FLUX 3 — 视频、图像与音频一体的多模态 AI
Black Forest Labs 新一代基础模型。FLUX 3 联合学习图像、视频与音频，让运动、声音与结构更一致。可生成带原生音频的短片（常见约最长 20 秒）；待 SeeVid 上线视频能力后，还可从图或视频续写。
即将上线 — FLUX 3 Video
来自 Black Forest Labs 的多模态视频
FLUX 3 是 Black Forest Labs 于 2026 年发布的多模态基础模型。与主要面向图像的早期 FLUX 不同，FLUX 3 基于 Self-Flow 统一架构，同时在图像、视频与音频上训练，更强调物体如何成立、如何运动、事件如何发声。在 SeeVid 上，计划开放的产品面是 FLUX 3 Video（文本、图像与视频输入，可选原生音频）。
视频 + 原生音频
一次生成多样风格短片，并同步对白、效果与环境声。官方早期材料提到单次生成时长常见约最长 20 秒（分辨率与模式以服务商 API 为准）。
文本、图像与视频输入
可从提示词出发（文生视频），用图片作为起始帧或参考（图生视频），或续写已有片段（视频续写），并尽量保持角色与语境连贯。
720p 与 1080p 输出
SeeVid 计划提供 720p 与 1080p，以及快速草稿预览，便于在完整质量生成前迭代提示词。
更一致的世界感生成
跨模态联合训练，使声音与碰撞匹配、运动更符合结构，多镜头序列在更长叙事草稿中更连贯。
为连贯运动、声音与风格而生
FLUX 3 面向需要的不止单帧好看的创作者与团队：带音频的短叙事视频，以及参考驱动的连续性。
FLUX 3 Video 能力概览
SeeVid 上 FLUX 3 Video 的计划能力。模型恢复后，具体选项将与 AI 视频生成器一致（时长、分辨率、草稿、音频与输入方式）。
文生视频
用自然语言描述场景、运镜、风格与对白，生成带可选原生音频的短视频。
图生视频
1 张图作为开场首帧（像素级）；2 张为起止帧；3–10 张为分镜（须指定明确时长）。图片与续写视频不可同时使用。
视频续写
上传短 mp4（≤15 秒、≤50MB）作为 start_video，从末帧续写。不可与图片输入同时使用。
草稿预览
可先生成低成本 720p 草稿迭代提示词，再跑完整质量的 720p 或 1080p。
同步音频
默认开启同步音频（环境声、对白、效果）；可关闭以生成无声片段。
时长 5–20 秒或 Auto
可选 5 至 20 的整秒，或 auto 由模型适配内容。三张及以上分镜图须指定明确时长。
常见问题
关于 FLUX 3 以及 SeeVid 可用性的常见问题。