刚看到 Black Forest Labs 把 FLUX 3 放出来了，就是做 FLUX 那帮人。这回不是单纯出图模型，是把图像、视频、音频塞进一个统一架构里。最勾人的是 FLUX 3 Video——文本、图片、视频都能当输入，直接生成最长 20 秒、带原生音频的片段，声音是模型自己出的，不用后期再对轨。
除了视频，它也能生成和编辑图像，还支持视频续写、关键帧过渡、多语言对白和排版这些。现在是 early access 阶段，图像那条线 FLUX 3 Image 说是随后开放。
原生音频这块要是真稳，我这种天天在剪辑软件里对口型加环境音的，工作流估计得改一半。先蹲个早期访问看看实际出片怎么样。