以前弄个短片或者分镜预演，画面出完还得单独配声，再对口型、对节奏，累死人。视频和配音基本是两条线在走。
Flux3 这回最抓眼的就是原生音频生成，20 秒的音视频能同步输出。声音是跟画面一起生成的，理论上天然就是一套，不用后期硬凑，对做短片和分镜预演的太友好了。
20 秒现在看还是片段级别，不过我觉得同步这件事比时长值钱：一段能对上，拼起来就有戏。
难的地方也摆在那，多模态一起出对模型要求高很多，音和画得在语义和时间轴上都咬住。音频质量怎样、音色和情绪能不能控，还得等实际样例出来，光一个同步概念撑不住。