Revue vidéo FLUX 3 : Puissance multimodale, extraits de 20 secondes et limites honnêtes

Aperçu IA

Qu’est-ce que FLUX 3 Video et qui l’a créé ?

FLUX 3 Video est un modèle multimodal unifié de Black Forest Labs pour la vidéo, l’audio, les images et les actions. Annoncé en juillet 2026, sa version vidéo génère des extraits texte-vers-vidéo et image-vers-vidéo d’une durée maximale de 20 secondes, avec audio natif.

Comment se situe la qualité vidéo de FLUX 3 par rapport aux autres modèles ?

FLUX 3 excelle particulièrement en typographie animée, en variété de styles visuels, en dialogues et dans la représentation naturelle de scènes simples. MiniMax H3 reste le choix plus sûr pour une diffusion hébergée en 2K, pour les phénomènes physiques complexes et pour la cohérence d’objets sur de longues séquences.

Combien coûte FLUX 3 Video ?

Le tarif API partenaire est d’environ 0,17 $ par seconde, soit environ 1,70 $ pour 10 secondes. Black Forest Labs ne publie pas de tarif public simple au prorata de la seconde ; vérifiez donc le prix actif du fournisseur avant tout traitement par lot.

Puis-je exécuter FLUX 3 Video localement dans ComfyUI ?

Pas encore avec des poids officiels téléchargeables par les utilisateurs grand public. Des workflows API hébergés peuvent apparaître dans ComfyUI ou Comfy Cloud, mais l’auto-hébergement local dépend de la sortie prévue des poids ouverts FLUX 3 Dev, dont aucune date n’est confirmée à ce jour.

Ce qu’est réellement FLUX 3 Video — Un seul modèle pour tout

FLUX 3 n’est pas un point de contrôle vidéo uniquement, auquel des outils distincts de synthèse vocale et sonore seraient ajoutés a posteriori. Il s’agit d’un modèle fondamental multimodal entraîné conjointement sur des images, des vidéos, de l’audio et des actions, au sein d’une seule architecture. L’approche Self-Flow aligne ces modalités afin qu’un impact généré puisse influencer le son, qu’une réplique parlée puisse façonner le mouvement des lèvres, et qu’une image de référence puisse guider les images vidéo ultérieures.

Cette conception constitue l’avantage central du produit. Un créateur peut passer sans heurt du texte à une image initiale, des images clés, des séquences existantes, des dialogues ou des ambiances, sans traiter chaque élément comme une tâche isolée. Le compromis est tout aussi important : une base large ne bat pas automatiquement un modèle vidéo spécialisé sur tous les tests de mouvement, de résolution ou de cohérence.

L’image générée officiellement ci-dessus illustre mieux l’étendue visuelle de FLUX 3 : une silhouette solitaire vêtue d’un manteau rouge brillant se tient à l’intérieur d’une laverie aux teintes vert fluorescent. Le sujet centré, les machines circulaires répétées et le contraste fort entre couleurs complémentaires créent immédiatement un accroche graphique tout en conservant la lisibilité de la scène.

Ce que FLUX 3 Video peut faire — Fonctionnalités et spécifications

La version actuelle de génération propose un ensemble de contrôles plus étendu que la simple génération texte-vers-vidéo :

• Jusqu’à 20 secondes : une seule génération peut contenir un échange complet de dialogues ou une courte scène publicitaire, plutôt que de s’interrompre après cinq ou dix secondes.
• Audio natif : dialogues, effets sonores et ambiances sont générés simultanément avec les images, et non ajoutés ultérieurement comme une piste vocale séparée.
• Entrées texte, image et images clés : démarrez à partir d’un prompt, animez une image initiale, définissez une image finale ou reliez plusieurs images clés.
• Poursuite vidéo : fournissez jusqu’à quatre secondes de vidéo et d’audio existants, puis poursuivez le mouvement, le comportement de la caméra, les dialogues et les sons de façon fluide à travers la jonction.
• Plusieurs plans : basculez entre scènes ou angles de caméra au sein d’une même génération, tout en maintenant la cohérence de la séquence.
• Typographie : affichez titres, enseignes, graphismes d’écran et lettrages animés comme éléments intégrés de la scène.
• Éventail de styles : passez facilement du style « caméscope » spontané à l’animation, à la publicité, à la nostalgie ou au cinéma soigné.
• Résolution : la génération est proposée en HD, avec une sortie Full HD disponible via un processus d’upscale ; ne confondez pas la résolution 1080p avec un rendu natif en 2K.

Sortie officielle FLUX 3 montrant trois images clés fournies reliées en une séquence de dix secondes. La ligne temporelle rend la méthode de contrôle plus intuitive qu’une simple image finale isolée.

Sortie officielle FLUX 3 · typographie animée avec audio natif

Cet exemple de typographie est un extrait réellement généré, et non une maquette conçue. Pour tester un concept comparable avant de choisir un modèle de production, commencez par le workflow texte-vers-vidéo de Seedance en utilisant le même brief, la même durée et le même format d’image.

Qualité en conditions réelles — Où FLUX 3 excelle et où il montre ses limites

L’avantage le plus net de FLUX 3 réside dans le contenu graphique en mouvement. Le texte terminal, les cartons, les enseignes et les lettrages conçus restent plus intentionnels que les marques illisibles produites par de nombreux modèles vidéo. Il navigue également aisément entre les styles « caméscope » spontané, rétro, animé et publicitaire. Les scènes dialoguées profitent du modèle audio-vidéo partagé : la parole, les expressions et le son ambiante sont planifiés conjointement.

Sortie officielle FLUX 3 · scène dialoguée de 20 secondes avec audio natif