黑森林实验室发布Flux3 多模态模型 首次支持 20 秒原生音视频同步生成

无言***

7月23日，德国人工智能初创公司黑森林实验室（Black Forest Labs）正式发布多模态基础模型Flux3，标志着生成式视频技术迎来重大突破。该模型基于Self-Flow架构打造，配备专用的图像、视频、音频及动作编解码器，实现了对物理与数字环境的统一理解与生成。

黑森林实验室发布Flux3 多模态模型 首次支持 20 秒原生音视频同步生成

作为首款支持原生音频生成的模型，Flux3可 一次性输出长达20秒的音视频 同步片段，并涵盖文本/图像/视频转视频、基于关键帧的转场及多语言对话等功能。在720p分辨率、10秒片段的早期测试中，Flux3展现出强劲竞争力，性能超越Luma Ray3.2（93%胜率）与Runway Gen-4.5(77%胜率)，并在与Seedance2.0及Gemini Omni Flash等顶尖模型的对标中保持微弱优势。

此外，公司联合Mimic Robotics开发了适用于机器人领域的视频动作模型Flux-mimic，目前已在奥迪工厂开展生产任务测试。BFL采取分阶段推出策略，Flux3Video现已上线，Flux3Image与开源权重的“Flux3Dev”也将在近期陆续发布。通过打破单一模态的信息局限，Flux3正加速推动AI向具备感知与行动能力的物理世界“世界模型”演进。