建更长的序列，同时视觉参考有助于保持一致性。
FLUX 3 Video API 可用性
PoYo 当前提供五个生产级视频模型 ID：
flux-3/text-to-videoflux-3/image-to-videoflux-3/first-last-frame-to-videoflux-3/extend-videoflux-3/keyframes-to-video
五个端点都使用 PoYo 的异步生成流程提交任务和查询状态。可以通过 FLUX 3 模型页面在线生成，或查看 API 文档完成集成。
常见问题
FLUX 3 Video 现在可以使用吗？
可以。PoYo 已提供文本、图像、首尾帧、源视频续接和定位关键帧五种生产级工作流。
FLUX 3 Video 能生成声音吗？
可以。它会与视频一起生成原生音频，包括环境声音和多语言对话。
FLUX 3 视频最长可以多长？
BFL 表示，单次生成最长可达 20 秒。更长的序列可以通过串联多个片段组装而成。
FLUX 3 支持图生视频吗？
支持。它可以为起始帧添加动画，也可以将图像用作视觉参考。
它支持视频生视频吗？
支持。BFL 表示，源视频可以引导角色等核心元素进入新的场景或环境。
FLUX 3 可以续接现有视频吗？
可以。视频和音频续接是已公布的工作流之一。
FLUX 3 支持哪些语言？
BFL 已宣布支持多语言对话，但尚未公布完整的支持语言列表。
FLUX 3 Video API 的价格是多少？
标准工作流在 720p 和 1080p 下分别为每秒 34 和 58 credits；视频续接分别为每秒 82 和 106 credits。
结论
FLUX 3 Video 将此前需要多个独立模型才能实现的工作流结合起来，包括文生视频、图像动画、视频转换、续接、关键帧转场和音频生成。
它最重要的不同之处不只是 20 秒的时长，而是尝试通过一种共享表示同时生成运动和声音，并接受跨多种媒体的参考内容。