面向圖像、影片與原生音訊的 FLUX 3 多模態模型
FLUX 3 是 Black Forest Labs 面向圖像、影片、音訊與動作預測推出的統一多模態模型。官方發表內容包含最長 20 秒影片、原生多語音訊、文字轉影片、圖像轉影片、有序關鍵幀、多場景與影片續寫，圖像生成則已宣布於後續版本推出。一個模型涵蓋通常需要多種媒介工具完成的工作，讓你在同一份簡報中規劃鏡頭、運動與聲音。
FLUX 3 統一多模態模型的核心能力
官方版本將視覺生成、聲音、時間推理與動作預測連結在一起。下方內容是 Black Forest Labs 官方素材，用於呈現已公布的能力。
圖像、影片、音訊與動作預測
共享基礎模型統一理解場景如何呈現、變化、發聲與回應，協助主體與視覺語言跨媒介保持一致，也減少彼此割裂的創作工具之間的交接。官方頁面展示影片、音訊與動作預測能力，圖像生成則已宣布於後續版本推出。
最長 20 秒與原生音訊
FLUX 3 Video 可生成最長 20 秒的片段，並可選用包含多語對白、音效與環境聲的原生音訊。將動作、對白、鏡頭與環境聲音放在同一條時間軸上，讓每個視聽段落都服務於同一個場景。
文字、圖片、關鍵影格和多場景
已公開能力包含文字生成影片、圖片生成影片、首尾影格、多張有序關鍵影格，以及一個結果內的多個場景或鏡頭角度。這些輸入適合精確編排，但需要清楚區分每份素材控制的是身分、構圖、風格還是動作。
影片續寫、場景文字與豐富風格
官方介紹可從現有影片尾幀繼續生成，延續運動趨勢、構圖與場景邏輯；也強調場景內文字和廣泛風格，不只限於電影感，還涵蓋產品、品牌、動態設計、插畫與實驗視覺。
準備一份多模態創作簡報
將圖像、運動與聲音寫進同一份簡報，而不是拆成三份。先建立由主體身分、時間與聲音意圖組成的創作邏輯，再決定每個敘事節點由哪種模態承載，以及不同節點之間的轉場應呈現什麼感受。
先確定主要交付物
明確專案最終需要一張圖、帶聲音的影片、連續鏡頭，還是動作結果參考。寫清發布管道、畫面比例、目標時長、品牌限制和驗收標準，避免多模態簡報變成彼此無關的願望清單。
設計 20 秒時間結構
把概念拆成起始狀態、關鍵變化和結束狀態，為每段標示目標時長、主體動作、鏡頭行為、環境變化和轉場條件。若包含多個場景，還要說明哪個視覺元素負責維持連續性。
為每份參考素材指定職責
依主體身分、產品、服裝、地點、構圖、光線、文字或運動標記參考素材。說明每項決策由哪份素材控制，為衝突來源排列優先順序，移除意外風格，並確認最終素材集只傳達一個連貫的視覺方向。
在同一時間軸編排畫面與聲音
將對白、環境聲、音效、音樂、鏡頭與動作放在同一條時間軸上。標記聲音何時領先、跟隨或強調畫面事件，有意識地安排靜音，並讓每個聲音提示對應一個看得見的敘事節點。
實用的準備與驗證流程
透過參考素材建立視覺語言
在加入運動之前，先為主體身分、產品比例、色彩、光線、文字與構圖建立一組連貫的參考素材。記錄每項資產的作用與優先順序，移除彼此矛盾的來源，只保留支持同一創作方向的內容。
把定稿畫面轉化為鏡頭計畫
為每個鏡頭寫明開始狀態、結束狀態、主要動作、鏡頭路徑、聲音事件與連續性要求，並確定哪個畫面可以作為下一鏡頭的錨點。這樣就能形成一份可驗證的有序關鍵幀、多場景與續寫計畫。
每次只診斷一個變數
分別檢查主體身分、空間邏輯、運動、時間、文字、口型同步與音訊。記錄問題第一次出現的時間點，每輪只修改提示詞、參考優先順序、關鍵幀時間、鏡頭指令或聲音提示中的一個變數，並保留已經成功的段落。
統一視覺與聲音模型的應用領域
品牌與產品行銷
圍繞同一產品身分規劃靜態圖、影片、場景文字、台詞和聲音設計，預先定義準確顏色、標誌處理、產品結構與結尾訊息時間。
多場景敘事
在 20 秒結構中連接環境交代、人物動作、地點或機位變化和清晰結尾，避免成片只是多個漂亮但彼此無關的鏡頭。
音樂、對白與表演
共同設計動作、鏡頭節奏、多語對白、音效與環境聲，明確重要節拍和口型發生的時間。
動態圖形與場景文字
探索文字真正屬於畫面環境的設計，寫清內容、位置、材質、光照關係、出現與消失時間。
故事板與預演
將已通過的參考幀整理為分鏡計畫，在生成前檢查構圖、調度、轉場、聲音提示與品牌要求。清楚的預演方案能讓多場景連續性更容易導演與評估。
智慧代理與影片續寫
為生成鏡頭、檢查結果、從成功尾幀繼續的流程準備驗收規則，涵蓋身分、運動方向、光線、環境與音訊銜接。
FLUX 3 常見問題
FLUX 3 是 Black Forest Labs 面向圖像、影片、音訊與動作預測推出的統一模型。官方頁面展示影片、原生音訊、時間推理與動作預測，圖像生成則已宣布於後續版本推出。
先確定目標結果，再定義主體身分、參考素材作用、場景順序、時間、鏡頭與聲音意圖。將畫面與聲音放在同一條時間軸上，說明素材衝突時哪一項優先，並以可衡量的連續性與品質檢查作為結尾。
統一多模態模型在同一個創作語境中理解外觀、運動、時間、聲音與動作。它能讓同一主體與敘事邏輯跨場景協同，而不必在多個工具之間傳遞彼此割裂的結果。
FLUX 3 在同一個模型家族中涵蓋圖像、影片、音訊與動作預測。官方版本展示影片、原生音訊與動作預測，圖像生成則已宣布於後續版本推出。
FLUX 3 Video 單次可生成最長 20 秒的片段。使用帶時間的分鏡計畫，在完整時長內協調場景變化、主體動作、鏡頭、對白、音效與環境聲。
支援。FLUX 3 可以在生成畫面的同時生成可選原生音訊，包括多語對白、音效與環境聲。將畫面和聲音事件放在同一條時間軸上，控制每個視聽節點的開始、變化與結束。
FLUX 3 支援文字、靜態圖片、首尾幀、多張有序關鍵幀、多場景或多機位，以及從現有影片最後一幀繼續生成。為每種輸入定義清楚的作用與優先順序，讓它們彼此加強而不是互相衝突。
使用一組連貫的主體身分參考，重複關鍵視覺特徵，並說明哪些細節在地點與鏡頭角度變化時仍須保持不變。有序關鍵幀、連續性備註與清楚的參考優先順序有助於保留身分、服裝、產品結構與空間邏輯。
分輪檢查主體身分、構圖、空間、運動、時間、文字、口型同步與音訊。標記問題最早出現的位置，每次只修改一個變數並保留成功段落，讓每一輪調整都能追溯至明確原因。
使用簡潔的主提示詞、一致的主體身分參考，以及依順序定義每個地點、動作、機位與轉場的關鍵幀或場景備註。說明哪些細節跨場景保留、哪些可以變化，並將對白與聲音提示對齊至同一條時間軸。