FLUX 3 对我这种做剪辑的，最实在的就一条：单次能出 20 秒，而且带原生音频。
为什么这么看重这个？以前拼一条一分钟的片子，是四五秒一段慢慢往上接，接缝、光比、人物长相全靠后期硬圆过去。20 秒够一个完整场景一口气跑完。它还支持多镜头串联，这条要是真稳，分镜就能落到模型里，而不是只存在我脑子里。音画同源更省心，配音和口型不用再单独对一遍。
技术上它是把图像、视频、音频放进一个统一模型里联合学，基于 Self-Flow 那套学习框架往外扩，文生视频、图生视频、多镜头串联这些任务都能做。
现在还在 Early Access 阶段，排不排得上队另说。