FLUX 3 運営中

FLUX 3は、単一の画像生成ツールではなく、画像、動画、音声を同時に扱う統合マルチモーダルモデルです。テキストや参照画像・動画に基づくコンテンツ生成に加え、音声付き動画の生成、動画編集、アクション予測にも対応します。現在はEarly Access段階で、公式により動画、画像および関連モデル機能が段階的に開放されています。

動画コンテンツクリエイター

テキスト、画像、動画を参照してネイティブ音声付き動画を生成し、キーフレーム、続きを生成、動画変換によってコンテンツの変化をコントロールできます。

画像デザイン・編集ユーザー

モデルを使って画像の合成や編集を行い、複雑なプロンプト、多様なビジュアルスタイル、アスペクト比、多言語テキストに対応できます。

AIプロダクト開発チーム

公式APIを通じて、画像、動画、音声の生成・編集機能を開発中のコンテンツ制作またはビジュアルインテリジェンス製品に組み込めます。

選定されたロボット研究・商業パートナー

公式の提携範囲内で、アクション予測や動画バックボーンモデルのファインチューニング機能を利用し、器用な操作や実運用のシナリオを探究できます。

テキストから動画を生成

テキストプロンプトから、最長約20秒のネイティブ音声付き動画を生成できます。さまざまなスタイルやアスペクト比の動的コンテンツを素早く制作するのに適しています。

参照画像から動画を生成

開始フレームやビジュアル参照画像から動画を生成できます。画像のアニメーション化、画面の拡張、主体のビジュアル特性の維持などに活用できます。

動画から動画へ変換

参照動画をアップロードし、元動画の主要な要素を新しいシーンや文脈に取り込めます。コンテンツの再構成やスタイル変換に適しています。

動画・音声の続きを生成

入力された動画と音声に基づいて後続のコンテンツを生成し、映像の展開と音声情報を連続させます。

キーフレームから動画を生成

複数の定義済みキーフレームを指定し、異なる状態をつなぐ動画を生成できます。シーンの変化やトランジションをより細かく設計できます。

画像の合成・編集

テキストプロンプトや参照コンテンツに基づいて画像を生成・編集できます。多様なスタイル、アスペクト比、解像度、多言語テキストの表示に対応します。

多言語のセリフ生成

動画生成時に多言語のセリフを処理し、人物の表現、映像内容、音声生成を1つの動画結果に統合できます。

アクション予測

世界と動的な法則に対するモデルの理解に基づいてアクションを予測し、専用モデルを通じてロボットの器用な操作タスクを探究できます。

統合マルチモーダルアーキテクチャ

同一アーキテクチャ上で画像、動画、音声を共同学習し、異なるセンサーから得られる情報を、同一の現実を補完する証拠として扱います。

動画のネイティブ音声生成

動画生成の結果にはネイティブ音声が含まれ、無音の映像だけを生成するのではなく、音声と画面内の物理的な出来事を関連付けることができます。

コンテンツとアクション機能の連携

同じマルチモーダル基盤がコンテンツ制作とアクション予測の両方に対応し、動画理解、動的モデリング、フィジカルインテリジェンス研究に共通の基盤を提供します。

マルチショットの連続制作

公式説明では、インテリジェントエージェントによって独立したクリップを連結し、より長いマルチショットシーケンスを構成できるほか、ビジュアル参照によってキャラクターの一貫性を保てるとされています。

• 公式ページ：FLUX 3: Multimodal Video, Image & Audio
• 公式ドキュメント：The frontier of visual intelligence - Black Forest Labs
• 公式紹介ページ：About Black Forest Labs