FLUX 3 est le modèle de fondation multimodal de Black Forest Labs: une seule architecture entraînée conjointement sur l'image, la vidéo et l'audio, qui génère les trois depuis les mêmes poids. Un clip peut durer jusqu'à 20 secondes, bande-son comprise, avec dialogues multilingues et synchronisation labiale. La facturation se fait à la seconde de vidéo générée, sans abonnement, via l'API et le playground du laboratoire allemand. Le même socle sert aussi à prédire des actions de robots, à l'essai sur des tâches de production chez Audi.
FLUX 3 Video génère des clips jusqu'à 20 secondes en une passe, en HD ou en Full HD, avec une bande-son facultative créée en même temps que les images: dialogues synchronisés sur les lèvres, effets sonores, ambiances. Le modèle accepte un texte, une image de départ, une vidéo à prolonger ou des images-clés pour piloter des transitions.
En pratique, vous décrivez un plan aérien sur une ville sous la pluie et le fichier arrive avec le mouvement de caméra, le crachin et le bourdonnement de la circulation déjà mixés. Le rendu ne se cantonne pas au cinématographique: caméscope familial, animation, typographie animée, le modèle change de registre sur consigne. Face aux autres modèles de texte en vidéo, son argument tient dans ce son natif livré sans supplément.
Black Forest Labs déploie FLUX 3 capacité par capacité, toutes issues du même modèle de fondation. La vidéo est sortie la première, d'abord en accès anticipé puis en disponibilité générale via l'API; l'image et une déclinaison Dev à poids ouverts suivent, chacune après sa phase de tests.
La partie la plus inattendue s'appelle FLUX-mimic. Ce modèle vidéo-action, co-développé avec mimic robotics, pilote des manipulations de robots en moins de 80 ms sur une seule RTX 5090, et Audi l'éprouve sur de vraies tâches d'usine. La vidéo générée et le bras robotisé sortent du même cerveau, c'est toute la thèse du laboratoire.
| Capacité | Ce qu'elle produit | Où elle en est |
|---|---|---|
| FLUX 3 Video | Clips jusqu'à 20 s avec audio natif | Disponible via l'API et des partenaires |
| FLUX 3 Image | Génération et retouche d'images, texte multilingue | Annoncée, déploiement à venir |
| FLUX 3 Dev | Poids ouverts à télécharger | Prévue dans un second temps |
| FLUX-mimic | Prédiction d'actions pour robots | En test chez des partenaires, dont Audi |
FLUX 3 se paie à l'usage, sans abonnement ni licence par poste: 1 crédit vaut 0,01 $ et chaque vidéo se facture à la seconde générée, selon la durée, la résolution (HD ou FHD) et le type de rendu. Le mode brouillon, limité au HD, revient à environ un tiers d'un rendu complet, de quoi explorer des variantes avant de payer le plan définitif.
Le tarif reste identique entre le playground et l'API (détail appréciable: aucun surcoût ne se glisse entre vos essais et la production). Pour les montants précis par seconde, la grille publiée sur bfl.ai fait foi, elle bouge au rythme du déploiement.
Non, FLUX 3 se facture à l'usage via un système de crédits, sans formule gratuite permanente. Aucun abonnement n'est demandé: vous payez la durée de vidéo réellement générée, l'audio étant inclus sans supplément. Une déclinaison Dev à poids ouverts a été annoncée pour plus tard, elle permettra de faire tourner le modèle sur votre propre machine.
Les seuls chiffres disponibles viennent de Black Forest Labs: dans ses tests de préférence humaine sur des clips de 10 secondes en 720p, FLUX 3 l'emporte à 93 % face à Luma Ray 3.2, 77 % face à Runway Gen-4.5 et 60 % face à Kling v3 Pro, avec un quasi match nul contre Seedance 2.0. Des résultats préliminaires, menés par l'éditeur, à confirmer par des tests indépendants.
Le calendrier annoncé place FLUX 3 Image après la vidéo, puis une version Dev à poids ouverts en dernier. Aucune date ferme n'a été publiée: chaque capacité traverse une phase d'accès anticipé avec tests de sécurité avant ouverture générale. La vidéo, elle, est déjà accessible par l'API.
Oui, les paliers de résolution de FLUX 3 dépendent du nombre total de pixels par image, pas du format: un clip vertical se traite comme un clip 16:9 équivalent. Le HD correspond à environ 1 mégapixel par image, le FHD à 2 mégapixels, et le mode brouillon reste cantonné au HD.
Verdict : Vingt secondes sonorisées en une passe: l'argument parle aux studios de pub, aux réalisateurs indépendants et aux équipes qui fabriquent des maquettes vidéo, pendant que les développeurs guettent la version Dev à poids ouverts pour ramener le modèle sur leurs machines.
