FLUX 3 di Black Forest Labs: video AI con audio nativo

Black Forest Labs ha annunciato FLUX 3 il 23 luglio 2026, il primo modello del laboratorio tedesco a generare immagini, video e audio da un’unica architettura. Il salto rispetto alla famiglia FLUX 1 non è cosmetico: qui video e audio nascono nello stesso passaggio, e lo stesso backbone alimenta persino un modello di controllo per robot già in test sulle linee di produzione Audi. Se cerchi un riferimento chiaro su FLUX 3 Black Forest Labs — cosa fa, come è costruito e cosa NON è ancora disponibile — questo è il punto di partenza.

Cos’è FLUX 3 Black Forest Labs

FLUX 3 è un modello di intelligenza artificiale multimodale sviluppato da Black Forest Labs (BFL), laboratorio con sede a Freiburg fondato dai creatori originali di Stable Diffusion. A differenza dei precedenti FLUX, dedicati alla generazione di immagini, FLUX 3 apprende contemporaneamente da immagini, video e audio all’interno di un’unica architettura, e — nella variante FLUX-mimic — anche azioni robotiche.

La tesi del team BFL, riportata nell’annuncio ufficiale, è che nessuna singola modalità offre una descrizione completa del mondo: le immagini catturano la struttura spaziale, il video restituisce dinamiche fisiche nel tempo, l’audio rivela relazioni causali fra eventi meccanici e suono. Allenare il modello su tutte e tre contemporaneamente costringe le modalità a vincolarsi a vicenda: il suono deve corrispondere all’impatto, il movimento deve rispettare la massa.

Il modello accetta prompt testuali, fino a 10 immagini di riferimento, input audio e clip video da modificare o remixare.

Self-Flow: l’architettura sotto FLUX 3

Self-Flow è il metodo di training pubblicato da Black Forest Labs a marzo 2026 e usato come base per FLUX 3. Le architetture standard di flow-matching — la famiglia dietro molti modelli diffusion moderni, incluse le release FLUX precedenti — producono output visivamente forti ma generano rappresentazioni interne deboli per task successivi. Self-Flow unifica in un unico framework qualità della generazione e qualità della rappresentazione.

Il risultato pratico è che immagini, video e audio non sono tre pipeline cucite insieme: sono lo stesso spazio latente, allenato in parallelo. Sul totale del compute di training, il video occupa oltre il 95%, mentre l’audio consuma meno dello 0,5% dei token — cifra sorprendente per un modello che genera audio sincronizzato nativamente.

Per approfondire il contesto dei nuovi modelli AI frontier di questo 2026, ho trattato il caso di LongCat 2.0 di Meituan e le implicazioni di MAI-Thinking-1 di Microsoft.

Video di 20 secondi con audio nativo

FLUX 3 Video, la punta di diamante del rilascio, produce clip fino a 20 secondi con audio generato nello stesso passaggio della componente visiva. Non è audio aggiunto in post: dialoghi, effetti sonori e rumore ambientale nascono insieme al frame.

Caratteristiche tecniche verificate al lancio:

• Durata massima: 20 secondi (i confronti pubblicati sono su clip da 10 secondi).
• Risoluzione: 720p al lancio; 1080p atteso a breve.
• Aspect ratio: da 9:16 a 21:9.
• Input supportati: testo, fino a 10 immagini di riferimento, audio e video.
• Punti di forza dichiarati: espressioni facciali, sincronia suono-evento fisico, output multilingua.

FLUX-mimic: il ramo robotics

Il dettaglio più insolito del rilascio non riguarda il video ma i robot. FLUX-mimic è una policy robotica costruita sulla stessa architettura di FLUX 3, sviluppata in collaborazione con mimic robotics e già in test sulle linee produttive di Audi. Gira a meno di 80 millisecondi per inferenza su una singola NVIDIA RTX 5090 — latenza compatibile con il controllo motorio in tempo reale.

