黑森林實驗室發佈Flux3 多模態模型 首次支持 20 秒原生音視頻同步生成

 7月23日，德國人工智能初創公司黑森林實驗室（Black Forest Labs）正式發佈多模態基礎模型Flux3，標誌着生成式視頻技術迎來重大突破。該模型基於Self-Flow架構打造，配備專用的圖像、視頻、音頻及動作編解碼器，實現了對物理與數字環境的統一理解與生成。

作爲首款支持原生音頻生成的模型，Flux3可一次性輸出長達20秒的音視頻同步片段，並涵蓋文本/圖像/視頻轉視頻、基於關鍵幀的轉場及多語言對話等功能。在720p分辨率、10秒片段的早期測試中，Flux3展現出強勁競爭力，性能超越Luma Ray3.2（93%勝率）與Runway Gen-4.5(77%勝率)，並在與Seedance2.0及Gemini Omni Flash等頂尖模型的對標中保持微弱優勢。

此外，公司聯合Mimic Robotics開發了適用於機器人領域的視頻動作模型Flux-mimic，目前已在奧迪工廠開展生產任務測試。BFL採取分階段推出策略，Flux3Video現已上線，Flux3Image與開源權重的“Flux3Dev”也將在近期陸續發佈。通過打破單一模態的信息侷限，Flux3正加速推動AI向具備感知與行動能力的物理世界“世界模型”演進。