结论放前面：FLUX 3 Video 最该盯的是原生音频，不是那 20 秒时长。
Black Forest Labs（就是做 FLUX 的那帮人）刚把 FLUX 3 放出来，这次不是单纯的出图模型，图像、视频、音频被塞进了同一个统一架构里。视频这条线，文本、图片、视频都能当输入，生成最长 20 秒的片段，声音是模型自己出的，不用后期再对轨。
为什么我觉得音频比时长要紧：我平时最耗时间的环节其实不是生成，是生成完以后在剪辑软件里对口型、垫环境音。画面和声音分两个工具出，后期对轨基本躲不掉；如果同一个模型一起吐出来，节奏起码是对齐的，后期只剩修修补补。这块要是真稳，我的工作流估计得改掉一半。
其他能力顺手列一下：
- 生成和编辑图像
- 视频续写、关键帧过渡
- 多语言对白和排版
目前还是 early access 阶段，图像那条线 FLUX 3 Image 说是随后开放。我先蹲个早期访问，实际出片怎么样到时候再说，宣传和自己手上跑出来的东西往往是两回事。