FLUX 3 Video 评测：多模态能力、20 秒视频片段与坦诚的局限性

AI 概览

什么是 FLUX 3 Video？由谁开发？

FLUX 3 Video 是 Black Forest Labs 推出的统一多模态模型，支持视频、音频、图像及动作生成。该模型于 2026 年 7 月发布，其视频功能支持文本到视频（text-to-video）与图像到视频（image-to-video）生成，最长可达 20 秒，并原生集成音频。

FLUX 3 Video 的画质相比其他模型如何？

FLUX 3 在动态字体排印、广泛视觉风格、对话表现及自然感较强的简单场景方面尤为出色。若需托管式 2K 输出、处理复杂物理效果或长时程物体一致性任务，MiniMax H3 仍是更稳妥的选择。

FLUX 3 Video 的费用是多少？

合作伙伴 API 定价约为每秒 0.17 美元，即 10 秒约 1.70 美元。Black Forest Labs 未公布简明的公开按秒计费标准，因此批量调用前请务必确认当前服务商的实际报价。

我能否在本地 ComfyUI 中运行 FLUX 3 Video？

目前尚不支持通过官方面向消费者发布的权重文件进行本地运行。ComfyUI 或 Comfy Cloud 中可能出现托管式 API 工作流，但本地自托管依赖于计划中的 FLUX 3 Dev 开源权重版本——该版本尚未公布确切发布时间。

FLUX 3 Video 究竟是什么——一个模型，通用于全部任务

FLUX 3 并非仅专注于视频生成的独立检查点（checkpoint），再额外拼接语音与音效工具。它是一个多模态基础模型，在单一架构中联合训练图像、视频、音频与动作。其 Self-Flow 方法对齐了各类模态：生成的视觉冲击可影响声音设计，一句台词可驱动口型变化，一张参考图像亦可引导后续视频帧。

这一设计正是本产品的核心优势。创作者可在文本、起始图像、关键帧、现有影像素材、对白与环境音之间自由切换，而无需将每一类资产视为彼此割裂的独立任务。但同样重要的是其权衡取舍：广谱型基础模型，并不会在每一项运动表现、分辨率或一致性测试中自动超越专用视频模型。

上方官方生成帧更有力地展现了 FLUX 3 的视觉表现力：一名身着亮红色大衣的人物立于荧光绿调的自助洗衣店内。居中构图的主体、重复出现的圆形洗衣机，以及强烈互补的红绿配色，共同构成极具张力的图形钩子，同时确保画面清晰可读。

FLUX 3 Video 的实际能力——功能与规格

当前生成版本提供的控制选项远超基础文本到视频：

• 最长 20 秒：单次生成即可完整呈现一段对白节奏或短广告场景，而非在 5 或 10 秒后强制中断。
• 原生音频：对白、音效与环境音均随画面同步生成，无需后期单独添加配音轨道。
• 文本、图像与关键帧输入：可从提示词出发，对起始图像进行动画化，定义结束图像，或连接多个关键帧。
• 视频续写（Video continuation）：提供最多 4 秒的现有视频与音频，模型将无缝延续动作、运镜、对白及声音。
• 多镜头切换：单次生成内即可切换场景或摄像机角度，同时保持整个序列的连贯性。
• 字体排印（Typography）：标题、标牌、屏幕图形及动态文字均可作为场景有机组成部分直接渲染。
• 风格广度：可自由切换于纪实手持摄影、动画、广告、怀旧风或精修电影等不同风格。
• 分辨率：生成默认为高清（HD），全高清（Full HD）输出可通过超分实现；请注意，1080p 不等同于原生 2K 渲染。

官方 FLUX 3 输出示例：三张输入关键帧被连接成一段 10 秒视频序列。时间轴形式使该控制方法比孤立的最终帧更易理解。

官方 FLUX 3 输出 · 带原生音频的动态字体排印

该字体排印示例为真实生成片段，而非人工设计的模拟稿。若需在选定生产模型前验证类似概念，可先使用 Seedance 文本到视频工作流，并采用相同的简报内容、时长与宽高比。

真实世界画质表现——FLUX 3 的领先之处与不足之处

FLUX 3 最显著的优势在于运动中的图形内容表现。终端文字、片头字幕、标牌与设计类字体，其呈现远比许多视频模型产生的模糊乱码更具意图性与准确性。它亦能自如游走于纪实、复古、动画与商业广告等多种风格之间。对白场景则得益于音视频联合建模：语音、表情与空间声场得以协同规划。

官方 FLUX 3 输出 · 带原生音频的 20 秒对白场景