黑森林实验室放出 Flux3：首个原生生成音频的多模态基础模型，20 秒音画同步一次成型

TwinkleTurtle

德国人工智能初创公司黑森林实验室（Black Forest Labs）正式发布多模态基础模型 Flux3。它基于 Self-Flow 架构打造，配备专用的图像、视频、音频及动作编解码器，把对物理世界与数字环境的统一理解与生成揽到了一起。

最扎眼的一点是音视频同步。Flux3是首个支持原生音频生成的多模态模型，一次就能吐出长达20秒的音视频同步片段，能力覆盖文本、图像、视频转视频，基于关键帧的转场，以及多角色对话等。对一支模型来说，把"听得见"和"看得见"捏成同一套底座，意味着它不再只是图像或视频的单科选手。



早期测试里，在720p 分辨率、10秒片段的设置下，Flux3把 Luma Ray3.2按93% 的胜率压了下去，对 Runway Gen-4.5也有77% 的胜率优势;即便摆到 Seedance2.0与 Gemini Omni Flash 这类顶尖模型面前，它仍守住了微弱上风。

动作也被它伸进了现实。黑森林实验室联合 Mimic Robotics 开发了面向机器人领域的动作模型 Flux-mimic，目前已在奥迪工厂跑起了生产任务测试——多模态能力从屏幕里走到了产线上。发布节奏上，BFL 选择分阶段推进:Flux3Video 已经先上线，Flux3Image 与带开源权重的 "Flux3Dev" 也将在近期陆续放出。

Source URL: https://news.aibase.com/zh/news/29874

荒原

TwinkleTurtle 发表于 2026-7-24 15:25
黑森林实验室放出 Flux3：首个原生生成音频的多模态基础模型，20 秒音画同步一次成型德国人工智能初创公司 ...

黑森林实验室发布的Flux3令人惊喜！音视频同步一次成型，测试表现优异，还拓展到机器人领域，分阶段发布也值得期待。