Black Forest Labs: FLUX.3 Video

FLUX 3 Video est le modèle multimodal de Black Forest Labs destiné à générer des vidéos avec un son synchronisé. Il crée des scènes à partir d’un brief textuel, construit le mouvement autour d’images imposées ou prolonge un clip existant. La parole, les effets et l’ambiance sonore peuvent être générés en même temps que les images, pour produire une courte scène dont les mouvements de caméra, l’action et le son sont conçus comme une seule séquence.

Pour la génération de vidéo à partir de texte, décrivez le sujet, le décor, l’action visible, le comportement de la caméra et le son. Une scène de présentation de produit peut commencer par une vue large, se rapprocher d’un détail de matière et se terminer sur le produit en cours d’utilisation. Un brief comportant plusieurs plans peut préciser chaque plan et la transition entre les angles de caméra, tout en préservant la cohérence du sujet et du style visuel sur toute la séquence. Du texte peut apparaître dans la scène : fournissez donc les mots exacts et leur emplacement lorsqu’une enseigne ou un titre a de l’importance. Le modèle couvre les prises de vues réelles, l’animation, l’habillage graphique animé et les rendus stylisés.

La génération de vidéo à partir d’images utilise entre une et dix images clés. Une seule image définit l’image d’ouverture ; deux images fixent le début et la fin, tandis que des images ordonnées et horodatées guident des moments précis du clip. Ces images deviennent des images de la vidéo et ne servent pas uniquement de références générales de style. Avec au moins trois images sans horodatage, le producteur exige une durée explicite : la première et la dernière fixent les extrémités, et les autres sont réparties à intervalles réguliers entre elles. Les images horodatées doivent suivre l’ordre chronologique ; la durée automatique s’étend jusqu’au dernier horodatage, arrondi à la seconde supérieure, dans la limite de 20 secondes. Préparez des images clés dont les sujets, le cadrage et les détails visuels sont compatibles, puis décrivez le mouvement qui les relie. Pour révéler un produit, la première image peut montrer l’objet fermé et la dernière sa configuration ouverte, l’action intermédiaire étant définie dans le prompt.

Le prolongement vidéo reprend à partir des dernières images du clip fourni. Le processus de lancement utilise jusqu’à quatre secondes de vidéo et de son existants comme contexte pour l’action suivante, afin de conserver le comportement de la caméra, le mouvement et le son au raccord. Choisissez une fin de clip qui indique clairement la trajectoire du sujet et de la caméra, puis décrivez la suite. Prolonger une vidéo diffère de la réécriture d’un plan existant : FLUX Video Edit est un modèle de montage distinct et ne fait pas partie du modèle de génération du seul fait que les deux acceptent des vidéos.

La génération guidée par du texte ou des images prend en charge des clips de 5 à 20 secondes. La présentation propre au mode de prolongement vidéo indique une durée de sortie de 5 à 15 secondes. La durée et le rapport largeur/hauteur peuvent être choisis automatiquement, ou le brief peut préciser un format paysage, carré ou portrait pris en charge, notamment 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16 et 9:21. La sortie est à 24 images par seconde. Adaptez la durée à un petit nombre d’actions visibles plutôt que d’essayer de faire tenir une histoire entière dans une courte génération.

La sortie HD provient directement de la génération ; les sorties FHD, QHD et UHD finalisent la même scène à l’aide d’un outil d’augmentation de résolution vidéo. En 16:9, les dimensions livrées sont respectivement de 1280 × 704, 1920 × 1088, 2560 × 1440 et 3840 × 2176. Les dimensions sont alignées sur des multiples de 32 : une classe de résolution donnée peut donc différer des dimensions de livraison habituelles. Recadrez l’image finale lorsqu’un canevas standard exact est nécessaire, en préservant les éléments importants sur ses bords. La résolution supérieure constitue une étape de finition, et non une nouvelle interprétation du plan.

Le son natif est activé par défaut et peut être désactivé pour obtenir un clip muet. Pour un dialogue, citez la réplique, identifiez la personne qui parle et décrivez son interprétation ; la parole multilingue, les accents et la synchronisation labiale font partie des capacités audiovisuelles du modèle. Reliez le dialogue et les indications sonores à l’événement visible, par exemple la fermeture d’un couvercle ou des pas qui s’éloignent. Examinez la voix, le rythme et les mots prononcés en même temps que l’image, au lieu de traiter le son comme une couche indépendante ajoutée après la génération.

Le mode brouillon produit un aperçu HD et un ensemble de données de brouillon. Améliorez l’ensemble sélectionné pour effectuer le rendu de cette génération en qualité maximale ; envoyer le même prompt dans une nouvelle demande de rendu complet constitue une nouvelle interprétation et peut produire une prise différente. Les brouillons utilisent uniquement la HD, tandis que l’amélioration permet de choisir parmi les quatre classes de résolution et utilise la FHD par défaut. Ce fonctionnement permet d’explorer d’abord l’action et la composition, puis de finaliser la prise retenue aux dimensions de livraison prévues.

Le processus du producteur renvoie un identifiant de tâche avant que le MP4 soit prêt, puis fournit le clip terminé une fois le traitement achevé. Les adresses signées des résultats expirent au bout d’environ deux heures : conservez donc le fichier lui-même dès que le plan est sélectionné. Vérifiez les transitions entre images clés, les coupes, le texte, les détails du sujet et le raccord sonore par rapport au brief. Pour une séquence plus longue, conservez les références du plan réussi et le contexte de sa fin pour les utiliser comme entrée du clip suivant, plutôt que de supposer qu’une courte requête contient toute la production.