面向图像、视频与原生音频的 FLUX 3 多模态模型
FLUX 3 是 Black Forest Labs 面向图像、视频、音频与动作预测推出的统一多模态模型。官方发布内容包含最长 20 秒视频、原生多语言音频、文生视频、图生视频、有序关键帧、多场景和视频续写，图像生成则已宣布在后续版本发布。一个模型覆盖通常需要多种媒介工具完成的工作，让你在同一份简报中规划镜头、运动和声音。
FLUX 3 统一多模态模型的核心能力
官方版本将视觉生成、声音、时间推理与动作预测连接在一起。下方内容是 Black Forest Labs 官方素材，用于展示已经公布的能力。
图像、视频、音频与动作预测
共享基础模型统一理解场景如何呈现、变化、发声和响应，帮助主体与视觉语言跨媒介保持一致，也减少彼此割裂的创作工具之间的交接。官方页面展示了视频、音频和动作预测能力，图像生成则已宣布在后续版本发布。
最长 20 秒与原生音频
FLUX 3 Video 可生成最长 20 秒的片段，并可选用包含多语言对白、音效与环境声的原生音频。把动作、对白、镜头和环境声音放在同一条时间线上，让每个视听段落都服务于同一个场景。
文本、图片、关键帧和多场景
已公开的视频能力包含文生视频、图生视频、首尾帧、多张有序关键帧，以及在一个结果中呈现多个场景或镜头角度。相比只有一段开放式提示词，这些输入更适合精确编排，但也需要明确每份参考素材分别控制身份、构图、风格还是动作。
视频续写、场景文字与丰富风格
官方页面介绍了从现有视频尾帧继续生成，并延续运动趋势、构图与场景逻辑的能力；同时强调场景内文字渲染和更广的风格覆盖，不只局限于电影感，也适合产品、品牌、动态图形、插画和实验性视觉方向。
准备一份多模态创作简报
把图像、运动和声音写进同一份简报，而不是拆成三份。先建立主体身份、时间和声音意图构成的创作逻辑，再决定每个叙事节点由哪种模态承载，以及不同节点之间的转场应该呈现怎样的感受。
先确定主要交付物
明确项目最终需要一张图、带声音的视频、连续镜头，还是动作结果参考。写清发布渠道、画面比例、目标时长、品牌限制和验收标准。一个清晰的输出目标能避免多模态简报变成彼此无关的愿望清单。
设计 20 秒时间结构
把视频概念拆分为起始状态、关键变化和结束状态，为每个区间标注目标时长、主体动作、镜头行为、环境变化和转场条件。如果包含多个场景，还要解释地点或角度为何变化，以及哪个视觉元素负责保持连续性。
为每份参考素材指定职责
按主体身份、产品、服装、地点、构图、光线、文字或运动标注参考素材。说明每项决策由哪份素材控制，为冲突来源排列优先级，移除意外风格，并确认最终素材集只传达一个连贯的视觉方向。
在同一时间线上编排画面与声音
把对白、环境声、音效、音乐、镜头和动作放在同一条时间线上。标记声音何时领先、跟随或强调画面事件，有意识地安排静音，并让每个声音提示对应一个看得见的叙事节点。
实用的准备与验证流程
通过参考素材建立视觉语言
在加入运动之前，先为主体身份、产品比例、色彩、光线、文字和构图建立一组连贯的参考素材。记录每项资产的作用与优先级，移除相互矛盾的来源，只保留支持同一创作方向的内容。
把定稿画面转化为镜头计划
为每个镜头写明开始状态、结束状态、主要动作、镜头路径、声音事件和连续性要求，并确定哪个画面可以作为下一镜头的锚点。这样就能形成一份可验证的有序关键帧、多场景和续写计划。
每次只诊断一个变量
分别检查主体身份、空间逻辑、运动、时间、文字、口型同步与音频。记录问题第一次出现的时间点，每轮只修改提示词、参考优先级、关键帧时间、镜头指令或声音提示中的一个变量，并保留已经成功的段落。
统一视觉与声音模型的应用领域
品牌与产品营销
围绕同一产品身份规划静态图、视频、场景文字、台词和声音设计。提前定义准确颜色、标志处理、产品结构、必要卖点和结尾信息出现的时间，让不同媒介服务于同一套品牌标准。
多场景叙事
在 20 秒结构中连接环境交代、人物动作、地点或机位变化和清晰结尾。有序关键帧与连续性说明有助于避免成片只是多个漂亮但彼此无关的镜头。
音乐、对白与表演
共同设计动作、镜头节奏、多语言对白、音效与环境声。明确重要节拍和口型发生的时间，并说明声音属于场景内录音、旁白，还是镜头之间的转场元素。
动态图形与场景文字
探索文字真正属于画面环境的设计，而不是简单叠加字幕。写清文字内容、位置、材质、光照关系、出现与消失时间，以及必须保持可读的画面区间。
故事板与预演
把已通过的参考帧整理为分镜计划，在生成前检查构图、调度、转场、声音提示和品牌要求。清晰的预演方案能让多场景连续性更容易导演和评估。
智能代理与视频续写流程
为“生成镜头、检查结果、从成功尾帧继续”的工作流准备可重复的验收规则，覆盖主体身份、运动方向、镜头高度、光线、环境状态和不同片段之间的声音衔接。
FLUX 3 常见问题
FLUX 3 是 Black Forest Labs 面向图像、视频、音频与动作预测推出的统一模型。官方页面展示了视频、原生音频、时间推理与动作预测，图像生成则已宣布在后续版本发布。
先确定目标结果，再定义主体身份、参考素材作用、场景顺序、时间、镜头和声音意图。把画面与声音放在同一条时间线上，说明素材冲突时哪一项优先，并以可衡量的连续性和质量检查作为结尾。
统一多模态模型在同一个创作语境中理解外观、运动、时间、声音和动作。它能让同一主体与叙事逻辑跨场景协同，而不必在多个工具之间传递彼此割裂的结果。
FLUX 3 在同一个模型家族中覆盖图像、视频、音频与动作预测。官方版本展示了视频、原生音频与动作预测，图像生成则已宣布在后续版本发布。
FLUX 3 Video 单次可生成最长 20 秒的片段。使用带时间的分镜计划，在完整时长内协调场景变化、主体动作、镜头、对白、音效与环境声。
支持。FLUX 3 可以在生成画面的同时生成可选原生音频，包括多语言对白、音效与环境声。把画面和声音事件放在同一条时间线上，控制每个视听节点的开始、变化与结束。
FLUX 3 支持文本、静态图片、首尾帧、多张有序关键帧、多场景或多机位，以及从现有视频最后一帧继续生成。为每种输入定义清楚的作用和优先级，让它们相互加强而不是彼此冲突。
使用一组连贯的主体身份参考，重复关键视觉特征，并说明哪些细节在地点与镜头角度变化时仍须保持不变。有序关键帧、连续性备注和清晰的参考优先级有助于保留身份、服装、产品结构与空间逻辑。
分轮检查主体身份、构图、空间、运动、时间、文字、口型同步与音频。标记问题最早出现的位置，每次只修改一个变量并保留成功段落，让每一轮调整都能追溯到明确原因。
使用简洁的主提示词、一致的主体身份参考，以及按顺序定义每个地点、动作、机位与转场的关键帧或场景备注。说明哪些细节跨场景保留、哪些可以变化，并将对白与声音提示对齐到同一条时间线。