Text-to-Video / Native Audio
動画に、初めて
「音」が同時に生まれた。
画像生成専業だったBlack Forest Labsが、動画と音声を同時に生む「FLUX 3 Video」を一般公開した。同社の予備評価では、Seedance 2.0とGemini Omni Flashに対する選好率が52%——僅差で上回ったと主張している。
The Launch
「画像専業」を自ら破った
FLUX 3 Videoが、BFL初のネイティブ音声付き動画生成として一般提供へ。
ドイツのBlack Forest Labsは公式ブログで、「FLUX 3 Video」を一般提供すると発表した。画面上の映像と同期した音声を、映像と同時に生成できるのは同社として初めてで、生成できる長さは最長20秒。THE DECODERの報道は、これをBFLにとって「ネイティブ音声つき動画としては初」の節目と位置づけている。
これまでBFLは静止画生成モデル「FLUX」シリーズで評価を築いてきたが、動画分野はSora 2・Runway Gen-4・Veo・Kling AIといった先行勢の独壇場だった。今回のFLUX 3 Videoは、画像・動画・音声を横断して学習したマルチモーダル基盤モデルという位置づけで、単に動画に参入しただけでなく、音の同時生成という他社があまり踏み込んでいない領域を主戦場に選んだ点が特徴的だ。
By The Numbers
「僅差の勝利」を数字で見る
52%という数字は、裏を返せば約半数の比較では他モデルが選ばれたという意味でもある。BFL自身もこの評価が予備的なもので、独立した第三者検証はまだ無いと明記している。過信は禁物だが、表情の再現、音と映像イベントの対応、多言語対応の面で強みがあるとBFLは説明している。
The Landscape
動画生成の勢力図はどう変わるか
| FLUX 3 Video | 既存の主要プレイヤー |
|---|---|
| 映像と音声を同時・同期生成 | Sora 2 / Runway Gen-4 / Veo / Klingは映像主体 |
| 最長20秒、複数シーンで数分まで一貫性維持 | 各社ごとに尺・一貫性の仕様が異なる |
| Dev版は将来オープンウェイト予定 | 主要勢はクローズド運用が中心 |
公式ブログはFLUX 3 Videoの強みとして、表情の再現精度・効果音と映像イベントの対応関係・多言語対応の3点を挙げている。特に「参照画像を渡すと、複数シーンにまたがってもキャラクターの見た目を一貫させたまま数分規模の連続映像を作れる」という説明は、広告や短編映像で人物の同一性を保ちたい制作現場のニーズに直結する主張だ。
Who It Hits
誰に、どう効くか
デザイナー・映像制作者
これまで別ツールで足していた効果音・環境音の後付け工程が、生成の1パスで済む可能性がある。ただし品質検証は必須。
マーケター
短尺の広告・SNS動画で、台詞や環境音まで一括生成できれば制作リードタイムを縮められる。多言語対応は海外展開との相性も良い。
PM・選定担当
比較候補が1つ増えたという整理でよい。BFLの主張数値は独立検証待ちのため、導入判断は自社データでのA/Bテストを挟むのが無難。
What's Next
次に来るもの、割り引いて読むべき点
短期の見通しとして、BFLは「今後数週間以内」にFLUX 3 Image（静止画版）を投入し、2026年内にオープンウェイト版「FLUX 3 Dev」を計画していると公表している。推奨アクションは、まず自社のユースケース（尺・言語・キャラクター一貫性の要件）でSeedance 2.0や既存ツールと並べて試すこと。BFLの52%という数字を鵜呑みにせず、自分たちの素材で確かめるのが最も確実だ。
反対視点・リスクとしては、52%という選好率自体がBFLの内部評価であり、比較対象・評価者・プロンプトの設計次第で結果は変わりうる。独立した第三者ベンチマークが出るまでは「僅差でリードを主張している」程度に受け止めるのが妥当だ。またFLUX 3 Videoは現時点で限定的な一般提供であり、Image版・Dev版の投入時期も「数週間以内」「2026年内」という幅のある表現にとどまっている。動画生成の主戦場にはSora 2・Runway Gen-4・Veo・Kling AIという実績あるプレイヤーが既におり、BFLが実際に市場シェアを動かせるかは今後の実運用評価にかかっている。画像生成では確立した地位を持つBFLだが、動画・音声という新領域では「後発」であることに変わりはなく、今回の一般公開は実力を証明する最初の関門にすぎない。