黑森林FLUX3重磅登场：20秒原生音视频一键生成，多模态AI迎来“大一统”时代

在AI多模态赛道日益内卷的今天，黑森林实验室（Black Forest Labs）再次扔出了一枚重磅炸弹。近日，该团队以“抢先体验”（Early Access）的形式正式推出了FLUX3 多模态基础模型。这不仅仅是一次简单的版本迭代，更是向图像、视频与音频“大一统”架构迈出的关键一步。

告别拼凑，20秒原生音视频一气呵成

过去，生成带有完美同步音效的视频往往需要多个模型“接力”完成，而FLUX3彻底打破了这一局限。依托于升级版的Self-Flow（自监督流匹配）学习框架，FLUX3在FLUX.1和FLUX.2的坚实基础上，实现了视、听、图三大模态的同步联合训练。

最令人惊艳的是，FLUX3能够在单次生成中，直接输出最长20秒且自带原生音频的高清视频。无论是文本生成、图像驱动、视频生视频，还是音视频续写、关键帧转换，甚至是多语言对话和多镜头串联，它都能轻松驾驭。

在硬核的“带声音10秒720p视频”人工盲测中，FLUX3交出了一份堪称“碾压”的成绩单：
* 对比 Grok Imagine Video，胜率高达 69%；
* 对比 Seedance 2.0 与 Gemini Omni Flash，胜率均达到 52%。

这组数据充分证明了其在音视频协同生成领域的绝对领先地位。

不止于创作，野心指向“物理世界”

如果说音视频生成是FLUX3的“面子”，那么其在图像处理和实体机器人领域的布局则是它的“里子”。

在图像方面，FLUX3延续了黑森林实验室一贯的高水准，支持全风格、全分辨率及多种宽高比的图像生成与精细编辑。但更让科技圈兴奋的是其跨界尝试——黑森林实验室目前正与 Mimic Robotics 展开深度合作，探索将FLUX3作为机器人行为预测模型。

这一举措释放了一个强烈的信号：FLUX3的野心远不止于做一个优秀的数字内容创作工具。通过赋予实体机器人更精准的行为预测能力，FLUX3正试图跨越屏幕的界限，成为连接数字虚拟世界与物理现实世界的通用多模态引擎。

结语

从FLUX.1的图像惊艳，到如今FLUX3的多模态全能，黑森林实验室正在以极快的速度重塑AI生成的边界。随着FLUX3逐步向更多开发者开放，我们有理由期待，一个音视频完美交融、甚至能驱动现实机器人的AI新纪元，已经悄然拉开帷幕。