FLUX 3 Video

Descripción general

FLUX 3 Video es un modelo de generación de vídeo presentado por Black Forest Labs, que adopta una arquitectura multimodal unificada entrenada conjuntamente con imagen, vídeo, audio y movimiento. Admite tres tipos de tareas: texto a vídeo, imagen a vídeo y continuación de vídeo, y genera de forma sincronizada audio nativo que coincide con la imagen. Los desarrolladores pueden llamarlo a través de la interfaz unificada de HiAPI.ai para obtener clips de 5 a 20 segundos en 720p o 1080p. Es adecuado para equipos de publicidad y vídeos cortos que necesitan producir rápidamente material comercial con sonido, así como para creadores de preproducción audiovisual que necesitan extender planos y previsualizar el control de fotogramas clave.

Puntos clave

• Tres tipos de tareas de vídeo comparten un mismo conjunto de parámetros: un mismo modelo cubre a la vez texto a vídeo, imagen a vídeo y continuación de vídeo; cambiar de tarea no requiere cambiar el método de acceso ni reconstruir el flujo de trabajo.
• Generación sincronizada de imagen y audio nativo: por defecto genera sonido ambiente, diálogos y efectos de sonido junto con la imagen, lo que elimina los procesos de doblaje y alineación por separado; se puede desactivar para obtener clips silenciosos.
• Varias imágenes forman un storyboard o fotogramas clave: 1 imagen define el primer fotograma, 2 imágenes definen el primer y último fotograma, y de 3 a 10 imágenes forman un storyboard según una línea de tiempo uniforme, lo que facilita controlar el ritmo del plano.
• Modo borrador para probar clips a bajo coste: al activar el borrador se obtiene una vista previa en 720p con mayor rapidez y menor coste, útil para validar el prompt y la composición antes de la versión final.

Descripción de capacidades

Texto a vídeo: genera un clip completo solo a partir de un prompt de texto; el prompt se analiza y se amplía antes de generar, lo que resulta adecuado para construir planos desde cero sin material de referencia.

Imagen a vídeo y control de fotogramas clave: sube de 1 a 10 imágenes para impulsar el movimiento: una sola imagen define el primer fotograma, dos imágenes definen el primer y último fotograma, y varias imágenes forman un storyboard según una línea de tiempo uniforme, para controlar con precisión el inicio, el final y el ritmo del plano.

Continuación de vídeo: se puede enviar un MP4 de hasta 15 segundos y 50 MB como máximo para continuar la generación desde el fotograma final, lo que sirve para alargar clips existentes o hacer un relevo de planos; este parámetro es mutuamente excluyente con la entrada de imágenes.

Duración y resolución controlables: la duración del clip es de 5 a 20 segundos y la resolución se puede elegir entre 720p o 1080p; la relación de aspecto admite ocho preajustes desde 21:9 hasta 9:16, además de la selección automática auto.

Generación de audio nativo: por defecto genera sonido ambiente, diálogos y efectos de sonido sincronizados con la imagen; al desactivarlo se obtiene un clip silencioso, lo que facilita añadir música o voz por separado en posproducción.

Casos de uso

• Equipos de publicidad y marcas: generar clips promocionales a partir de una sola imagen de producto: sube una imagen del producto y describe el movimiento de cámara para obtener material de 5 a 20 segundos con sonido ambiente, listo para publicaciones en redes sociales o para la primera pantalla del sitio web.
• Creadores de preproducción audiovisual: previsualización de planos con fotogramas clave: fija el ritmo con 2 a 10 imágenes de storyboard y genera clips de previsualización dinámica para que el director y el director de fotografía confirmen el movimiento de cámara y los puntos de montaje.
• Operación de vídeos cortos: extender planos con material existente: envía un MP4 de no más de 15 segundos y continúa desde el final para obtener fragmentos más largos, lo que reduce los rodajes y regrabaciones.
• Marketing multilingüe: material localizado con sincronización labial: especifica el idioma y los diálogos mediante el prompt para obtener cortos localizados con audio e imagen sincronizados, destinados a versiones de campaña para distintas regiones.

Limitaciones y recomendaciones de selección

La duración máxima por generación es de 20 segundos; los contenidos más largos deben generarse por segmentos y unirse mediante la continuación de vídeo. La facturación se basa en los segundos de salida, por lo que los clips largos o las regeneraciones repetidas aumentan el coste. El audio nativo se genera sincronizado con la imagen, por lo que el margen para ajustar la pista de audio por separado en posproducción es limitado; si se necesita una mezcla precisa, se recomienda desactivar el audio y producirlo aparte. Los parámetros de entrada de imágenes y de continuación de vídeo son mutuamente excluyentes y no pueden usarse a la vez en la misma solicitud; el modo borrador solo está disponible en 720p. Si la tarea requiere planos continuos de más de 20 segundos o un control de audio preciso fotograma a fotograma, conviene evaluar soluciones de unión por segmentos u otras herramientas especializadas.