黑森林实验室发布FLUX 3：一句话生成20秒带音频视频

黑森林实验室（Black Forest Labs）正式发布了FLUX 3，一个多模态前沿模型，把生成式AI的边界又推了一步——只需一段文字描述，就能同时生成图像、视频和音频。和之前那些只擅长单一模态的模型不同，FLUX 3可以根据简单文本生成最长20秒、且音画同步的视频片段。比如，输入“黄昏时森林上空的雷暴”，你得到的不仅是翻滚的云层和闪电画面，还有雨声和雷声。该模型扩展了公司原有的架构，使其能处理音视频组合输出，让生成内容更具沉浸感和真实感。目前FLUX 3仅限小范围发布，说明黑森林实验室在谨慎控制访问权限，同时收集用户反馈。这次发布让黑森林实验室成为OpenAI、谷歌等多模态AI领跑者的有力竞争者，但它的侧重点更偏向创意和娱乐应用。从广告、电影前期制作，到游戏开发和虚拟现实，这种从文本直接生成同步音视频的能力，可能会彻底改变创作者的工作流程。随着模型逐步成熟并扩大开放，它有望重新定义内容生成的方式。