告别“哑巴视频”：黑森林实验室发布 Flux3，20秒原生音画同步卷出新高度

在 AI 视频生成领域，“看得见却听不见”或者“音画不同步”一直是困扰创作者的痛点。现在，德国 AI 明星初创公司黑森林实验室（Black Forest Labs）交出了一份颠覆性的答卷——多模态基础模型 Flux3。该模型底层采用 Self-Flow 架构，并搭载了针对图像、视频、音频和动作的专属编解码器，巧妙地将物理现实与数字世界的理解及生成融为一体。

核心杀手锏：20秒音画同步，让 AI 视频真正“发声”

Flux3 最引人注目的突破，在于它是业内首个支持原生音频生成的多模态大模型。只需单次生成，它就能输出长达 20 秒且音画完美同步的视频片段。其功能矩阵极其丰富，不仅支持文生视频、图生视频和视频转视频，还能轻松处理复杂的关键帧转场与多角色对话。将“视觉”与“听觉”统一在同一个底层基座中，标志着 Flux3 彻底告别了单一视觉生成的局限。

性能霸榜：主流竞品面前展现统治力

在早期的内部评测中，Flux3 展现出了惊人的战斗力。在 720p 分辨率、10 秒视频片段的测试基准下，它的表现堪称亮眼：

• 面对 Luma Ray3.2，Flux3 以高达 93% 的胜率形成碾压之势；
• 对比 Runway Gen-4.5，同样拿下了 77% 的显著胜率优势；
• 即便与 Seedance2.0 和 Gemini Omni Flash 等业界顶尖模型同台竞技，Flux3 依然稳扎稳打，保持了微弱但关键的领先身位。

打破次元壁：从数字屏幕走向奥迪生产线

如果说音视频生成只是停留在屏幕里的“魔法”，那么 Flux3 在物理世界的延伸则让人看到了 AI 的硬核实力。黑森林实验室与 Mimic Robotics 强强联手，推出了专攻机器人控制的动作模型 Flux-mimic。目前，该模型已经深入奥迪工厂，直接参与实际生产任务的测试。这意味着多模态 AI 正在跨越数字边界，真正赋能工业制造。

发布节奏：好戏还在后头

对于迫不及待想要体验的开发者来说，黑森林实验室采取了稳扎稳打的分阶段发布策略。目前，Flux3Video 已经率先上线。而备受期待的 Flux3Image，以及附带开源权重的 “Flux3Dev” 版本，也将在近期陆续与大家见面。