FLUX 3 Video

Présentation

FLUX 3 Video est un modèle de génération vidéo lancé par Black Forest Labs, fondé sur une architecture multimodale unifiée entraînée conjointement sur images, vidéos, audio et mouvements. Il prend en charge trois types de tâches — texte-vers-vidéo, image-vers-vidéo et prolongation de vidéo — et génère simultanément un audio natif synchronisé avec l'image. Les développeurs l'appellent via l'interface unifiée de HiAPI.ai pour produire des clips de 5 à 20 secondes en 720p ou 1080p. Il convient aux équipes publicitaires et de vidéos courtes qui doivent produire rapidement des contenus commerciaux sonorisés, ainsi qu'aux créateurs en préproduction cinématographique qui souhaitent prolonger des plans ou prévisualiser le contrôle des images clés.

Points forts

• Un seul jeu de paramètres pour trois types de tâches vidéo — le même modèle couvre à la fois le texte-vers-vidéo, l'image-vers-vidéo et la prolongation de vidéo ; changer de tâche ne nécessite ni de changer de méthode d'intégration ni de reconstruire le flux de travail.
• Génération synchronisée de l'image et de l'audio natif — par défaut, les sons d'ambiance, les dialogues et les effets sonores sont générés avec l'image, ce qui évite les étapes séparées de doublage et d'alignement ; il est possible de désactiver l'audio pour obtenir un clip muet.
• Plusieurs images pour composer un storyboard ou des images clés — 1 image définit la première image, 2 images définissent la première et la dernière image, 3 à 10 images composent un storyboard réparti uniformément sur la chronologie, ce qui facilite le contrôle du rythme des plans.
• Mode brouillon pour tester à moindre coût — une fois activé, il produit un aperçu en 720p plus rapidement et à moindre coût, pour valider le prompt et la composition avant la version finale.

Fonctionnalités

Texte-vers-vidéo : génère un clip complet à partir d'un simple prompt textuel ; le prompt est analysé puis enrichi avant la génération, ce qui convient pour construire de zéro un plan sans matériau de référence.

Image-vers-vidéo et contrôle des images clés : téléversez 1 à 10 images pour piloter le mouvement : une seule image définit la première image, deux images définissent la première et la dernière image, plusieurs images composent un storyboard réparti uniformément sur la chronologie, pour contrôler précisément le début, la fin et le rythme du plan.

Prolongation de vidéo : vous pouvez fournir un MP4 de 15 secondes maximum et de 50 Mo maximum pour continuer la génération à partir de la dernière image, afin de prolonger un clip existant ou d'enchaîner des plans ; ce paramètre est incompatible avec l'entrée par images.

Durée et résolution contrôlables : la durée du clip est de 5 à 20 secondes, la résolution de 720p ou 1080p au choix, et le rapport hauteur/largeur prend en charge huit préréglages de 21:9 à 9:16 ainsi que le choix automatique auto.

Génération audio native : génère par défaut des sons d'ambiance, des dialogues et des effets sonores synchronisés avec l'image ; une fois désactivée, la sortie est un clip muet, ce qui facilite l'ajout ultérieur d'une musique ou d'un doublage séparé.

Cas d'usage

• Équipes publicitaires et de marque : générer un clip promotionnel à partir d'une seule image de produit — téléversez une image de produit et décrivez le mouvement de caméra pour obtenir un contenu de 5 à 20 secondes avec sons d'ambiance, directement utilisable pour une diffusion sur les réseaux sociaux ou en bannière d'accueil d'un site web.
• Créateurs en préproduction cinématographique : prévisualiser des plans à partir d'images clés — utilisez 2 à 10 images de storyboard pour fixer le rythme et obtenir un clip de prévisualisation animé, afin que le réalisateur et le chef opérateur confirment les mouvements de caméra et les points de montage.
• Gestion de vidéos courtes : prolonger et étendre un matériau existant — fournissez un MP4 de 15 secondes maximum et prolongez-le à partir de sa fin pour obtenir un passage plus long, en réduisant les reshoots et les prises complémentaires.
• Marketing multilingue : localiser un matériau avec synchronisation labiale — indiquez la langue et les dialogues dans le prompt pour produire une courte vidéo localisée avec audio et image synchronisés, destinée aux diffusions dans différentes régions.

Limites et conseils de choix

La durée maximale d'une génération est de 20 secondes ; les contenus plus longs doivent être générés par segments puis assemblés via la prolongation de vidéo. La facturation se fait à la seconde de sortie ; les clips longs ou les régénérations répétées augmentent le coût. L'audio natif étant généré en synchronisation avec l'image, la marge de réglage ultérieur de la piste audio est limitée ; pour un mixage fin, il est conseillé de désactiver l'audio et de le produire séparément. Les paramètres d'entrée par images et de prolongation de vidéo sont incompatibles et ne peuvent pas être utilisés dans la même requête ; le mode brouillon est limité à la 720p. Si la tâche exige un plan continu de plus de 20 secondes ou un contrôle audio précis image par image, il convient d'évaluer une solution d'assemblage par segments ou d'autres outils spécialisés.