FLUX 3 de Black Forest Labs génère vidéo et audio

Black Forest Labs présente FLUX 3, son nouveau modèle de fondation multimodal destiné à la génération de sorties combinant images, vidéo et audio. Le laboratoire avait lancé FLUX.1 comme modèle d’image à code ouvert. Il s’intéresse désormais à la vidéo avec une architecture consolidée. Cette architecture apprend simultanément à partir d’images, de sons et de séquences vidéo. Black Forest Labs explique que les images décrivent les structures spatiales, tandis que les vidéos ajoutent le temps. L’audio apporte aussi des relations causales entre phénomènes mécaniques et sons. Le modèle est présenté dans un article publié par Replicate le 4 août 2026, intitulé The Ultimate Guide to FLUX 3.

Un modèle entraîné sur plusieurs modalités

L’entraînement multimodal relie plusieurs types d’informations dans un même modèle. Selon Black Forest Labs, le son doit correspondre à un impact, le mouvement doit respecter la masse et le futur doit découler du passé. Cette approche vise à mieux représenter les relations entre perception, mouvement et temporalité. En associant des images, des vidéos et des pistes audio, FLUX 3 cherche ainsi à produire des scènes plus cohérentes, aussi bien sur le plan visuel que sonore.

L’article de Replicate indique que FLUX 3 peut accepter une phrase simple ou une description très détaillée pour produire une vidéo. Parmi les exemples figurent un camion de rallye traversant un désert, un poulpe avançant sur un fond marin et un jeune homme regardant par la fenêtre d’un train en Suisse. Le modèle peut aussi générer des styles non photoréalistes, comme la pâte à modeler ou l’animation inspirée des comics.

Des scènes vidéo générées à partir du texte

La génération texte vers vidéo permet à FLUX 3 de produire des séquences avec plusieurs actions et mouvements de caméra. Un exemple montre une course de moto dans un parking souterrain, avec des changements entre un angle de poursuite et une vue depuis le guidon. Un autre suit un randonneur dans une forêt costaricaine avant de monter vers une vue de la canopée. Le modèle choisit par défaut plusieurs plans, sauf indication contraire dans la consigne.

Les utilisateurs peuvent aussi inscrire des repères temporels comme [0-4s], [4-8s] et [8-12s]. Replicate décrit ainsi une génération réunissant plan large, gros plan et suivi d’un sprinteur dans un stade, sans assemblage manuel des séquences. Cette capacité permet de décrire une progression narrative complète dans une seule requête et de mieux contrôler l’ordre des événements.

Images de départ et continuation de clips

Les entrées visuelles étendent les usages de FLUX 3 au-delà du texte. Le modèle accepte une image de départ et une image finale pour guider une transformation continue. Replicate illustre ce fonctionnement avec une voiture rouillée qui devient progressivement une voiture rouge restaurée. La consigne demande de conserver le même véhicule, le même angle, le même empattement et le même arrière-plan.

FLUX 3 peut aussi prolonger un clip existant grâce au paramètre start_video. L’exemple du skateboarder commence avant une rampe et se poursuit avec un saut, une réception et un départ. Le modèle conserve également l’élan, le cadrage et l’audio du clip initial, selon l’article. Ces fonctions peuvent servir à prolonger une scène, à créer une transition entre deux états ou à construire une séquence plus longue à partir d’un contenu existant.

Un accès proposé par Replicate

Le lancement technique passe par Replicate avec le modèle black-forest-labs/flux-3. L’exemple fourni définit une durée de huit secondes, une résolution de 720p, un format 16:9 et la génération audio. Le même appel accepte une image de départ, une image finale, jusqu’à dix images clés ou une vidéo existante.

Replicate présente aussi une intégration avec la passerelle d’IA de Cloudflare. Cette option 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. L’article renvoie également à des exemples vidéo publiés par fofr, dont une séquence en apesanteur diffusée le 1er août 2026. FLUX 3 se positionne ainsi comme un outil destiné autant aux expérimentations créatives qu’aux intégrations techniques dans des applications de génération vidéo.