โมเดลเดียว เจนภาพ วิดีโอ เสียง พร้อมกันในการรันครั้งเดียว

จุดต่างของ FLUX 3 คือสถาปัตยกรรมรวมที่เรียนรู้โครงสร้างภาพ การเคลื่อนไหว เสียง และปฏิสัมพันธ์ทางฟิสิกส์ไปพร้อมกัน แทนที่จะแยกโมเดลทำทีละอย่างแบบเดิม FLUX 3 Video เจนคลิปยาวได้สูงสุด 20 วินาที พร้อมเสียงซิงค์ในตัว — ทั้งบทพูด เสียงเอฟเฟกต์ และเสียงบรรยากาศ — โดยเสียงมาจาก flow-matching framework เดียวกับที่สร้างเฟรมวิดีโอ ไม่ใช่การแปะเสียงทีหลัง ผลทดสอบแบบ blind test ที่ Black Forest Labs เผยแพร่ระบุว่าผู้ทดสอบเลือก FLUX 3 เหนือ Runway Gen-4.5 ถึง 77% เหนือ Luma Ray 3.2 ถึง 93% และเหนือ Gemini Omni กับ Seedance ที่ 52% ส่วนฝั่งภาพนิ่งจะตามมาในอีกไม่กี่สัปดาห์ เน้นการทำตามพรอมต์ซับซ้อนและเรนเดอร์ตัวหนังสือหลายภาษาแม่นขึ้น ตอนนี้เปิด early access เฉพาะวิดีโอและ action ผ่าน API และพาร์ตเนอร์ที่เลือกไว้เท่านั้น ส่วนเวอร์ชันโอเพนเวทชื่อ "Dev" จะตามมาช่วงปลายปี 2026

ไปไกลกว่าคอนเทนต์ — ต่อยอดเป็น FLUX-mimic ควบคุมหุ่นยนต์

backbone เดียวกันที่ทำนายการเคลื่อนไหวในวิดีโอ ถูกนำไปพัฒนาเป็น FLUX-mimic ผ่านความร่วมมือกับ Mimic Robotics AG แปลงสิ่งที่โมเดลทำนายในวิดีโอให้กลายเป็นคำสั่งควบคุมแขนกลจริง ปัจจุบันอยู่ระหว่างทดสอบกับ Audi สำหรับงานที่ต้องการความละเอียดสูงอย่างการติดตั้งยางขอบประตูรถที่มีลักษณะยืดหยุ่นไม่คงรูป โดยระบบตอบสนองไวถึงราว 101 มิลลิวินาที สะท้อนว่า Black Forest Labs มองโมเดลนี้ไกลกว่าการเจนคอนเทนต์อย่างเดียว แต่เป็นรากฐานของ "physical AI" ที่เข้าใจโลกจริงผ่านวิดีโอ

มุมมองของเรา

สิ่งที่น่าสนใจที่สุดสำหรับงานวิดีโอโปรดักชันคือการเจนภาพ-วิดีโอ-เสียงในการรันเดียวแบบซิงค์กันตั้งแต่ต้น ไม่ต้องมาไล่แมทช์เสียงพากย์กับภาพปากทีหลังเหมือนเวิร์กโฟลว์เดิม ยิ่งตอกย้ำทิศทางที่ตลาด AI video กำลังไป — โมเดลแข่งกันที่ความแม่นของ sync และคุณภาพเสียงพอๆ กับความสวยของภาพ แต่ผลเบนช์มาร์กเหนือ Runway หรือ Luma ก็ยังเป็นแค่ตัวเลขจากการทดสอบของบริษัทเอง ไม่ได้แปลว่าจะสวยตรงบรีฟลูกค้าทุกครั้ง ทีม production ยังต้องคัดโมเดลให้ตรงงาน คุมทิศทางครีเอทีฟ และรีวิวคุณภาพก่อนส่งจริงเสมอ — นี่คือเหตุผลที่ All-In AI Labs ออกแบบเวิร์กโฟลว์เป็น pipeline ที่สลับโมเดลได้ตามความเหมาะสมของงาน พร้อมด่าน QA ของทีมงานจริงทุกขั้น ไม่ได้ยึดติดกับโมเดลเดียว