Black Forest Labs: FLUX.3 Video

FLUX 3 Video to multimodalny model Black Forest Labs do generowania wideo ze zsynchronizowanym audio. Tworzy sceny z briefu tekstowego, buduje ruch wokół przypiętych obrazów lub kontynuuje istniejący klip. Mowa, efekty i atmosfera mogą powstawać razem z klatkami, wspierając krótką scenę, której ruch kamery, akcja i dźwięk są zaprojektowane jako jedna sekwencja.

W text-to-video opisz podmiot, scenerię, widoczne działanie, zachowanie kamery i dźwięk. Użyteczna scena produktu może zaczynać się od szerokiego widoku, przechodzić ku detalowi materiału i kończyć na produkcie w użyciu. Brief wielu ujęć może nazwać każde ujęcie i przejście między kątami kamery, zachowując spójny podmiot oraz styl wizualny w sekwencji. Typografia może pojawiać się w scenie, więc gdy ważny jest szyld lub tytuł, podaj dokładne słowa i ich położenie. Model obejmuje sceny aktorskie, animację, motion graphics i stylizowane realizacje.

Image-to-video używa od jednego do dziesięciu obrazów klatek kluczowych. Pojedynczy obraz ustanawia pierwszą klatkę; para przypina początek i koniec, a uporządkowane obrazy ze znacznikami czasu prowadzą konkretne chwile klipu. Obrazy te stają się klatkami wideo, zamiast być tylko ogólnymi referencjami stylu. Przy trzech lub więcej obrazach bez znaczników czasu producent wymaga jawnej długości: pierwszy i ostatni przypinają granice, a pozostałe są rozmieszczane równomiernie pomiędzy nimi. Klatki ze znacznikami muszą być uporządkowane w czasie; automatyczna długość sięga ostatniego znacznika zaokrąglonego w górę, w granicach maksimum 20 sekund. Przygotuj klatki kluczowe ze zgodnymi podmiotami, kadrowaniem i szczegółami wizualnymi, a następnie opisz ruch między nimi. W odsłonięciu produktu pierwsza klatka może pokazywać zamknięty przedmiot, a ostatnia otwarty układ, z akcją pośrednią określoną w prompcie.

Kontynuacja wideo zaczyna od końcowych klatek dostarczonego klipu. Proces premierowy wykorzystuje do czterech sekund istniejącego wideo i audio jako kontekst kolejnego działania, przenosząc zachowanie kamery, ruch i dźwięk przez połączenie. Wybierz zakończenie źródła jasno ustanawiające kierunek podmiotu i kamery oraz opisz dalsze zdarzenia. Kontynuacja różni się od przepisywania istniejącego ujęcia: FLUX Video Edit jest osobnym modelem edycji i nie staje się częścią modelu generowania tylko dlatego, że oba przyjmują wideo.

Generacja warunkowana tekstem i obrazem obsługuje klipy od 5 do 20 sekund. Przegląd właściwy dla trybu podaje zakres wyjścia kontynuacji wideo 5–15 sekund. Długość i proporcje można dobierać automatycznie lub określić w briefie obsługiwany kształt poziomy, kwadratowy albo pionowy, w tym 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16 i 9:21. Wyjście ma 24 klatki na sekundę. Dobieraj długość do małej liczby widocznych działań, zamiast próbować zmieścić całą historię w jednej krótkiej generacji.

Wyjście HD powstaje bezpośrednio w generacji; FHD, QHD i UHD wykańczają tę samą scenę upsamplerem wideo. Dla 16:9 dostarczane wymiary wynoszą odpowiednio 1280 × 704, 1920 × 1088, 2560 × 1440 i 3840 × 2176. Wymiary są wyrównane do wielokrotności 32, więc nazwana klasa rozdzielczości może różnić się od standardowego rozmiaru dostarczenia. Przytnij gotową klatkę, gdy potrzebne jest dokładne standardowe płótno, zachowując ważne treści na krawędziach. Wyższa rozdzielczość jest etapem wykończenia, a nie inną interpretacją ujęcia.

Natywne audio jest domyślnie włączone i można je wyłączyć dla niemego klipu. W dialogu zacytuj kwestię, wskaż mówcę i opisz realizację; wielojęzyczna mowa, akcenty i synchronizacja ust należą do możliwości audio-wideo modelu. Powiąż dialog i wskazówki dźwiękowe z widocznym zdarzeniem, takim jak zamknięcie pokrywki lub oddalające się kroki. Oceniaj głos, czas i wypowiedziane słowa razem z obrazem, zamiast traktować dźwięk jako niezależną warstwę dodaną po generacji.

Tryb Draft tworzy podgląd HD i pakiet podglądu. Ulepsz wybrany pakiet, aby wyrenderować tę generację w pełnej jakości; wysłanie tego samego promptu jako nowego żądania pełnego renderu jest nową interpretacją i może dać inne wykonanie. Podglądy używają tylko HD, natomiast ulepszenie pozwala wybrać cztery klasy rozdzielczości i domyślnie używa FHD. Daje to praktyczną kolejność: najpierw sprawdzenie akcji i kompozycji, potem wykończenie wybranego wykonania w zamierzonym rozmiarze.

Proces producenta zwraca identyfikator zadania przed gotowością MP4, a następnie udostępnia ukończony klip po zakończeniu przetwarzania. Podpisane adresy wyników wygasają po około dwóch godzinach, więc po wyborze ujęcia zachowaj rzeczywisty materiał. Sprawdź przejścia klatek kluczowych, cięcia, typografię, szczegóły podmiotu i połączenie audio z briefem. W dłuższej sekwencji zachowaj referencje udanego ujęcia i kontekst końca jako wejście następnego klipu, zamiast zakładać, że jedno krótkie żądanie obejmuje całą produkcję.