Black Forest Labs lança FLUX 3 com geração de vídeo de 20s e áudio

FLUX 3: modelo multimodal unificado

A Black Forest Labs (BFL), sediada em Freiburg, Alemanha, lançou o FLUX 3, um modelo de fronteira treinado conjuntamente para entender e gerar imagens, vídeo com áudio (até 20 segundos) e previsão de ações robóticas - tudo a partir de uma única arquitetura, em vez de modelos separados atrás de uma interface comum. É o primeiro modelo público de geração de vídeo da empresa.

Linhas de produto e disponibilidade

O FLUX 3 chega em quatro variantes: FLUX 3 Video (com áudio nativo), FLUX 3 Image, FLUX 3 Action e FLUX 3 Dev (open-weight, prometido para ainda este ano). Video e Action entram em programa de Early Access com aprovação manual; não há API pública nem preços anunciados. A ausência de benchmarks de imagem, SLAs e metodologia de avaliação impede que compradores enterprise calculem custo total de propriedade neste momento.

Benchmarks preliminares

Em testes de preferência com clipes de 10 segundos em 720p, o FLUX 3 foi preferido sobre Luma Ray 3.2 em 93% dos casos, Runway Gen-4.5 em 77%, Grok Imagine Video em 69%, Kling v3 Pro em 60% e empatou estatisticamente (52%) com Seedance 2.0 e Gemini Omni Flash. A própria BFL ressalva que os números descrevem um checkpoint pré-lançamento, não o modelo que entra em early access.

Capacidades de vídeo

O FLUX 3 Video gera clipes de até 20 segundos com áudio sincronizado em uma única geração - entre os mais longos já alcançados, igualando o descontinuado Sora da OpenAI. Suporta text-to-video, image-to-video, video-to-video, continuação generativa, keyframe-to-video, diálogo multilíngue, tipografia animada e encadeamento agêntico de clipes em sequências de vários minutos com consistência de personagens entre cenas.

FLUX-mimic e robótica

Em parceria com a Mimic Robotics, a BFL criou o FLUX-mimic, que usa o backbone de vídeo do FLUX 3 como fundação para previsão de ações robóticas. A promessa: fine-tuning para uma nova tarefa de manipulação com apenas 30 minutos de dados do robô, contra 30+ horas em abordagens anteriores.

Contexto competitivo e open weights

O Gemini Omni Flash, da Google, é o análogo mais próximo - multimodal, com vídeo e áudio - e está disponível por US$ 0,10/segundo de vídeo 720p, mas não permite edição de vídeo enviado por usuários no Espaço Econômico Europeu. A BFL argumenta que pesos abertos são um recurso enterprise (deploy local, baixa latência, adaptação a dados próprios), mas o FLUX 3 Dev chega por último na sequência de lançamento, sem licença, contagem de parâmetros ou requisitos de hardware divulgados.

A BFL é avaliada em US$ 3,25 bilhão, com mais de US$ 450 milhões levantados de a16z, Nvidia, Salesforce Ventures, General Catalyst, Adobe Ventures, Figma Ventures, Canva e Deutsche Telekom.