Black Forest Labs unifie image, vidéo et audio avec FLUX 3

Black Forest Labs présente FLUX 3, son nouveau modèle fondation multimodal orienté vers la vidéo. Le modèle apprend simultanément à partir d’images, d’audio et de vidéos. Il peut donc produire des sorties multimodales selon Replicate. La publication de présentation date du 4 août 2026. Black Forest Labs avait auparavant lancé FLUX.1 comme modèle d’image. Avec FLUX 3, le laboratoire explore une architecture consolidée plutôt que des modèles séparés par modalité. Son principe relie les structures spatiales des images, la temporalité de la vidéo, les relations causales de l’audio et les instructions du langage. La société présente cette combinaison comme une manière d’encoder davantage de contraintes physiques dans les paramètres du modèle.

Les prompts restent flexibles FLUX 3 accepte une phrase simple ou une description détaillée pour générer une scène vidéo. Replicate montre notamment un camion de compétition traversant un désert, une pieuvre avançant sur un fond marin rocheux et un homme observant les montagnes depuis un train suisse. Le modèle peut aussi produire une scène de plongée dans un cénote contenant les ruines d’un temple maya. La publication indique que les utilisateurs peuvent laisser certains détails de mouvement et d’esthétique au modèle. Par défaut, FLUX 3 peut toutefois générer plusieurs plans dans une même scène. Un prompt explicite peut demander un plan continu, comme pour la transformation progressive d’une voiture rouillée en véhicule restauré.

FLUX 3 transforme images et clips

Deux images guident FLUX 3 peut utiliser une image de départ et une image finale pour guider une transformation. L’exemple fourni conserve le même véhicule, le même angle de caméra, le même empattement et le même arrière-plan. La rouille disparaît, les bosses se redressent, le pare-brise se clarifie et les pneus se regonflent. Le prompt demande une transformation mécanique continue, sans coupe, téléportation ni changement d’identité du véhicule. Le modèle dispose aussi d’un paramètre start_video. Celui-ci prolonge un clip existant depuis sa dernière image. Replicate indique que cette continuation préserve le mouvement, la logique du cadrage et l’audio du clip initial, avec des exemples de skateboard et de surf.

Les plans horodatés peuvent être décrits directement dans un prompt unique. FLUX 3 peut alors effectuer des coupes entre plusieurs cadrages pendant une seule génération. Replicate propose une structure allant d’un plan large de 0 à 4 secondes à un gros plan de 4 à 8 secondes, puis à un plan de suivi de 8 à 12 secondes. L’exemple met en scène un stade, les pieds d’un sprinteur et son arrivée. Le modèle ne se limite pas non plus au rendu cinématographique hyperréaliste. Il peut produire une animation en pâte à modeler, un univers de bande dessinée ou des séquences imitant une cassette VHS. Les instructions peuvent décrire la caméra, l’exposition et les défauts analogiques.

L’API Replicate propose une exécution avec black-forest-labs/flux-3, une durée, une résolution, un ratio d’image et la génération audio. L’exemple fourni utilise une durée de 8 secondes, une résolution 720p et un format 16:9. Le même appel peut recevoir une image, une image finale, jusqu’à 10 images clés ou une vidéo de départ. La publication montre également une intégration avec Cloudflare AI Gateway. Cette passerelle ajoute la journalisation, la mise en cache et la limitation de débit. Cloudflare gère les identifiants du fournisseur et facture l’usage via Unified Billing, car FLUX 3 est présenté comme un modèle tiers. La source complète détaille les paramètres dans le guide Replicate consacré à FLUX 3.