Pierwszy model wideo Black Forest Labs: 20-sekundowe klipy ze zsynchronizowanym dźwiękiem, do 10 przypiętych klatek kluczowych oraz style od live-action po animację poklatkową. Wpisz poniżej prompt i wypróbuj go.
Programista
Black Forest Labs
Typ
Multimodalne (wideo teraz, obraz wkrótce)
Audio
Natywne, zsynchronizowane, to samo hasło
Czas trwania
Do 20 s na przebieg
Klatki kluczowe
Do 10 przypiętych + pierwszy/ostatni
Otwórz wagi
Planowane prace deweloperskie, koniec 2026
Poziom tutaj
Płatne kredyty + tryb roboczy
Nasz werdykt w jednym wierszu: wybór storyboardu. Gdy dokładnie wiesz, które kadry ujęcie musi zawierać — albo chcesz uzyskać wygląd, który nie jest „kinowym wideo AI” — zacznij tutaj.
FLUX 3 pochodzi z laboratorium we Freiburgu, którego założyciele stworzyli architekturę stojącą za Stable Diffusion, i jest ich pierwszym modelem, który się porusza: jedna sieć wspólnie trenowana na obrazach, wideo, audio i akcjach, w pierwszej kolejności dostarczająca wideo. Dwie rzeczy wyróżniają go w zatłoczonym miesiącu — możesz przypiąć do dziesięciu dokładnych klatek i pozwolić modelowi animować przejścia między nimi, a wynik nie jest ograniczony do błyszczącego wyglądu „kinowego AI”. Surowy, nostalgiczny, ręcznie robiony, dziwny: liczy się zakres.
Wczesne wrażenia z naszych testowych renderów oraz opublikowanych materiałów BFL — z zachowaniem ich własnych zastrzeżeń. Zaktualizujemy, gdy pojawią się niezależne dane.
• Sterowanie klatkami kluczowymi.
Przypnij do 10 dokładnych klatek oraz pierwszą i ostatnią, a model wygeneruje między nimi ruch, pracę kamery, dialog i dźwięk. Storyboard jako format wejściowy — nic innego, co hostujemy, nie przyjmuje tylu punktów zakotwiczenia.
• Zakres estetyczny.
Animacja poklatkowa, makro, time-lapse, nostalgiczne domowe wideo, celowo dziwne — wymyka się jednolitemu kinowemu połyskowi, do którego domyślnie dąży większość modeli wideo. Jeśli wygląd Twojej marki nie jest "zwiastunem filmowym", ma to znaczenie.
• Dźwięk w tym samym przebiegu.
Do 20 sekund ze zsynchronizowaną ścieżką dźwiękową — z dialogami — oraz rozszerzaniem świadomym łączenia, które przenosi ruch, kamerę i dźwięk przez punkt połączenia podczas wydłużania klipu.
• Ekonomika trybu wersji roboczej.
Każdy punkt końcowy ma szybką wersję roboczą do tanich podglądów. Iteruj na wersji roboczej, wydaj prawdziwe kredyty tylko raz na finalną wersję — przepływ pracy, który promuje cała ta strona, wbudowany w rodzinę modeli.
• Części obrazu jeszcze tu nie ma.
Nazwa FLUX jest znana z obrazów, ale generowanie obrazów w FLUX 3 jest nadal stopniowo udostępniane. Jeśli jesteś tu, by tworzyć obrazy, to jeszcze kwestia tygodni — zajrzyj do FAQ, zanim przepalisz kredyty, przekonując się o tym.
• Benchmarki to numery domów.
Wykres premierowy został oznaczony jako wstępna ocena wczesnego kandydata, a najbardziej efektowne wskaźniki zwycięstw uzyskano przeciwko modelom, które nie wyznaczają obecnie tempa. Późniejsze twierdzenia BFL są mocniejsze, ale nadal wewnętrzne.
• 20 sekund, nie 30.
Wan 3.0 i Seedance 2.5 osiągają 30 za jednym podejściem. FLUX 3 odpowiada rozszerzeniem, które respektuje szew — ale jeśli brief zakłada pojedyncze, nieprzerwane pół minuty, to nie jest właściwy wybór.
• Wagi deweloperskie: zaplanowane, bez daty.
Wydanie z otwartymi wagami zapowiedziano na późniejszą część 2026 roku, bez daty ani warunków licencji. Dorobek BFL w zakresie open source jest naprawdę dobry, ale plan to wciąż tylko plan.
Jedno na wygląd, jedno na klatki kluczowe, jedno na szew. Skopiuj, zamień nawiasy, wyrenderuj — najpierw w trybie roboczym.
"Ręcznie wykonana scena poklatkowa: gliniany [astronaut] wbija małą papierową flagę na kuchennym stole-księżycu z mąki. Widoczne odciski palców w glinie, lekko szarpany ruch 12fps, miękkie światło z okna, odgłosy filcowych kroków i przytłumiona kwestia dialogowa piskliwym głosem."
Nazwanie niedoskonałości — odcisków palców, szarpanej liczby klatek — to właśnie to, co odciąga FLUX 3 od domyślnego połysku. Większość modeli stawia opór przy „rękodziele”; ten traktuje je jako cel stylistyczny.
Prześlij: 4 klatki kluczowe (produkt w pudełku → rozpakowany → w dłoni → karta z logo)
"20-sekundowe rozpakowanie, które pokazuje te cztery kadry po kolei, mniej więcej co 5 sekund. Naturalne wrażenie nagrania z ręki, odgłosy rozrywanego papieru i taśmy, cicha radość w głosie spoza kadru przy trzecim kadrze."
Klatki niosą kompozycję, więc prompt musi jedynie sterować timingiem, ruchem i dźwiękiem. Wskazówki dotyczące odstępów („mniej więcej co 5 sekund”) powstrzymują model przed zbyt szybkim przechodzeniem przez kolejne akcenty. To jest przepływ pracy, na który zespoły pracujące najpierw nad storyboardem czekały.
Zacznij od: klip, który już wygenerowałeś
"Przedłuż o 10 sekund: [dancer] kończy obrót, na którym kończy się klip, kamera nadal przesuwa się w lewo z tą samą prędkością, muzyka trwa bez zakłóceń — bez cięcia, bez resetu."
Rozszerzenie odczytuje ruch i dźwięk z końcowych klatek, więc instrukcja powinna opisywać kontynuację, a nie nową scenę. "Dokończa obrót, na którym kończy się klip" daje mu fizyczny wątek do pociągnięcia; wskazanie prędkości kamery chroni płynne przesunięcie na styku.
Trzy modele audio-native, trzy filozofie sterowania. Te same prompty we wszystkich trzech, oceniane według tego, co byśmy wypuścili — wstępnie dla dwóch nowszych. Porównaj je samodzielnie z jednego pola promptu.
Pierwszy multimodalny model bazowy Black Forest Labs, ogłoszony 23 lipca 2026 r. — jedna architektura wspólnie trenowana na obrazach, wideo, audio i przewidywaniu działań, od zespołu z Freiburga, którego założyciele stworzyli architekturę stojącą za Stable Diffusion. Część, z której możesz generować już dziś, to wideo: do 20 sekund z zsynchronizowaną ścieżką dźwiękową w tym samym przebiegu, z tekstu, obrazu początkowego, przypiętych klatek kluczowych lub istniejącego klipu, który chcesz wydłużyć.