BFLは2026年7月24日、画像・動画・音声を統合学習するマルチモーダル基盤モデル「FLUX 3」のEarly Accessを開始したと発表した。単一のアーキテクチャで複数モダリティを処理し、コンテンツ制作や物理AIへの応用が期待される。
発表の内容
BFLは2026年7月24日、画像・動画・音声を統合学習するマルチモーダル基盤モデル「FLUX 3」のEarly Accessを開始したと発表した。同一アーキテクチャで複数モダリティを処理し、テキストプロンプトや参照入力から画像・動画を生成できる。動画生成では最大20秒間の映像と音声の同時出力が可能だ。
これまでとの違い
本モデルはSelf-Flow手法に基づき、計算資源とデータを大幅に拡張して訓練された。初期評価では、Grok Imagine VideoやRunway Gen-4.5などの既存モデルと比較され、特定の比較で優位性が示されている。人間顔表情の捕捉や物理現象と音の関連付けが得意とし、複数シーンにわたるキャラクターの一貫性維持も可能だとされる。
実務への影響
FLUX 3 Videoは現在Early Accessで公開中だ。今週以降、FLUX 3 Imageの初期アクセスフェーズが開始予定だ。APIやプライベートウェイトアクセスを通じて動画・音声生成編集機能を利用できる見込みだ。また、物理AI向けにmimic roboticsと連携したFLUX-mimicの開発も進められている。
残る論点
FLUX 3 Imageの正式リリース時期は明記されていない。技術詳細やOpen-weightアクセスに関する情報公開時期についても触れられていない。価格や利用制限条件などの具体的な提供条件については言及がない。