FLUX 3は最大20秒と同期音声を1モデルで扱う
FLUX 3は、Black Forest Labsが2026年7月23日に発表したマルチモーダル基盤モデルです。画像・動画・音声に加え、ロボティクス向けのアクション予測を同じ基盤で扱います。動画は1回で最大20秒、複数ショット、任意の同期音声に対応するのが結論です。
画像生成で知られるFLUXシリーズにとって、本格的な動画生成への展開です。同時期のMiniMax H3とは、動画と音声を一緒に作る点が共通します。一方、本モデルは画像やアクション予測までを共通の基盤へ統合する方向を前面に出しています。
※ 用語：マルチモーダル＝テキスト・画像・動画・音声など、異なる種類の情報をまとめて扱う仕組み。基盤モデル＝複数の用途へ応用する土台となるモデル。アクション予測＝観測した状況から次の操作や動きを予測する処理。
FLUX 3の動画仕様と入力方法
公式ページとプレスリリースで確認できる動画機能は次のとおりです。
- 1回の生成で最大20秒
- テキスト、1枚の画像、複数のキーフレームから開始
- 1回の生成内で複数ショットやカメラアングルを構成
- 多言語の会話、効果音、環境音をフレームと同時に生成
- 音声は任意で、映像だけの生成も可能
個人開発で使いやすいのは、15〜20秒のアプリ紹介を「導入・操作・結果」の3ショットでまとめる用途です。キーフレームを渡せるため、ロゴ画面や完成画面を起点に構成を固定する試し方もできます。ただし、対応言語ごとの発音やリップシンク品質は、公開前に実際の出力で確認が必要です。
公式ローンチ記事は、開発初期のFLUX 3候補で生成した10秒・720p・音声付きのテキスト動画を、人の選好率で比較した図も掲載しています。
FLUX 3が選ばれた割合は、Gemini Omni FlashとSeedance 2.0に対して52%、Happy Horse 1.1に57%、Happy Horse v1に59%、Kling v3 Proに60%、Grok Imagine Videoに69%、Runway Gen-4.5に77%、Luma Ray 3.2に93%です。
50%は支持が同数だったことを意味します。公式自身がモデルと評価環境は開発中の予備評価だと明記しているため、将来版の品質保証や全用途での順位としては扱わず、自分の素材で比較する際の参考値として読みます。
※ 用語：キーフレーム＝映像の要所となる静止画。開始・途中・終了の見た目を指定する手掛かりになる。リップシンク＝人物の口の動きと発話音声を時間的に合わせること。選好率＝2つの出力を人が比較し、どちらを好んだかを集計した割合。
Self-Flowで生成と理解を同じ構造へ寄せる
Black Forest Labsは、本モデルが「Self-Flow」を基盤に、マルチモーダルな生成と理解を同じアーキテクチャ内で効率よく整合させると説明しています。公式図は、従来のFlow Matchingを100とした生成誤差と、4つの操作タスク群におけるファインチューニング後の成功率を比較したものです。
左側は値が低いほど、右側は高いほど良いという読み方です。この図はモデル内部の手法比較であり、他社モデルとの画質順位を示す表ではありません。動画、音声、アクション予測を同じ基盤で扱う設計意図を理解する資料として見るのが適切です。
※ 用語：Self-Flow＝Black Forest Labsが本モデルで採用した、生成と理解を同じ構造で学ぶ手法名。Flow Matching＝ノイズから目的のデータへ移る流れを学習する生成方法。ファインチューニング＝学習済みモデルを特定の用途向けに追加学習すること。
提供状況とオープンウェイトの確認点
2026年8月6日（木曜日）時点では、すべてをすぐ同じ方法で利用できるわけではありません。
| 提供物 | 公式発表上の状況 |
|---|---|
| Video / Action | 早期アクセス |
| Image | 後日提供予定 |
| オープンウェイト版 | 2026年内に公開予定。日付とライセンスは未確定 |
そのため、今すぐ試す場合は公式ダッシュボードで自分のアカウントの提供状況を確認します。ローカル実行を考える場合は、実ファイルの公開、必要環境、ライセンスがそろうまで待つのが安全です。「公開予定」と「現在ダウンロード可能」を分けて判断してください。
※ 用語：オープンウェイト＝学習済みパラメータを入手し、自分の環境で動かせる配布形態。
個人開発で試す順番と利用前の注意点
小さく試す手順
まず用途を1つに絞り、同じ素材と指示で3〜5本を生成します。生成時間、費用、採用できた本数、音声の修正時間を残すと、見かけの秒単価ではなく「使える1本」の費用を比較できます。縦型SNSなら9:16、ストア紹介なら掲載先の比率を最初から指定します。
個人的な見解
個人開発では、最大20秒そのものより、複数ショットと音声を一度に作れる点が効くと考えています。編集ソフトで素材をつなぐ回数を減らせる一方、1回の失敗で映像と音声をまとめて作り直す可能性もあります。短い検証を重ね、採用率を測ってから本番素材へ広げるのが現実的です。
個人開発での安全確認
- 早期アクセスの利用条件と生成物の商用利用条件を確認する
- 公開前の自作素材を送る前に、データの取り扱いと保存条件を確認する
- オープンウェイト版は公開後のライセンスを読み、既存素材の権利も確認する
※ 用語：採用率＝生成した候補のうち、修正を含めて実際に公開へ使えた割合。
まとめ
- 本モデルは、最大20秒・複数ショット・任意の同期音声に対応
- Self-Flowで、生成と理解を同じマルチモーダル基盤へ統合
- 現在は早期アクセスで、オープンウェイト版は公開日とライセンスの確定待ち
今は公式ダッシュボードで提供状況を確認し、使いたい15〜20秒の構成案を先に作る段階です。ローカル利用は、ウェイトと条件が実際に公開されてから判断します。
※ 用語：早期アクセス＝一般提供前の段階で、対象者や機能を限定して試せる提供形態。