Black Forest Labs startet FLUX 3 im Early Access für Bild-, Video- und Audioerzeugung

Black Forest Labs hat FLUX 3 am 23. Juli 2026 im Early Access gestartet. Das neue Foundation Model verarbeitet Bilder, Videos und Audio in einer einheitlichen Architektur und zielt damit auf multimodale Inhalte aus einem System.

In einem Blogbeitrag von Black Forest Labs beschreibt der Anbieter FLUX 3 als „our new multimodal foundation model“. Das Modell lerne gemeinsam aus „images, videos, and audio within a unified architecture“. Black Forest Labs nennt FLUX 3 den „first model built entirely on that principle“ und verortet den Start als Zwischenstand auf dem Weg zu „real-world visual intelligence“.

Bis zu 20 Sekunden Video

Laut Anbieterangaben erzeugt FLUX 3 Videos mit Audio „up to 20 seconds in length in a single generation“. Genannt werden Text-to-Video, Image-to-Video und Video-to-Video. Hinzu kommen Video-Audio-Fortsetzungen aus Eingabevideo und Audio sowie Keyframe-to-Video für kontrollierte Übergänge. Auch „multilingual dialogue“, unterschiedliche Seitenverhältnisse und „strong typography generation“ führt Black Forest Labs als Fähigkeiten auf.

Für eine erste Analyse erzeugte das Unternehmen nach eigenen Angaben „10-second text-to-video clips in 720p with audio“. Zugleich begrenzt Black Forest Labs die Aussagekraft der Resultate. „Evaluations are early and we expect further improvements“, heißt es im Beitrag.

Ein Modell für mehrere Modi

Technisch baut FLUX 3 auf „Self-Flow“ auf. Das ist laut Black Forest Labs ein Ansatz, um multimodale Erzeugung und Verständnis in derselben Architektur auszurichten. Der Anbieter schreibt, er habe dafür Rechenleistung und Daten „significantly scaled up“ und FLUX 3 gleichzeitig über Video, Bilder und Audio trainiert. Als weitere Funktion nennt der Beitrag „agentic chaining“ einzelner Clips zu längeren Sequenzen mit mehreren Einstellungen.

FLUX 3 ist seit dem 23. Juli 2026 im Early Access verfügbar.