FLUX 3 Video - ネイティブオーディオ対応のAIビデオ生成

FLUX 3 は、Black Forest Labs のマルチモーダル基盤モデルで、2026年7月23日に発表され、現在はアーリーアクセス中です。これは、画像、ビデオ、オーディオから、Self-Flow を基盤とした統一アーキテクチャ内で共同で学習します。Self-Flow は、同じモデル内でマルチモーダル生成と理解を整合させる彼らのアプローチです。各モダリティを個別に扱うのではなく、FLUX 3 は世界の共有表現を学習します。つまり、物体がどのように結びついているか、物事がどのように動くか、出来事がどのように聞こえるかです。機能と制限は、アーリーアクセスの展開中に変更される可能性があります。 ビデオについては、FLUX 3 は1回の生成で、最大20秒のネイティブオーディオ付きの、非常に多様なクリップを作成します。すべての出力には、環境音、音声、エフェクトを含む同期オーディオ生成が付属します。テキストから動画への生成と画像から動画への生成をサポートしており、個々のクリップをより長いシーケンスへと連結するマルチショット出力と、柔軟なアスペクト比に対応しています。

​

FLUX 3 Video が得意なこと

• ネイティブオーディオ：すべてのビデオに、環境音、音声、効果音を含む同期オーディオが付属します
• 最大20秒：1回のパスで長いクリップを生成します
• テキストと画像の入力：テキストプロンプトからビデオを生成するか、開始フレーム画像から続きを生成します
• 柔軟なフォーマット：720pまたは1080pの解像度、24fps、9:16から21:9までのアスペクト比
• マルチショット出力：個々のクリップをつなぎ合わせて長いシーケンスにし、より長いストーリーテリングを実現します

​

出力例

単一のプロンプトからのテキストから動画への生成。オーディオ、モーション、物理が同期されています： 開始フレームとテキストプロンプトからの画像から動画への生成：

​

使用する

これは同じ Comfy アカウントで実行され、以下の ComfyUI で実行する場合と同じクレジットで課金されます。モデルごとの料金についてはパートナーノードクレジットを、同時に実行できるリクエスト数については同時実行制限を参照してください。

​

FLUX 3 テキストから動画へのワークフロー

単一のテキストプロンプトから完全なビデオを生成します。FLUX 3 は自然言語を、同期されたオーディオ、モーション、物理演算を備えた完全なシーンへと展開します。参照画像や複雑な設定は必要ありません。

​

FLUX 3 画像から動画へのワークフロー

テキストプロンプトと開始フレームの画像から、完全なビデオを生成します。FLUX 3 はあなたの説明を自動的に拡張し、オーディオ、モーション、物理演算が同期された一貫性のあるシーンを作り上げます。

​

はじめる

1. ComfyUIを最新バージョンにアップデートする
2. Template Libraryに移動し、FLUX 3 Video を検索する