Flux 3可生成20秒带原生音频视频，Black Forest Labs首次实现

Black Forest Labs发布了Flux 3多模态基础模型，能生成最长20秒带原生音频的视频，这是该公司首次实现视频与声音同步生成。BFL内部测试显示其性能略领先市场领先者Seedance 2.0，但独立结果尚未公布。公司长远目标是构建世界模型，并已在机器人任务上测试Flux 3。

此前Black Forest Labs的视频生成模型仅输出无声画面，Flux 3首次实现视频与原生音频同步输出，时长达20秒，且内部测试成绩略超现有市场领先者Seedance 2.0，表明多模态视频生成质量迈上新台阶。

Flux 3作为多模态基础模型，统一学习图像、视频和音频的联合分布，在生成过程中同时产出视觉帧和时间对齐的声波，从而同步输出带原生声音的视频。

对视频创作工具而言，可直接输出带音频的成品，省去后期配音流程；对机器人研发，可利用Flux 3生成的带音频仿真场景训练感知与交互模型，可能提升模拟真实度。

• 开发一键生成带原生音频短视频的AI创作工具，面向社交媒体和广告内容制作。
• 与机器人仿真平台合作，使用Flux 3生成带环境音的视频数据，提升多模态训练集的丰富性。

• 独立第三方基准测试是否确认Flux 3性能领先Seedance 2.0？
• 生成的音频质量（同步精度、清晰度、多样性）具体如何？
• Flux 3的推理成本和硬件要求是多少？是否提供API或开源？