Black Forest Labs 把 Flux 3 放出来了，这回不是只做图，是个能同时从图像、视频、音频里学的多模态底座，最直接的变化是能生成带原生音频、最长二十秒的视频。
对我这行来说，二十秒是个很微妙的长度。以前几秒的片段只能当动态分镜示意，客户看完还得靠我一张嘴解释；二十秒基本能把一个完整镜头、甚至一小段戏交代清楚。带原生音频这点更要紧，环境声和画面是一起生成的，节奏对不对当场就听得出来，不用再临时扒音效垫上去。
同一批还放了个叫 Flux-mimic 的机器人动作模型，看路数是同一套表征往下延伸的。
光看发布说明判断不了可控性，等能上手了再回来说。