Black Forest Labs lanza FLUX 3: vídeo de hasta 20 segundos con sonido desde un solo modelo

Black Forest Labs lanzó el 26 de julio de 2026 FLUX 3, un modelo multimodal de tipo flow que, con un único conjunto de pesos, genera imágenes, vídeo de hasta 20 segundos con sonido nativo y audio, y predice acciones de un robot. Es el primer modelo de la familia FLUX en el que el vídeo, el sonido y la predicción de acciones salen de una arquitectura común.

Qué puede hacer FLUX 3 Video

FLUX 3 Video crea clips de hasta 20 segundos en una sola generación, y ya con sonido. Según Black Forest Labs, el modelo admite cinco modos: text-to-video, image-to-video, video-to-video a partir de una referencia, keyframe-to-video para transiciones controladas y continuación de vídeo-audio a partir de un clip de entrada.

La compañía destaca además los diálogos multilingües, el montaje de varios clips en una secuencia multiescena unificada y la generación de tipografía animada. El equipo de BFL afirma que el modelo reproduce con solidez la expresión facial humana y sincroniza con precisión el sonido con los eventos físicos: un golpe en pantalla coincide con el sonido del golpe.

• Lanzamiento: 26 de julio de 2026
• Vídeo de hasta 20 segundos con sonido nativo en una sola generación
• Cinco modos: text/image/video/keyframe-to-video y continuación de vídeo-audio
• FLUX-mimic: la política del robot responde en menos de 80 ms con una sola RTX 5090
• Acceso escalonado: Video y Action en acceso anticipado, Image más tarde y los pesos abiertos en último lugar

Cómo está construido el modelo

FLUX 3 se basa en Self-Flow, un método de Black Forest Labs que combina flow matching con reconstrucción autosupervisada de características en una misma arquitectura. La compañía presentó Self-Flow en marzo de 2026; la novedad ahora es la escala: según BFL, el cómputo y el volumen de datos se han aumentado «de forma significativa», y el modelo se ha entrenado con vídeo, imágenes y sonido a la vez.

El reparto de recursos es desigual: según Black Forest Labs, la predicción de vídeo consume más del 95% del cómputo de entrenamiento, mientras que el audio representa menos del 0,5% de los tokens. La idea es que las modalidades se limitan entre sí durante el entrenamiento.

«Ninguna modalidad por sí sola ofrece una descripción completa del mundo», formula su principio el equipo de investigación de

Black Forest Labs.

Cuánto supera FLUX 3 a la competencia

En una prueba preliminar de preferencias humanas, FLUX 3 se impuso a la mayoría de sus rivales. Se compararon vídeos text-to-video de 10 segundos en 720p con sonido.

• Luma Ray 3.2: FLUX 3 fue preferido en el 93% de las comparaciones
• Runway Gen-4.5: en el 77%
• Grok Imagine Video: hasta el 69%; Kling v3 Pro: 60%
• Seedance 2.0 y Gemini Omni Flash: 52%, casi como lanzar una moneda al aire

El mismo backbone controla FLUX-mimic, una política de robot que, según BFL, funciona en menos de 80 ms con una sola tarjeta gráfica RTX 5090. Esto demuestra que un modelo multimodal sirve no solo para generar contenido, sino también para controlar acciones físicas.

Qué significa

FLUX 3 es una apuesta por un modelo fundacional único, en el que la generación de imágenes, el vídeo con sonido y el control de robots crecen a partir de los mismos pesos. El acceso, por ahora, es limitado: Video y Action están en acceso anticipado, Image llegará más tarde y Black Forest Labs promete publicar los pesos abiertos en último lugar.

Preguntas frecuentes

¿Qué es FLUX 3?

FLUX 3 es un modelo multimodal de tipo flow de Black Forest Labs, entrenado simultáneamente con imágenes, vídeo y sonido. Con un único conjunto de pesos genera imágenes, vídeo de hasta 20 segundos con audio nativo y predice acciones de un robot.

¿Cuándo se publicarán los pesos abiertos de FLUX 3?

No hay una fecha concreta. El acceso es escalonado: primero Video y Action en acceso anticipado, después Image, y Black Forest Labs prevé publicar los pesos abiertos en último lugar.

¿Con qué funciona el robot basado en FLUX 3?

Con FLUX-mimic, una política de robot sobre el mismo backbone. Según Black Forest Labs, responde en menos de 80 ms con una sola tarjeta gráfica NVIDIA RTX 5090.