FLUX 3 Video

Visão geral da posição

FLUX 3 Video é um modelo de geração de vídeo lançado pela Black Forest Labs, que adota uma arquitetura multimodal unificada com treinamento conjunto de imagem, vídeo, áudio e movimento, suportando três tipos de tarefas: texto para vídeo, imagem para vídeo e continuação de vídeo, além de gerar simultaneamente áudio nativo sincronizado com a imagem. Desenvolvedores podem chamá-lo pela interface unificada do HiAPI.ai para produzir clipes de 5 a 20 segundos em 720p ou 1080p. É adequado para equipes de publicidade e vídeos curtos que precisam produzir rapidamente materiais comerciais com som, bem como para criadores de pré-produção audiovisual que fazem extensão de planos e ensaios de controle de quadros-chave.

Destaques principais

• Três tipos de tarefas de vídeo compartilham o mesmo conjunto de parâmetros — o mesmo modelo cobre simultaneamente texto para vídeo, imagem para vídeo e continuação de vídeo, sem necessidade de trocar a forma de integração ou reconstruir o fluxo de trabalho ao alternar entre tarefas.
• Geração sincronizada de imagem e áudio nativo — por padrão, sons ambientes, diálogos e efeitos sonoros são gerados junto com a imagem, eliminando etapas separadas de dublagem e sincronização; pode ser desativado para obter clipes silenciosos.
• Múltiplas imagens formando storyboard ou quadros-chave — 1 imagem define o primeiro quadro, 2 imagens definem primeiro e último quadros, e de 3 a 10 imagens compõem um storyboard em linha do tempo uniforme, facilitando o controle do ritmo dos planos.
• Modo rascunho para testes de baixo custo — ao ativar o rascunho, obtém-se uma prévia em 720p com maior velocidade e menor custo, usada para validar prompts e composição antes da versão final.

Descrição das capacidades

Texto para vídeo: gera um clipe completo apenas com prompt de texto; o prompt é analisado e expandido antes da geração, ideal para construir planos do zero sem material de referência.

Imagem para vídeo e controle de quadros-chave: envie de 1 a 10 imagens para orientar o movimento: uma única imagem define o primeiro quadro, duas definem primeiro e último quadros, e múltiplas imagens compõem um storyboard em linha do tempo uniforme, permitindo controle preciso do início, fim e ritmo dos planos.

Continuação de vídeo: aceita um MP4 de até 15 segundos e 50 MB, continuando a geração a partir do quadro final, usado para estender clipes existentes ou fazer emenda de planos; esse parâmetro é mutuamente exclusivo com a entrada de imagens.

Duração e resolução controláveis: a duração do clipe é de 5 a 20 segundos, com resolução selecionável entre 720p e 1080p, e a proporção de tela suporta oito predefinições de 21:9 a 9:16, além de auto para seleção automática.

Geração de áudio nativo: por padrão, gera sons ambientes, diálogos e efeitos sonoros sincronizados com a imagem; ao desativar, produz clipes silenciosos, facilitando trilha sonora ou dublagem separadas na pós-produção.

Cenários de aplicação

• Equipes de publicidade e marca: gerar clipe promocional a partir de uma única imagem de produto — envie a imagem do produto e descreva o movimento de câmera para produzir material de 5 a 20 segundos com som ambiente, usado diretamente em anúncios em redes sociais ou na tela inicial do site.
• Criadores de pré-produção audiovisual: ensaio de planos com quadros-chave — use de 2 a 10 imagens de storyboard para fixar o ritmo e produzir clipes de pré-visualização dinâmica, para que diretor e fotógrafo confirmem movimentos de câmera e pontos de corte.
• Operação de vídeos curtos: extensão de planos a partir de material existente — envie um MP4 de até 15 segundos e continue a partir do final para produzir trechos mais longos, reduzindo regravações e captações adicionais.
• Marketing multilíngue: material localizado com sincronia labial — especifique idioma e diálogo no prompt para produzir curtas localizados com áudio e imagem sincronizados, usados em versões de anúncios para diferentes regiões.

Limitações e recomendações de escolha

O limite de duração por geração é de 20 segundos; conteúdos mais longos precisam ser gerados em segmentos e unidos por continuação de vídeo; a cobrança é por segundos de saída, e clipes longos ou regerações repetidas elevam o custo. O áudio nativo é gerado sincronizado com a imagem, com espaço limitado para ajustes independentes da faixa na pós-produção; quando for necessário mixagem refinada, recomenda-se desativar o áudio e produzi-lo separadamente. Os parâmetros de entrada de imagem e de continuação de vídeo são mutuamente exclusivos e não podem ser usados na mesma requisição; o modo rascunho é limitado a 720p. Se a tarefa exigir planos contínuos com mais de 20 segundos ou controle de áudio quadro a quadro preciso, deve-se avaliar soluções de geração em segmentos com emenda ou outras ferramentas especializadas.