# Black Forest Labs 发布 FLUX 3，一个模型搞定图像、视频和音频，一次能生成 20 秒带声音的视频

> 原标题：Black Forest Labs 发布 FLUX 3 多模态模型，支持单次生成 20 秒视频与原生音频

- 来源：AI HOT 精选
- 发布时间：2026-07-24T06:48:04.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/46322
- 原文：https://www.ithome.com/0/981/137.htm

## 摘要

FLUX 3 用统一架构把图像、视频和音频放在一起学，不再拆成几个模型拼凑。它一次能输出最长 20 秒的视频，并且自带原生音频，支持文生视频、图生视频、视频续写、关键帧转视频和多镜头串联。

## 推荐理由

Black Forest Labs 发布 FLUX 3，用统一架构把图像、视频和音频放在一起训练，单次可输出最长 20 秒带原生音频的视频，并支持多镜头串联。

## 锐评

69% 胜率对 Grok Imagine Video，这个数是 Black Forest Labs 自己跑的，没第三方复现，先当参考。让我在意的是 20 秒带原生音频，统一架构一次出，不用图像模型加音频插件拼。视频生成里音频一直是最难对齐的部分，能原生出说明他们把时序建模做进去了。20 秒还是短，做内容的人一条片子得拼好几段，多镜头串联能不能接顺是另一回事。
