黑森林实验室发布Flux3多模态模型 原生支持20秒音视频同步生成

德国AI初创黑森林实验室于2026年7月23日正式推出多模态基础模型Flux3，该模型基于自研Self-Flow架构打造，是全球首款支持原生音频生成的多模态模型，可一次性输出20秒音视频同步片段，在720p分辨率生成测试中对Luma Ray3.2胜率达93%、对Runway Gen-4.5胜率达77%，标志着生成式音视频技术落地进入全新阶段。

很长一段时间里，生成式视频领域始终面临两大痛点：一是音画同步需要后期二次加工，效率低下；二是可生成的高清视频时长普遍偏短，难以满足商用需求。这一僵局在2026年7月23日迎来破局，德国AI初创黑森林实验室发布的新一代多模态模型，直接把行业天花板抬到了新高度。

本次发布的Flux3基于自研的Self-Flow架构打造，配备了专门的图像、视频、音频、动作四大编解码器，实现了对物理世界和数字场景的统一理解与生成。官方公布的720p分辨率、10秒片段生成测试采用行业通用的盲测评分机制，由20名资深内容创作者和AI技术专家共同打分，数据可信度较高：Flux3对比Luma Ray3.2的胜率达到93%，对比Runway Gen-4.5的胜率达到77%，即便是对标Seedance2.0、Gemini Omni Flash等顶尖多模态模型，也保持着稳定的微弱优势。