Reseña de FLUX 3 Video: Potencia multimodal, clips de 20 segundos y limitaciones honestas

Visión general de IA

¿Qué es FLUX 3 Video y quién lo creó?

FLUX 3 Video es el modelo multimodal unificado de Black Forest Labs para video, audio, imágenes y acciones. Anunciado en julio de 2026, su lanzamiento de video genera clips de texto-a-video e imagen-a-video de hasta 20 segundos con audio nativo.

¿Qué tan buena es la calidad de FLUX 3 Video comparada con otros modelos?

FLUX 3 destaca especialmente en tipografía animada, estilos visuales amplios, diálogos y escenas simples con aspecto natural. MiniMax H3 sigue siendo la opción más segura para entrega alojada en 2K, física compleja y coherencia de objetos a largo plazo.

¿Cuánto cuesta FLUX 3 Video?

El precio de la API para socios es de aproximadamente $0,17 por segundo, o unos $1,70 por 10 segundos. Black Forest Labs no publica una tarifa pública simple por segundo, así que verifique el precio vigente del proveedor antes de ejecutar un lote.

¿Puedo ejecutar FLUX 3 Video localmente en ComfyUI?

No aún con pesos oficiales descargables por consumidores. Los flujos de trabajo de API alojados podrían aparecer en ComfyUI o Comfy Cloud, pero el autoalojamiento local depende de la futura versión de código abierto FLUX 3 Dev, cuya fecha de lanzamiento aún no está confirmada.

Qué es realmente FLUX 3 Video — Un modelo para todo

FLUX 3 no es un checkpoint exclusivo para video al que luego se adjuntan herramientas independientes de voz y sonido. Es un modelo base multimodal entrenado simultáneamente con imágenes, video, audio y acciones dentro de una única arquitectura. El enfoque Self-Flow alinea dichas modalidades, de modo que un impacto generado puede influir en el sonido, una línea hablada puede moldear el movimiento labial y una referencia visual puede guiar fotogramas posteriores del video.

Ese diseño constituye la ventaja central del producto. Un creador puede alternar entre texto, una imagen inicial, fotogramas clave, material fílmico existente, diálogo y ambiente sin tratar cada recurso como una tarea independiente. La contrapartida es igualmente importante: una base amplia no supera automáticamente a un modelo especializado en video en cada prueba de movimiento, resolución o coherencia.

El fotograma generado oficialmente anterior es un ejemplo más contundente del rango visual de FLUX 3: una figura solitaria con un abrigo rojo brillante se encuentra dentro de una lavandería verde fluorescente. El sujeto centrado, las máquinas circulares repetidas y el fuerte contraste cromático complementario crean de inmediato un gancho gráfico, manteniendo al mismo tiempo la escena legible.

Qué puede hacer FLUX 3 Video — Características y especificaciones

La versión actual de generación incluye un conjunto de controles más amplio que el básico texto-a-video:

• Hasta 20 segundos: una sola generación puede contener un fragmento completo de diálogo o una escena publicitaria corta, en lugar de detenerse tras cinco o diez segundos.
• Audio nativo: los diálogos, efectos y ambiente se generan junto con los fotogramas, en vez de añadirse posteriormente como una pista de voz separada.
• Entradas de texto, imagen y fotogramas clave: comience desde un prompt, anime una imagen inicial, defina una imagen final o conecte múltiples fotogramas clave.
• Continuación de video: proporcione hasta cuatro segundos de video y audio existentes, y luego continúe el movimiento, el comportamiento de la cámara, el diálogo y el sonido a través de la transición.
• Múltiples tomas: cambie de escena o ángulo de cámara dentro de una sola generación, manteniendo la secuencia relacionada.
• Tipografía: renderice títulos, letreros, gráficos en pantalla y tipografía animada como parte de la escena.
• Rango de estilos: pase de material casero con cámara de video a animación, publicidad, nostalgia o cine pulido.
• Resolución: la generación se ofrece en HD; la salida en Full HD está disponible mediante escalado; no confunda 1080p con renderizado nativo en 2K.

Salida oficial de FLUX 3 que muestra tres fotogramas clave suministrados conectados en una secuencia de diez segundos. La línea de tiempo facilita la comprensión del método de control frente a un fotograma final aislado.

Salida oficial de FLUX 3 · tipografía animada con audio nativo

El ejemplo de tipografía es un clip generado real, no una maqueta diseñada. Para probar un concepto comparable antes de elegir un modelo de producción, comience con el flujo de trabajo de texto-a-video de Seedance y use el mismo brief, duración y relación de aspecto.

Calidad en entornos reales — Dónde lidera FLUX 3 y dónde presenta limitaciones

La ventaja más clara de FLUX 3 radica en el contenido gráfico dentro del movimiento. El texto en terminales, las tarjetas de título, los letreros y la tipografía diseñada conservan mayor intencionalidad que las marcas borrosas que producen muchos modelos de video. Además, transita con soltura entre estilos casuales, retro, animados y comerciales. Las escenas de diálogo se benefician del modelo compartido de audio y video: el habla, las expresiones y el sonido ambiental se planifican conjuntamente.

Salida oficial de FLUX 3 · escena de diálogo de 20 segundos con audio nativo