Flux 3がネイティブ音声に対応 — 動画戦争でついにKlingに勝てるのか?
black forest labsがflux 3をリリース。最大20秒のネイティブ音声付き動画を生成するマルチモーダルモデルで、内部テストではlumaやrunwayを上回る性能を示した。ロボティクスと映像生成を同時に扱う統合ワールドモデルをめぐる競争が加速する。
Black Forest Labsは、画像、ビデオ、オーディオを同時に学習してネイティブサウンド付きの20秒クリップを生成するマルチモーダル基盤モデルであるFlux 3をリリースした。 10秒720pクリップを使用した内部評価では、モデルはLuma Ray 3.2（93％の比較で勝利）やRunway Gen-4.5（77％で勝利）などのライバルを大幅に上回り、Kling V3 Proに対してはわずかに優位であった（60％）。 コンテンツ生成を超えて、BFLは、現在Audiで生産テスト中のアクションモデル拡張であるFlux-Mimicを導入し、ビデオ理解に基づいてロボットの動きを予測する。 このアーキテクチャは、専用のエンコーダーとデコーダーを活用して現実の共有表現を作成し、DeepMindや他のトップラボによる「ワールドモデル」への取り組みと競合するべく、知覚、予測、アクションを単一のシステムで統合することを目指している。