ブラックフォレスト・ラボ (Black Forest Labs) は2026年7月26日(現地時間)、画像、映像、音声から学習するマルチモーダル基盤モデル「FLUX 3」をリリースしました。同モデルは、単一のアーキテクチャ内で映像、音声、アクション予測を一つのウェイトセットから提供する初のFLUXモデルです。BFLの研究チームは、どの単一モダリティも世界を完全に記述できないとの見解を示し、全モダリティを同時に訓練することで、互いに制約し合い、より現実的な表現が可能になると説明しています。
FLUX 3は、BFLのマルチモーダル生成と理解を単一アーキテクチャで統合する手法「Self-Flow」を基盤としています。Self-Flowは、flow matching目的と自己教師あり特徴量再構築目的を組み合わせています。BFLは、Self-Flowと同じアプローチでFLUX 3を映像、画像、音声に対して同時に訓練するため、計算資源とデータリソースを大幅にスケールアップしたと述べています。
FLUX 3 Videoは、ネイティブオーディオ付きで最大20秒のクリップを単一生成できます。対応するモードには、テキストから映像、画像から映像、参照クリップからの映像から映像、キーフレームから映像による制御された遷移、および入力映像と音声からの生成的な映像・音声継続が含まれます。BFLチームは、特に人体の表情や、音と物理イベントの関連付けにおいて強みがあると報告しています。
BFLチームが発表した人間による選好結果によると、FLUX 3は10秒の720pテキストから映像クリップ（音声付き）の比較において、Luma Ray 3.2に対して93%、Runway Gen-4.5に対して77%で優位性を示しました。Grok Imagine Videoに対しては69%、Kling v3 Proに対して60%、Happy Horse v1に対して59%、Happy Horse 1.1に対して57%でした。Seedance 2.0とGemini Omni Flashに対しては52%と、僅差の結果でした。
トレーニング計算リソースの95%以上が映像予測に費やされ、音声トークンは0.5%未満を占めます。FLUX 3と同じバックボーンは、ロボットポリシー「FLUX-mimic」も駆動しており、RTX 5090単体で80ミリ秒未満で動作します。FLUX 3のアクセスはゲートされており、映像とアクション予測は早期アクセスで提供され、画像予測がそれに続き、オープンウェイトの公開は最後になるとされています。
参考: marktechpost.com (アーカイブ) — 2026年7月27日 02:50 (JST)
原文ハイライト"FLUX 3 is one flow matching backbone trained jointly on image, video and audio."