Flux 3 Video：支持原生音频的 AI 视频生成 - ComfyUI

Flux 3 是 Black Forest Labs 的多模态基础模型，于 2026 年 7 月 23 日发布，目前处于早期访问阶段。它在基于 Self-Flow 构建的统一架构中联合学习图像、视频和音频。Self-Flow 是他们在同一模型中实现多模态生成与理解对齐的方法。Flux 3 不会孤立地处理每种模态，而是学习对世界的共享表征：物体如何保持在一起、事物如何运动、事件如何发出声音。随着早期访问的推进，其功能和限制可能会发生变化。在视频方面，Flux 3 可在单次生成中创建高度多样化的视频片段，并原生带有最长 20 秒的音频。所有输出均包含同步生成的音频，包括环境声音、语音和效果音。它支持文生视频和图生视频生成，提供多镜头输出，可将单个片段串联成更长的序列，并支持灵活的宽高比。

Flux 3 Video 的优势

原生音频：每个视频都附带同步音频，包括环境音、语音和音效
最长 20 秒：单次生成即可产出长片段
文本和图像输入：根据文本提示生成视频，或从起始帧图像继续生成
灵活格式：支持 720p 或 1080p 分辨率、24fps，以及 9:16 到 21:9 的宽高比
多镜头输出：将单个片段串联成更长的序列，以支持更长的叙事

示例输出

通过单条提示词进行文生视频生成，包含同步音频、运动和物理效果：

从起始帧和文本提示词进行图生视频生成：

在 ComfyUI 中使用

Flux 3 Video 工作流

在本地或 Comfy Cloud 上，在 ComfyUI 中运行文生视频和图生视频工作流