以前拿生成的片段去剪，最折磨人的是人物张嘴说话的镜头：片段只有画面，配音配效全靠后面自己贴，口型和声音对不上是常态，对个几十遍就想砸键盘。
所以黑森林实验室这回出的 Flux3，多模态那些我先放一边，只盯宣传里一条：首次支持 20 秒原生音视频同步生成。“原生同步”对剪辑来说分量很重，如果声音和画面在生成那一刻就是一起长出来的，至少省掉一整轮对轨。
20 秒也是个挺微妙的长度，够放一个完整的小情节，做口播、做产品短片正好卡在能用的线上。我还没底的是音频质量到什么水准，环境音、说话声、音乐这几类能不能分开，得等跑过才知道。