Black Forest Labs: FLUX.3 Video

FLUX 3 Video es el modelo multimodal de Black Forest Labs para generar vídeo con audio sincronizado. Crea escenas a partir de un encargo escrito, construye movimiento alrededor de imágenes fijadas o continúa un clip existente. La voz, los efectos y el ambiente pueden generarse junto con los fotogramas, lo que permite crear una escena breve cuyo movimiento de cámara, acción y sonido se diseñan como una sola secuencia.

Para texto a vídeo, describa el sujeto, el escenario, la acción visible, el comportamiento de cámara y el sonido. Una escena de producto útil puede comenzar con una vista amplia, avanzar hacia un detalle del material y terminar con el producto en uso. Los encargos de varios planos pueden nombrar cada plano y la transición entre ángulos de cámara, manteniendo coherentes el sujeto y el estilo visual a lo largo de la secuencia. La tipografía puede aparecer dentro de la escena, por lo que debe proporcionar las palabras exactas y su ubicación cuando importe un cartel o un título. El modelo abarca imagen real, animación, gráficos en movimiento y estilos visuales estilizados.

Imagen a vídeo utiliza de una a diez imágenes de fotogramas clave. Una imagen establece el fotograma inicial; una pareja fija el inicio y el final, mientras que imágenes ordenadas con marcas de tiempo orientan momentos concretos del clip. Estas imágenes se convierten en fotogramas del vídeo, en lugar de servir solo como referencias generales de estilo. Con tres o más imágenes sin marcas de tiempo, el fabricante exige una duración explícita: la primera y la última fijan los extremos y las demás se distribuyen uniformemente entre ellas. Los fotogramas con marcas de tiempo deben estar en orden temporal; la duración automática llega hasta la última marca de tiempo redondeada hacia arriba, dentro del máximo de 20 segundos. Prepare fotogramas clave con sujetos, encuadres y detalle visual compatibles y después describa el movimiento entre ellos. Para revelar un producto, el primer fotograma puede mostrar el objeto cerrado y el último la disposición abierta, con la acción intermedia definida en la instrucción.

La continuación de vídeo retoma los fotogramas finales del clip proporcionado. El flujo de lanzamiento utiliza hasta cuatro segundos de vídeo y audio existentes como contexto para la siguiente acción y traslada el comportamiento de cámara, el movimiento y el sonido a través de la unión. Elija un final de origen que establezca claramente hacia dónde van el sujeto y la cámara y describa lo que ocurre después. Continuar es distinto de reescribir un plano existente: FLUX Video Edit es un modelo de edición independiente y no pasa a formar parte del modelo de generación simplemente porque ambos acepten vídeo.

La generación condicionada por texto e imagen admite clips de 5 a 20 segundos. La presentación específica por modo da a la continuación de vídeo un intervalo de salida de 5–15 segundos. La duración y la relación de aspecto pueden elegirse automáticamente, o el encargo puede especificar una forma horizontal, cuadrada o vertical compatible, incluidas 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16 y 9:21. La salida es de 24 fotogramas por segundo. Elija la duración alrededor de un número pequeño de acciones visibles, en lugar de intentar encajar una historia completa en una generación breve.

La salida HD procede directamente de la generación; FHD, QHD y UHD terminan la misma escena mediante un ampliador de vídeo. Para 16:9, las dimensiones entregadas son 1280 × 704, 1920 × 1088, 2560 × 1440 y 3840 × 2176, respectivamente. Las dimensiones se alinean con múltiplos de 32, de modo que una clase de resolución con nombre puede diferir de un tamaño convencional de entrega. Recorte el fotograma terminado cuando necesite un lienzo estándar exacto, conservando el contenido relevante en los bordes. La mayor resolución es una fase de acabado, no una interpretación diferente del plano.

El audio nativo está activado de forma predeterminada y puede desactivarse para un clip silencioso. Para diálogo, cite la frase, identifique al hablante y describa su interpretación; la voz multilingüe, los acentos y la sincronización labial forman parte de las capacidades de audio y vídeo del modelo. Mantenga el diálogo y las indicaciones de sonido conectados con el acontecimiento visible, como una tapa que se cierra o pasos que se alejan. Revise la voz, la sincronización y la redacción hablada junto con la imagen, en lugar de tratar el sonido como una capa ajena añadida tras la generación.

El modo Draft produce una previsualización HD y un paquete de borrador. Mejore el paquete seleccionado para renderizar esa generación con calidad completa; enviar la misma instrucción como una nueva solicitud de renderizado completo es una interpretación nueva y puede producir una toma diferente. Los borradores utilizan solo HD, mientras que la mejora puede seleccionar las cuatro clases de resolución y utiliza FHD de forma predeterminada. Esto permite una secuencia práctica de explorar primero la acción y la composición y después terminar la toma elegida al tamaño previsto de entrega.

El flujo del fabricante devuelve un identificador de tarea antes de que el MP4 esté listo y después proporciona el clip completado cuando termina el procesamiento. Las ubicaciones firmadas de resultados caducan después de unas dos horas, por lo que debe conservar el recurso real una vez seleccionado el plano. Examine las transiciones entre fotogramas clave, los cortes, la tipografía, los detalles del sujeto y la unión de audio frente al encargo. Para una secuencia más larga, conserve las referencias y el contexto final del plano que funcionó como entrada del siguiente clip, en lugar de asumir que una solicitud breve contiene toda la producción.