德国一家AI初创公司黑森林实验室，今天扔出一枚重磅炸弹：他们发布了多模态模型Flux3，能一次性生成20秒带声音的视频。你没看错，不是先出画面再后期配音，而是画面和声音一起出，张嘴就对上口型。
这打破了过去AI视频的“哑巴”困境。以前的文生视频模型，哪怕画面再逼真，声音要么得单独生成再拼接，要么干脆没有。Flux3直接把音频编解码器融进模型，理解剧本后，一口气输出20秒音视频片段，人物说话、环境音效、背景音乐全同步搞定。
怎么做到的？黑森林实验室用了自研的Self-Flow架构，给模型配了一套“多个编解码器”——图像、视频、音频、动作各一个，相当于让AI同时学会看、听、动。这样一来，它不仅能理解一张图或一段文字，还能生成对应的画面和声音，甚至能根据关键帧驱动视频转场。
在早期测试中，720p分辨率、10秒长度的片段，Flux3的表现吊打对手：胜率比Luma Ray3.2高出93%，比Runway Gen-4.5高出77%，和谷歌的Gemini Omni Flash、Seedance 2.0比也占微弱优势。换句话说，目前市面上能打的文生视频模型，基本都不是它对手。
不只会做视频。Flux3还能处理文本、图像、视频互相转换，甚至能实现多语言对话。黑森林实验室还跟做机器人的Mimic Robotics合作，搞了个视频动作模型Flux-mimic，目前已经在奥迪工厂里测试，用来控制机器人完成生产任务。
发布策略也很务实：Flux3 Video已经上线，Flux3 Image和开源版“Flux3 Dev”也快来了。一步步开放，让开发者和用户先玩起来。
从单一生成到多模态统一，Flux3标志着AI开始从“看到世界”走向“理解世界并做出行动”。黑森林实验室的目标，是做那个能感知、能行动的“世界模型”——不是只会写诗画图的聊天机器人，而是能帮工厂干活、帮导演拍片的全能选手。