FLUX 3 réunit l’image, la vidéo, l’audio et les actions robotiques dans un seul modèle

Black Forest Labs a lancé FLUX 3 le 23 juillet, et le bond en avant est plus important que ne le laisse penser le numéro de version. Le laboratoire de Fribourg s’est fait connaître grâce à FLUX, les modèles d’image qui génèrent des créations dans Photoshop, Canva, Picsart et, plus près de nous, dans Cinevva pour tous ceux qui choisissent le fournisseur Flux. Avec FLUX 3, l’entreprise propose de la vidéo pour la première fois, mais sans lancer de modèle vidéo séparé. Elle entraîne un même ensemble de poids simultanément sur des images, de la vidéo et de l’audio, puis étend cette architecture commune à la prédiction d’actions robotiques. Un modèle, quatre types de sorties.

Un premier aperçu de ce que génère FLUX 3 Video

Une seule architecture, pas quatre produits assemblés

La proposition repose sur une idée de recherche que BFL appelle Self-Flow : au lieu d’apprendre séparément la génération d’images, de vidéos et d’audio, il s’agit d’apprendre une représentation unique du fonctionnement du monde. Une image est une tranche d’espace à un instant donné. La vidéo y ajoute le temps et le mouvement. L’audio porte le lien de causalité entre un impact et le son qu’il produit. En entraînant le modèle sur tous ces éléments à la fois, les contraintes se renforcent mutuellement : le son doit correspondre au mouvement, et le mouvement doit respecter les lois de la physique. La surprise de ce lancement tient au fait que la prédiction d’actions a émergé de la même architecture sans dégrader la qualité vidéo. C’est pourquoi FLUX 3 peut piloter un bras robotisé et générer un clip musical avec les mêmes poids.

Concrètement, la vidéo

FLUX 3 Video crée en un seul passage des séquences pouvant atteindre 20 secondes, avec un audio natif généré en même temps que l’image, dialogues, effets sonores et bruits ambiants compris. Cette durée égale celle de Sora d’OpenAI, désormais fermé et dépasse la plupart des modèles actuels. Il prend en charge la génération de texte en vidéo, d’image en vidéo et de vidéo en vidéo, les transitions entre images clés, les dialogues multilingues et l’enchaînement agentique de clips en séquences à plusieurs plans. Lors des premiers tests internes de BFL sur des clips de 10 secondes en 720p, les évaluateurs l’ont préféré à Luma Ray 3.2 dans 93 % des comparaisons et à Runway Gen-4.5 dans 77 % des cas. Face aux concurrents les plus performants, l’écart se réduit à un pile ou face : 52 % de préférence face à Seedance 2.0 de ByteDance comme à Gemini Omni Flash de Google. Il s’agit des propres chiffres préliminaires du laboratoire : considérez-les donc comme une affirmation, et non comme un verdict.

Le problème, c’est l’accès. FLUX 3 Video est proposé en accès anticipé restreint via l’API et des poids privés ; il faut déposer une candidature et être accepté. FLUX 3 Action est réservé aux partenaires et fait déjà l’objet de tests sur une véritable ligne de production Audi par l’intermédiaire de la jeune pousse de robotique mimic. FLUX 3 Image, la version que la plupart des designers attendent réellement, arrivera dans les prochaines semaines. Quant à l’architecture FLUX 3 Dev à poids ouverts, celle qui intéresse les adeptes de l’inférence locale, elle n’est pas prévue avant plus tard en 2026.

Pourquoi le virage multimodal d’un laboratoire d’image nous concerne

Nous suivons BFL de près, car Cinevva s’appuie déjà sur ses travaux. Lorsque l’un des deux laboratoires dont les modèles d’image sont intégrés aux plus grands outils créatifs du monde décide que son avenir passe par un modèle unifié de vidéo, d’audio et d’action, cela indique la direction prise par l’ensemble de la chaîne de création, pas seulement l’arrivée d’un nouveau jouet. La frontière entre « générer une image », « générer une séquence » et « simuler un monde dans lequel on peut agir » se fond dans un seul modèle. C’est la même convergence que nous avions relevée, depuis une autre direction, avec le modèle de monde MIRA.

Pour les créateurs, la conclusion pratique reste la même. Un meilleur modèle vidéo, plus long et doté d’un audio natif, réduit encore le coût du premier jet, comme l’ont fait Seedance, Kling et Gemini avant lui. Mais il ne change rien à ce qui a toujours été difficile : savoir ce qui mérite d’être créé, puis retravailler une séquence générée jusqu’à obtenir quelque chose que les gens veulent réellement regarder ou auquel ils souhaitent jouer. C’est autour de cette boucle que nous continuons à construire, du prompt au partage, en passant par le remix et la publication sur le web ouvert. FLUX 3 rend la matière première moins chère et meilleure. Transformer cette matière en un jeu ou une histoire qui compte pour le public reste le véritable travail.

Références

• Black Forest Labs : FLUX 3, des modèles du monde réel
• VentureBeat : Black Forest Labs lance FLUX 3
• Decrypt : FLUX 3 abandonne les images fixes au profit de la vidéo et des mains robotiques
• The Decoder : Flux 3 génère des vidéos avec audio natif pouvant atteindre 20 secondes
• Communiqué de presse de Black Forest Labs (GlobeNewswire)