Black Forest Labs: FLUX.3 Video

O FLUX 3 Video é o modelo multimodal da Black Forest Labs para gerar vídeo com áudio sincronizado. Cria cenas a partir de um pedido em texto, constrói movimento em torno de imagens fixadas ou continua um clip existente. Fala, efeitos e ambiente podem ser gerados em conjunto com os fotogramas, apoiando uma cena curta cujo movimento de câmara, ação e som são concebidos como uma única sequência.

Para texto para vídeo, descreva o sujeito, o cenário, a ação visível, o comportamento da câmara e o som. Uma cena de produto útil pode começar com uma vista ampla, aproximar-se de um pormenor de material e terminar com o produto em utilização. Pedidos com vários planos podem nomear cada plano e a transição entre ângulos de câmara, mantendo o sujeito e o estilo visual consistentes ao longo da sequência. A tipografia pode aparecer na cena, por isso forneça as palavras exatas e a sua posição quando um letreiro ou título for importante. O modelo abrange imagem real, animação, grafismo em movimento e visuais estilizados.

Imagem para vídeo usa de uma a dez imagens de fotogramas-chave. Uma única imagem estabelece o fotograma inicial; um par fixa o início e o fim, enquanto imagens ordenadas com marcas temporais orientam momentos específicos do clip. Estas imagens tornam-se fotogramas do vídeo, em vez de servirem apenas como referências gerais de estilo. Com três ou mais imagens sem marcas temporais, o fabricante exige uma duração explícita: a primeira e a última fixam os extremos e as restantes são distribuídas uniformemente entre elas. Os fotogramas com marcas temporais devem estar por ordem cronológica; a duração automática vai até à última marca temporal arredondada por excesso, dentro do máximo de 20 segundos. Prepare fotogramas-chave com sujeitos, enquadramento e pormenores visuais compatíveis, depois descreva o movimento entre eles. Para uma revelação de produto, o primeiro fotograma pode mostrar o objeto fechado e o último a disposição aberta, com a ação intermédia definida no pedido.

A continuação de vídeo parte dos fotogramas finais do clip fornecido. O fluxo de lançamento usa até quatro segundos de vídeo e áudio existentes como contexto para a ação seguinte, transportando o comportamento de câmara, o movimento e o som através da junção. Escolha um final de origem que estabeleça claramente para onde se dirigem o sujeito e a câmara e descreva o que acontece a seguir. Continuação é diferente de reescrever um plano existente: o FLUX Video Edit é um modelo de edição separado e não passa a fazer parte do modelo de geração apenas porque ambos aceitam vídeo.

A geração condicionada por texto e imagem suporta clips de 5 a 20 segundos. A apresentação específica por modo atribui à continuação de vídeo um intervalo de saída de 5–15 segundos. A duração e a proporção podem ser escolhidas automaticamente, ou o pedido pode especificar uma forma horizontal, quadrada ou vertical suportada, incluindo 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16 e 9:21. A saída tem 24 fotogramas por segundo. Escolha a duração em torno de um pequeno número de ações visíveis, em vez de tentar incluir uma história inteira numa geração curta.

A saída HD vem diretamente da geração; FHD, QHD e UHD acabam a mesma cena com um ampliador de vídeo. Para 16:9, as dimensões entregues são, respetivamente, 1280 × 704, 1920 × 1088, 2560 × 1440 e 3840 × 2176. As dimensões são alinhadas a múltiplos de 32, pelo que uma classe de resolução designada pode diferir de um tamanho convencional de entrega. Recorte o fotograma acabado quando precisar de uma tela standard exata, preservando o conteúdo importante nas suas margens. A resolução mais alta é uma etapa de acabamento, não uma interpretação diferente do plano.

O áudio nativo está ativo por predefinição e pode ser desativado para um clip silencioso. Para diálogo, cite a fala, identifique o locutor e descreva a interpretação; fala multilingue, sotaques e sincronização labial fazem parte das capacidades audiovisuais do modelo. Mantenha o diálogo e as indicações sonoras ligados ao acontecimento visível, como uma tampa a fechar ou passos a afastarem-se. Reveja a voz, os tempos e as palavras pronunciadas juntamente com a imagem, em vez de tratar o som como uma camada sem relação acrescentada após a geração.

O modo Draft produz uma pré-visualização HD e um pacote de prévia. Melhore o pacote selecionado para renderizar essa geração com qualidade completa; enviar o mesmo pedido como um novo pedido de renderização completa é uma nova interpretação e pode produzir uma tomada diferente. As prévias usam apenas HD, enquanto a melhoria pode selecionar as quatro classes de resolução e tem FHD como predefinição. Isto permite uma sequência prática de explorar primeiro a ação e a composição e depois acabar a tomada escolhida no tamanho de entrega pretendido.

O fluxo do fabricante devolve um identificador de tarefa antes de o MP4 estar pronto e fornece depois o clip concluído quando o processamento termina. Os locais assinados de resultados expiram após cerca de duas horas, por isso guarde o recurso efetivo quando o plano for selecionado. Examine as transições de fotogramas-chave, os cortes, a tipografia, os pormenores do sujeito e a junção áudio face ao pedido. Para uma sequência mais longa, conserve as referências e o contexto final do plano bem-sucedido como entrada para o clip seguinte, em vez de assumir que um pedido curto contém toda a produção.