L’idea è che un modello che ha imparato la fisica del mondo dai pixel possa prevedere direttamente sequenze di azioni. Fonte primaria: il technical post FLUX 3 x mimic pubblicato da Black Forest Labs.

Benchmark: FLUX 3 vs Runway, Luma, Kling

BFL ha pubblicato risultati preliminari basati su preferenza umana su clip da 10 secondi a 720p con audio. Vanno letti per quello che sono: un test di preferenza self-reported dal produttore, non un rubric fisso.

I risultati contro Seedance 2.0 e Gemini Omni Flash sono vicini al lancio di moneta: FLUX 3 è competitivo, non dominante nella fascia alta.

Accesso, limiti e roadmap open weights

Al lancio del 23 luglio 2026, FLUX 3 non è liberamente disponibile. L’accesso è gated e stratificato:

• FLUX 3 Video e Action: early access via Discord e partner selezionati.
• FLUX 3 Image: rilascio previsto nelle settimane successive.
• Open weights (Dev): previsti più avanti nel 2026, senza data confermata (dato non verificato con precisione al 28/07/2026).

Il ritardo dell’open weights rispetto alle prime versioni di FLUX 1 — che invece uscirono con una variante Dev pubblica — segna un cambio di postura strategica di BFL: prima monetizzazione via API e partnership, poi apertura. Un pattern che ricorda quello adottato da Anthropic con Claude Fable 5.

FAQ

Cos’è FLUX 3 di Black Forest Labs?

FLUX 3 è un modello AI multimodale rilasciato da Black Forest Labs il 23 luglio 2026 che genera immagini, video fino a 20 secondi con audio nativo e prevede azioni robotiche, tutto da un’unica architettura basata su Self-Flow. È il primo modello FLUX a superare la sola generazione di immagini e integra visione, suono e controllo motorio in un solo backbone.

Come funziona l’architettura Self-Flow di FLUX 3?

Self-Flow è un metodo di training pubblicato da BFL a marzo 2026 che unifica generazione e rappresentazione in un unico framework di flow-matching. A differenza dei modelli diffusion tradizionali, che producono buoni output ma feature interne deboli, Self-Flow permette al modello di generare e comprendere contenuti visivi con lo stesso spazio latente.

Quanto durano i video generati da FLUX 3 e a che risoluzione?

FLUX 3 Video produce clip fino a 20 secondi con audio nativo sincronizzato, a risoluzione 720p al lancio. È previsto il supporto 1080p poco dopo la release iniziale. Gli aspect ratio supportati vanno da 9:16 (verticale) a 21:9 (cinematografico), e il modello accetta fino a 10 immagini di riferimento come input.

FLUX 3 è meglio di Runway Gen-4.5 e Luma Ray 3.2?

Nei test di preferenza umana pubblicati da BFL, FLUX 3 è stato preferito nel 93% dei confronti contro Luma Ray 3.2 e nel 77% contro Runway Gen-4.5, su clip da 10 secondi a 720p con audio. Contro Seedance 2.0 e Gemini Omni Flash il risultato scende al 52%, quindi FLUX 3 è competitivo ma non dominante nella fascia alta.

Quando saranno rilasciati i pesi open source di FLUX 3?

Black Forest Labs ha dichiarato che i pesi open della variante Dev arriveranno più avanti nel 2026, dopo Video, Action e Image. Una data precisa non è stata confermata al momento del lancio (23 luglio 2026). L’accesso attuale è gated e passa da Discord e partnership commerciali, un cambio di rotta rispetto alle release FLUX 1 immediatamente aperte.

Conclusione

FLUX 3 Black Forest Labs sposta il baricentro della famiglia FLUX dall’immagine al mondo multimodale, con un dettaglio che vale più di molte demo: la stessa architettura sta già controllando robot su una linea di produzione reale. La vera domanda ora riguarda l’apertura: se e quando la variante Dev arriverà con pesi pubblici, l’ecosistema open si aggiornerà in blocco.

E tu, useresti FLUX 3 per creator work o aspetti l’open weights? Dimmelo nei commenti.
#tuttelevitediunmaker