FLUX 3 génère des vidéos de 20 secondes avec un audio natif synchronisé en accès anticipé

SOURCE: FLUX 3 is now available in Early Access.
TYPE ARTICLE : NEWS

AUTRES TITRES : FLUX 3 génère des vidéos de vingt secondes dotées d’un son natif parfaitement synchronisé, FLUX 3 surpasse Runway Gen-4.5 et Luma Ray 3.2 dans les évaluations qualitatives de vidéo, FLUX 3 permet à FLUX-mimic de diriger les robots d’Audi pour des opérations de haute précision, Black Forest Labs déploie FLUX 3 en accès anticipé pour son modèle unifié d’intelligence visuelle, FLUX 3 accélère le déploiement de la robotique chez Audi en convertissant la vidéo en actions
Modèle : deepseek/deepseek-v4-pro

---

Pour la première fois, un modèle génératif apprend simultanément à partir d’images, de vidéos et de sons au sein d’une même architecture. Baptisé FLUX 3, il ne se contente pas de créer : il cherche à modéliser les interactions physiques du monde réel. Une avancée qui sort la start-up allemande Black Forest Labs du seul terrain créatif, jusque dans les usines d’Audi.

---

À retenir

• FLUX 3 intègre nativement l’image, la vidéo et l’audio grâce au framework Self-Flow.
• Il génère des vidéos de 20 secondes avec un son synchronisé, sans outil externe.
• Le modèle surpasse Runway Gen-4.5 et Luma Ray 3.2 sur des tests qualitatifs.
• Son dérivé FLUX-mimic pilote des robots chez Audi pour des tâches de haute précision.
• L’accès anticipé est ouvert, mais restreint à l’évaluation et aux partenaires.

---

L’annonce de FLUX 3, le 22 juillet, change la donne pour Black Forest Labs. En abandonnant l’approche modulaire au profit d’un apprentissage conjoint, la société fribourgeoise ne veut plus seulement générer des médias : elle cherche à construire un modèle interne du monde. Cette orientation, couplée à des applications robotiques concrètes, ouvre de nouveaux usages pour l’IA physique et créative.

Une architecture unifiée pour appréhender le monde

Avec FLUX 3, Black Forest Labs prend une direction très différente de celle de ses concurrents. Le cœur du modèle repose sur Self-Flow, un système de « flow matching » auto-supervisé qui apprend conjointement à partir d’images, de vidéos et d’audio. Chaque flux sensoriel contraint les autres, ce qui renforce la cohérence physique.

Self-Flow : quand l’image, le son et le mouvement se répondent

Contrairement aux modèles classiques qui assemblent des briques distinctes, FLUX 3 traite les trois modalités comme les projections d’une même réalité. En clair, le bruit d’un impact doit correspondre au mouvement visible, et c’est en apprenant ces corrélations que le système gagne en robustesse. Le blog officiel de Black Forest Labs résume ainsi la philosophie :

Ce qu’il doit apprendre n’est pas l’un de ces éléments pris isolément, mais une représentation du monde.

Annonce de Black Forest Labs

Vers un « World Model » capable de prédire la physique

L’objectif dépasse la synthèse de contenu. BFL parle de « Visual Intelligence », soit la capacité à percevoir, prédire et agir. Grâce à l’apprentissage unifié, le modèle comble les lacunes d’une modalité grâce aux informations des autres, un concept que l’entreprise nomme « World Model ». Concrètement, FLUX 3 peut anticiper des dynamiques temporelles complexes sans avoir été explicitement entraîné sur celles-ci. Selon BigGo Finance, cette base prépare le terrain pour la robotique avancée.

De la création vidéo à la robotique : des usages concrets

FLUX 3 trouve déjà deux usages concrets, de la production audiovisuelle à l’automatisation d’usine.

20 secondes de vidéo avec audio natif synchronisé

Le module vidéo peut produire des clips allant jusqu’à 20 secondes avec une bande-son synchronisée dès la génération. Finis les allers-retours avec des logiciels de montage audio. Les premiers retours mentionnent des expressions faciales plus précises et une bonne cohérence acoustique. D’après BigGo Finance, lors de tests comparatifs à l’aveugle, le modèle a été jugé supérieur à Runway Gen-4.5, Luma Ray 3.2 ou Kling v3 Pro. Il gère aussi les dialogues multilingues, les transitions par images clés et les enchaînements multi-shots.

FLUX-mimic : quand la prédiction visuelle pilote les robots d’Audi

L’application la plus surprenante concerne l’industrie. En collaboration avec Mimic Robotics, Black Forest Labs a créé FLUX-mimic, un modèle « Video-Action » qui convertit des séquences vidéo en commandes motrices. Testé dans une usine d’Audi, il automatise l’installation de joints de porte flexibles, une opération qui demande une adaptation en temps réel. L’approche se distingue aussi par sa frugalité en données : quelques démonstrations vidéo suffisent, là où les modèles Vision-Language-Action classiques exigent des millions d’exemples. Business Wire précise que le temps de cycle d’apprentissage est nettement réduit, et BigGo Finance souligne une latence proche des réflexes humains.

Un accès anticipé prometteur mais encadré

Le déploiement reste progressif. Seul le module vidéo est pour l’instant disponible en accès anticipé, via le portail bfl.ai. Les participants doivent signer un accord de confidentialité (NDA) et s’engager à ne pas utiliser le modèle en production. Les versions dédiées à l’image fixe et à la prédiction d’actions suivront dans les semaines à venir. Si la start-up avait proposé des poids ouverts pour FLUX.1, aucune annonce n’a été faite concernant FLUX 3, ce qui laisse les développeurs indépendants dans l’attente. Cette prudence tranche avec une levée de fonds de 258 millions d’euros en série B fin 2025, qui donne à la société les moyens d’avancer sans se précipiter.

Avec FLUX 3, Black Forest Labs brouille la frontière entre virtuel et réel. La concurrence américaine et chinoise devra réagir, surtout sur la vidéo et la robotique.