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），从图或视频续写，并为更强的复杂提示与多语言文字图像合成做准备。
已在 SeedDance 可用 — FLUX 3 Video（early access）
面向视觉智能的统一骨干
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。产品面将以 FLUX 3 Video、FLUX 3 Image、FLUX 3 Action，以及后续的 FLUX 3 Dev（开源权重）等形式逐步开放。
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。
更强的图像合成
FLUX 3 Image 侧重更复杂的提示遵循与画面内多语言文字准确渲染，支持多样风格、画幅与分辨率；早期访问在视频能力之后陆续开放。
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、参考驱动的连续性，以及能跟上密集提示的图像工作流。
FLUX 3 能力概览
SeedDance 上 FLUX 3 Video 的核心能力。具体选项与 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。
图像合成与编辑
FLUX 3 Image 面向更广风格、灵活画幅与更好的画面内文字；API 早期访问在视频层级之后推进。
常见问题
关于 FLUX 3 以及在 SeedDance 使用相关模型的常见问题。