以前用AI做视频，最尴尬的是什么？
画面能看，声音全哑。
对白、音效、环境声，都得后期一个一个贴上去。做个10秒的片子，配音比生成还费劲。
Black Forest Labs刚发布的FLUX3，把这个环节直接砍了。
画面和声音，同一个模型一起算出来。说话带口型，刮风带风声，弹吉他连箱体的共鸣都对。不是从素材库找的，是模型自己“听”出来的。
一个模型，能干六件事：生图、生视频、配音、续写、多机位、甚至预测机器人的动作。
多模态喊了好几年，这次是真把图、视频、音频揉进了同一个架构，而不是拿三个模型硬拼。
有个圈内说法挺扎心：Sora是拍给人看的电影，FLUX3是拍给机器人学的教材。
这话不夸张。FLUX3生成的视频，能直接当训练数据喂给机器人。猫跳桌子的画面，机器人不光“看”到，还能推算出跳跃的力学轨迹。奥迪的生产线上，已经在用它装车门密封条了。
AI视频的老毛病，它也在治。
人脸不扭曲、手不畸形、动作不僵硬、画面里的文字不糊。这些AI视频被吐槽最多的点，FLUX3用“Self-Flow”的训法从底层解决了。
更实用的，是视频续写。
以前延长视频，只能拿最后一帧当静态图重新生成，镜头一顿一顿的。FLUX3能吃进4秒的完整音视频上下文，镜头、对话无缝往下接。20秒的上限，就这么被捅开了。
最狠的是价格。
草稿模式0.06美元/秒，先低成本试方向，满意了再一键出高清。做片子的试错成本，直接砍掉一半多。
别忘了它是谁做的。
Stable Diffusion创始团队。从StabilityAI出走的那帮德国人，靠开源基因一路做到今天。FLUX3的开源权重版本，今年晚些时候也会放出来。
届时，独立实验室和开源社区，会把视频生成这场仗打到什么程度，谁也说不准。
唯一能确定的是：
AI做视频的“默片时代”，结束了。
信息来源：Black Forest Labs官方、AIbase、IT之家等公开报道
留言 0
还没有留言，快来抢沙发