黑森林实验室发布Flux3 原生多模态模型实现20秒音画同步生成

AI创作导航管理员 LV4 资深连续登录30天萌新

2 个月前

风向

1460

2026年7月24日，德国AI初创企业黑森林实验室正式发布多模态基础模型Flux3，该模型基于自研Self-Flow架构打造，是全球首个支持原生音频生成的多模态基础模型，可一次性生成20秒音画同步内容，在720p分辨率10秒片段生成测试中，对Luma Ray3.2、Runway Gen-4.5的胜率分别达93%、77%，性能领跑全球同类型产品。

长期以来，AI生成音视频内容始终存在“音视分离”的痛点：大部分模型仅支持视频生成，用户输出视频后还需单独匹配音频素材、手动校对时间轴，不仅拉长了内容生产流程，还经常出现口型错位、音效与画面动作不匹配等问题，大幅拉低了生成内容的可用度。

Flux3的核心突破，在于首次将音频生成能力整合进多模态模型的原生底座中，而非采用此前行业普遍的“视频模型+音频模型拼接”的方案。

其搭载的Self-Flow架构同时配备了专用的图像、视频、音频及动作编解码器，实现了对物理世界与数字环境的统一理解与生成，输出内容时无需经过跨模型对齐，从根源上解决了音画不同步的问题。

目前Flux3可支持文本、图像、视频转视频，基于关键帧的转场，以及多角色对话生成等多种能力，单次即可输出最长20秒的音视频同步片段，无需额外后期加工。

从早期公开的盲测数据来看，Flux3的生成质量已经超过当前市面主流的多模态生成产品。在720p分辨率、10秒片段的测试设置下，Flux3对Luma Ray3.2的胜率达到93%，对Runway Gen-4.5的胜率也达到77%，测试维度涵盖画面流畅度、音画同步度、内容与prompt匹配度三个核心指标。

不少内容创作者已经在测试中尝试使用Flux3生产短视频素材、动画分镜、产品宣传片等内容，原本需要数小时完成的音视频初稿，现在仅需十几秒即可生成，内容生产效率提升超80%。

Flux3的发布也为多模态大模型的发展指明了新的路径。过去行业的多模态产品大多为不同模态模型的“组合式”方案，不同模态的理解与生成逻辑彼此独立，很难实现深度协同。

而原生融合的多模态基础模型，将不同模态的感知、生成能力整合到同一底座中，未来还可进一步拓展动作捕捉、3D生成、甚至触觉信号模拟等更多能力，最终实现对真实世界的全方位复刻与创作。

多模态大模型音视频生成人工智能黑森林实验室 Flux3

本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。