音声付き20秒動画を1つのモデルで — FLUX 3が画像専業から「マルチモーダル」へ舵を切った

FLUX という名前は、画像生成に少しでも触れたことがある人なら聞いたことがあるはずだ。Stable Diffusion の主要開発者が抜けて立ち上げた Black Forest Labs（BFL）が出した画像モデルで、Midjourney や DALL·E の対抗馬として定着していた。

その BFL が7月23日に出してきた FLUX 3 は、これまでの「高品質な画像を作るモデル」というイメージを自ら壊しにきた。画像だけでなく、動画、音声、さらにはロボットの動作予測までを、1つの統合アーキテクチャで生成するというのだ。

何が発表されたのか

headline は「最大20秒・音声同期付きの text-to-video」。テキストから20秒の動画を作り、そこに映像とズレのない音声が最初から乗る。

対応するモードはこれだけある。

• text-to-video — テキストから動画
• image-to-video — 静止画を動かす
• video-to-video — 参照クリップのスタイルで作り直す
• keyframe-to-video — キーフレーム指定で遷移を制御
• generative video-audio continuation — 入力した映像と音声の続きを生成する

BFL 自身はこの方向性を「visual intelligence（視覚的知能）」への転換と呼んでいる。静止画1枚を綺麗に描くことから、時間軸と音を含む世界を丸ごと扱うことへ、と読み替えていい。

「別々のモデルを束ねる」のとは違う、という主張

ここが FLUX 3 のいちばんの売りだと思う。

いまの生成AIで「画像も動画も音声も出せます」という製品の多くは、内部では画像モデル・動画モデル・音声モデルを別々に持ち、それを共通のインターフェースの裏で切り替えているだけだ。ユーザーからは1つに見えるが、実体は寄せ集めに近い。

FLUX 3 はそうではなく、3つのモダリティを同時に学習した単一モデルだと BFL は説明している。基盤にあるのは「Self-Flow」と呼ぶ統一フローマッチングの枠組みで、考え方はこうだ。

• 画像は空間構造と構図を捉える
• 動画は時間的なダイナミクスと物理を復元する
• 音声はイベントと音の因果関係を明かす

これらを同時に学ばせると、各モダリティが互いを制約し、教え合う——というのが理屈である。動画を学ぶことで「モノが落ちれば音が鳴る」という因果を音声側が獲得し、逆に音の因果が映像の物理的整合性を締める、というイメージだ。

正直、この「同時学習で互いに賢くなる」という主張がどこまで実性能に効いているのかは、早期アクセスの限られた作例だけでは判断しきれない。ただ、設計思想として寄せ集めより筋が良いのは確かで、もしこれが効いているなら「音と動きの整合性」で他社を引き離せる可能性がある。動画生成でいちばん粗が出やすいのは、実はリップシンクや効果音のズレだからだ。

ロボットまで出てきた

そしてもう一つ、FLUX 3 は BFL 初の physical AI（フィジカルAI）への進出でもある。ロボット動作予測に対応したバリアントが、すでにAudi の生産ラインで試験導入されているという。

画像生成の会社がなぜロボット、と一瞬思うが、Self-Flow の枠組みで考えると地続きだ。動画が「次にどう動くか」を予測できるなら、その予測対象を映像のピクセルから物理的なアクチュエータの動作に差し替えればいい。生成AIと世界モデル（world model）の境界が溶けてきている、という文脈にきれいに乗る発表だと感じる。

これが本当にラインで回るところまで来ているなら、インパクトは動画生成どころではない。工場のロボットに「この部品をここに置いて」と自然言語で指示し、モデルが動作シーケンスを生成する——そういう世界の入り口が、画像モデルの延長線上から出てきたことになる。実現可能性はまだ未知数だが、「揃えばこうなる」の"こうなる"がかなり大きい。

いつ、いくらで使えるのか

ここは冷静に見ておきたい。今回はフルオープンなローンチではない。

コンポーネント	提供形態	時期
FLUX 3 Video / Action	API + private weights（選定パートナー限定の早期アクセス）	提供中
FLUX 3 Image	一般提供	数週間以内の見込み
FLUX 3 Dev（オープンウェイト）	重みを公開	2026年後半予定

つまり、いま個人が触れる状態ではない。動画と動作予測は選ばれたパートナーだけ、画像版が数週間後、そして BFL の代名詞だったオープンウェイト版（Dev）は年後半、という段取りだ。料金体系も現時点で正式なものは出ていない。

BFL はこれまで、性能の高いモデルの重みを比較的オープンに出してきたことで開発者コミュニティの支持を集めてきた。FLUX 3 でも Dev 版の公開を予告している点は、その路線を維持する意思表示に見える。ただ、動画・Action の重みが「private weights」に留まっている点は見逃せない。最も競争が激しく、最も収益化しやすい領域は囲い込む——という、Meta の Llama などにも見られた現実的な線引きだ。

誰にとって効く発表か

現時点で実利があるのは、早期アクセスを得られる企業パートナーに限られる。個人クリエイターが「今日から音声付き動画を作れる」わけではない。

それでも注目に値するのは、モダリティ統合の方向性を、画像で実績のあるプレイヤーが本気で取りに来たという点だ。Runway や Kling、Google の Veo、ByteDance の Seedance が動画で競い、ElevenLabs が音声で走る——という縦割りの構図に対して、FLUX 3 は「全部を1つのモデルで、しかも整合させて」と横串を提案している。

もしこの統合アプローチが実性能で報われれば、動画に後から音を足す・口の動きを合わせるといった後工程の一部が、生成の時点で不要になる。編集ワークフローそのものが短くなる可能性がある。逆に、統合の理屈が作例レベルの見栄えに留まるなら、専用モデルの寄せ集めに実用で負ける未来もありうる。

判断材料が揃うのは、画像版の一般提供と、年後半のオープンウェイト Dev が出てからだ。それまでは「BFL が画像専業をやめ、動画・音声・物理まで一気に張った」という事実と、その設計思想を頭に入れておけば十分だと思う。詳細は Black Forest Labs の公式発表（bfl.ai）を確認してほしい。

画像1枚の美しさで競っていた会社が、20秒の音付き動画と工場のロボットを同じ土俵に乗せてきた。この1年で最も射程の広い発表の一つであることは間違いない。