ブラックフォレスト・ラボ（Black Forest Labs）は2026年7月28日(現地時間)、画像と動画の生成に対応した新しいAIモデル「FLUX 3」の早期アクセスを開始しました。このモデルは最大20秒の動画と同期音声を生成できるほか、ロボットのアクション予測にまで機能を拡張した単一のマルチモーダルAIシステムとして提供されます。同社は、FLUX 3が画像、動画、音声、およびロボット行動予測にわたって学習された基盤モデルであり、共有内部表現を用いることで複数のメディアやアクションに対応するとしています。
FLUX 3の動画生成機能である「FLUX 3 Video」は、テキスト、画像、動画入力を受け付け、クリップの新規作成、既存フッテージの修正、継続、複数のショットの連結が可能です。多言語対話にも対応しており、現在は承認された早期アクセスユーザーのみが利用でき、公開APIは提供されていません。
FLUX 3は、画像、動画、音声にわたり学習された単一のAIシステムとして構築されています。専用のエンコーダーが各メディアを共有内部表現に変換し、デコーダーがそれをメディアやアクションに変換し直す仕組みです。この共同学習により、動きと同期した音声生成が可能であり、この共有表現はロボットのプランニングと制御ワークフローにも利用されるとのことです。
ロボット工学への拡張機能である「FLUX-mimic」は、中間的な動画特徴を軽量なアクションデコーダーを通じてロボットコマンドに変換します。ドイツの自動車メーカーであるアウディ（Audi）は、FLUX-mimicを生産および物流作業にテスト導入しており、軟性シールやケーブルの操作、電子制御ユニットの挿入、部品のキット化といった作業に活用されていると報じられています。FLUX-mimicのバックボーンは単一のNvidia GPU上で80ミリ秒未満で動作するとされています。
ブラックフォレスト・ラボが実施した予備的な比較では、10秒720pのクリップにおいて、FLUX 3はルマAI（Luma AI）のRay 3.2を93%、ランウェイ（Runway）のGen-4.5を77%の比較で上回ったとされます。シーダンス（Seedance）のSeedance 2.0およびGoogleのジェミニ・オムニ・フラッシュ（Gemini Omni Flash）との比較では、それぞれ52%の差をつけたとのことです。これらの結果は、サンプルサイズ、評価者数、詳細な方法論、画像ベンチマーク、独立した評価が不足しているため、予備的なものと強調されています。
現在の早期アクセスでは、承認されたユーザーのみがFLUX 3 VideoおよびActionバリアントをテストできます。画像生成機能である「FLUX 3 Image」は数週間中に、APIとプライベートウェイトは後続フェーズで提供される予定です。2026年後半には、開発者向けのオープンウェイト版「FLUX 3 Dev」も計画されており、ダウンロード可能なパラメーターが提供される見込みです。
参考: winbuzzer.com (アーカイブ) — 2026年7月28日 18:11 (JST)