Black Forest Labs lança o FLUX 3: vídeos de até 20 segundos com som a partir de um único modelo

A Black Forest Labs lançou em 26 de julho de 2026 o FLUX 3, um modelo multimodal baseado em flow que, a partir de um único conjunto de pesos, gera imagens, vídeos de até 20 segundos com som nativo, áudio e também prevê ações de um robô. É o primeiro modelo da família FLUX em que vídeo, som e previsão de ações saem de uma arquitetura comum.

O que o FLUX 3 Video faz

O FLUX 3 Video cria clipes de até 20 segundos em uma única geração, já com som. Segundo a Black Forest Labs, o modelo oferece cinco modos: text-to-video, image-to-video, video-to-video a partir de uma referência, keyframe-to-video para transições controladas e continuação de vídeo e áudio a partir de um clipe de entrada.

A empresa destaca ainda diálogos multilíngues, a montagem de vários clipes em uma sequência multicena única e a geração de tipografia animada. A equipe da BFL afirma que o modelo tem forte desempenho na expressão facial humana e sincroniza com precisão o som a eventos físicos: um impacto em cena coincide com o som do impacto.

• Lançamento em 26 de julho de 2026
• Vídeo de até 20 segundos com som nativo em uma única geração
• Cinco modos: text/image/video/keyframe-to-video e continuação de vídeo e áudio
• FLUX-mimic: a política do robô roda em menos de 80 ms em uma única RTX 5090
• Acesso em etapas: Video e Action em early access, Image depois e os pesos abertos por último

Como o modelo funciona

O FLUX 3 é construído sobre o Self-Flow, método da Black Forest Labs que combina flow matching com reconstrução autossupervisionada de características em uma única arquitetura. A empresa apresentou o Self-Flow em março de 2026; a novidade agora é a escala: segundo a BFL, o poder computacional e o volume de dados foram "ampliados significativamente", com o modelo treinado em vídeo, imagens e som ao mesmo tempo.

A distribuição de recursos é desigual: de acordo com a Black Forest Labs, a previsão de vídeo consome mais de 95% do compute de treinamento, enquanto o áudio fica com menos de 0,5% dos tokens. A ideia é que as modalidades se restrinjam mutuamente durante o treinamento.

"Nenhuma modalidade isolada oferece uma descrição completa do mundo", resume a equipe de pesquisa da

Black Forest Labs ao formular seu princípio.

Quanto o FLUX 3 supera a concorrência

Em um teste preliminar de preferência humana, o FLUX 3 superou a maioria dos rivais. Foram comparados vídeos text-to-video de 10 segundos, em 720p e com som.

• Luma Ray 3.2: o FLUX 3 foi preferido em 93% das comparações
• Runway Gen-4.5: em 77%
• Grok Imagine Video: até 69%; Kling v3 Pro: 60%
• Seedance 2.0 e Gemini Omni Flash: 52%, quase um cara ou coroa

O mesmo backbone controla o FLUX-mimic, uma política de robô que, segundo a BFL, roda em menos de 80 ms em uma única placa de vídeo RTX 5090. Isso mostra que um modelo multimodal pode ser aplicado não só à geração de mídia, mas também ao controle de ações físicas.

O que isso significa

O FLUX 3 é uma aposta em um modelo de fundação único, em que a geração de imagens, de vídeo com som e o controle de robôs partem dos mesmos pesos. O acesso, por enquanto, é limitado: Video e Action estão em early access, o Image sai mais tarde, e a Black Forest Labs promete publicar os pesos abertos por último.

Perguntas frequentes

O que é o FLUX 3?

O FLUX 3 é o modelo multimodal baseado em flow da Black Forest Labs, treinado simultaneamente com imagens, vídeo e som. A partir de um único conjunto de pesos, ele gera imagens, vídeos de até 20 segundos com áudio nativo e prevê ações de um robô.

Quando os pesos abertos do FLUX 3 serão publicados?

Não há data definida. O acesso acontece em etapas: primeiro Video e Action em early access, depois Image, e a Black Forest Labs planeja publicar os pesos abertos por último.

Em que hardware roda o robô baseado no FLUX 3?

No FLUX-mimic, uma política de robô construída sobre o mesmo backbone. Segundo a Black Forest Labs, ela responde em menos de 80 ms em uma única placa de vídeo NVIDIA RTX 5090.