Black Forest Labs bringt FLUX 3 auf den Markt, das erste Videomodell mit Native Audio Output

Black Forest Labs hat heute FLUX 3 veröffentlicht – der erste Vorstoß des in Freiburg ansässigen KI-Labors in die Videogenerierung. Das Modell produziert Videoclips von bis zu 20 Sekunden mit synchronisiertem, nativem Audio Output – beides wird gemeinsam aus einer einzigen Prompt mithilfe einer einheitlichen Architektur generiert, anstatt separate Bild- und Audiomodelle über eine gemeinsame API zu routen.

Der Unterschied ist wichtig. Die meisten aktuellen Videogenerierungsprodukte sind Zusammensetzungen: ein Text Encoder, ein Video Diffusionsmodell und ein separates Audiomodell, die zusammengenäht werden. FLUX 3 basiert auf Self-Flow, BFLs Architektur für gleichzeitiges Training über Bilder, Video und Audio hinweg, sodass das Modell eine gemeinsame Repräsentation von räumlicher Struktur, Bewegungsphysik und akustischer Kausalität entwickelt. Laut Unternehmen ist es genau dieses gemeinsame Trainingssignal, das es denselben Gewichten ermöglicht, sowohl einen fotorealistischen Filmclip als auch eine Manipulationsaufgabe in einem Roboterarm zu steuern.

Was heute ausgeliefert wird

FLUX 3 startet in vier Produktlinien. FLUX 3 Video und FLUX 3 Action treten heute in ein geschlossenes Early Access Programm ein. FLUX 3 Image wird in den kommenden Wochen öffentlich ausgerollt. FLUX 3 Dev, eine Open Weight Version des multimodalen Backbones, ist für später in diesem Jahr angekündigt, hat aber noch kein bestätigtes Datum.

FLUX 3 Video unterstützt Text-to-Video, Image-to-Video, Video-to-Video Style Transfer, Keyframe-gesteuerte Übergänge, mehrsprachige Dialoggenerierung und agentisches Verketten einzelner Clips zu längeren Sequenzen. Alle Video Outputs enthalten natives Audio. FLUX 3 Action erweitert dieselbe Architektur auf robotische Wahrnehmung und physische Steuerung.

Benchmark Ergebnisse, mit Einschränkungen

BFL veröffentlichte vorläufige Präferenzbewertungen für FLUX 3 Video gegen sieben Wettbewerber auf 10-sekündigen 720p Text-to-Video Clips. FLUX 3 wurde in 93% der Vergleiche gegenüber Luma Ray 3.2 bevorzugt, gegenüber Runway Gen-4.5 in 77%, Grok Imagine Video in 69%, Kling v3 Pro in 60%, Happy Horse v1 in 59% sowie Seedance 2.0 und Google Gemini Omni Flash jeweils in 52%.

BFL bezeichnet diese Ergebnisse als vorläufige Bewertung eines frühen Kandidaten. Die vollständige Methodik und Benchmark Tabellen werden zur allgemeinen Verfügbarkeit versprochen. Die beiden knappsten Vergleiche – 52% gegen Seedance 2.0 (dessen internationaler Rollout aufgrund von Urheberrechtsstreitigkeiten ausgesetzt ist) und Gemini Omni Flash – sind für westliche Unternehmenskäufer am aussagekräftigsten.

Was fehlt

Zum Start gibt es keine öffentliche API und keine Preisangaben. BFL hat keine herunterladbaren Gewichte veröffentlicht. FLUX 3 Dev ist das letzte in BFLs Rollout Sequenz und kommt erst, nachdem Image die allgemeine Verfügbarkeit erreicht hat. Diese Reihenfolge weicht von den FLUX 1.x Veröffentlichungen ab, bei denen Open Weights zusammen mit dem kommerziellen Zugang kamen und eine breite Adoption durch Dritte bewirkten.

Warum es wichtig ist

FLUX 1.x wurde zum Standard Open Weight Backbone für die Bildgenerierung eines großen Teils der Verbraucher- und Entwickler KI Produkte in den Jahren 2024 und 2025. Ein glaubwürdiger multimodaler Nachfolger, der schließlich Open Weights ausliefert, würde diese Reichweite auf Video und Robotik ausdehnen. Bewerbungen für den FLUX 3 Video Early Access sind unter bfl.ai möglich. Die allgemeine Verfügbarkeit von FLUX 3 Image wird in den kommenden Wochen erwartet, wie zuerst von VentureBeat berichtet.