独Black Forest Labs（BFL）は8月4日（現地時間）、動画生成AI「FLUX 3 Video」の初期バージョンを発表した。PC Watchが報じたところによると、HD（720p）とフルHD（1080p）、最大20秒の出力に対応し、映像と同時に会話・効果音・環境音までネイティブに生成できるのが最大の特徴だ。BFL APIおよび一部パートナー経由で一般提供が始まっており、近日中には重みを無償公開する「FLUX 3 Dev」、画像生成・編集AIの「FLUX 3 Image」も投入される予定だという。

Black Forest Labsは、画像生成AI「Stable Diffusion」の開発陣が独立して立ち上げたスタートアップとして知られ、これまでも「FLUX.1」シリーズで高品質な画像生成モデルを送り出してきた。動画・音声を統合したフルマルチモーダルモデルへの展開は、同社にとって大きな一歩となる。

なぜこの製品が注目か

動画生成AIの多くはこれまで「映像だけ」を出力し、音声は別のツールで後付けするのが一般的だった。FLUX 3 Videoは、映像とセリフ、効果音、環境音を1つのモデルで同時に生成する点が新しい。BFLによれば、同モデルは「本質的にマルチモーダル」に設計されており、特定の映画的な美学やスタイルに収束せず、生々しく自然な映像から遊び心のある表現、懐かしさや奇妙さを感じさせる映像まで幅広く出力できるとしている。

機能面では、テキストからシーンを生成する「Text-to-Video」、キーフレーム画像を動画化する「Image-to-Video」、最大4秒の動画の続きをプロンプトで指示する「Video Continuation」を用意する。1本の動画内で複数のシーンやアングルを一貫性を保ちながら切り替えられる点も特徴だ。日本語を含む多言語に対応し、事前学習で得た知識とリアルタイムのグラウンディング（事実への接地）を組み合わせることで、ドキュメンタリーや短編教育コンテンツの生成にも使えるとしている。

発表内容のポイント

PC Watchによれば、BFLは低コストで高速にプレビューできる「ドラフトモード」も搭載した。プロンプトの結果をまず低コストで素早く確認し、被写体や構図、動きに納得した場合のみフル品質でレンダリングする流れで、最終出力は承認したドラフトと同一性を保てるという。BFLの社内評価では、Text-to-Videoの性能は既存の最先端モデルを大きく上回ったとしている。

安全面では、信頼できる第三者パートナー「Cinder」と協力し、リリース前にリスク評価を実施した。合意のない性的画像や児童性的虐待コンテンツを含むあらゆるデータ形式について、悪用リスクを軽減する対策を検証したとBFLは説明している。ただし、これらはいずれもBFL自身による発表内容であり、第三者メディアによる独立した実機レビューはまだ出てきていない。実際の生成品質や音声の同期精度が今後どこまで評価されるかが焦点になりそうだ。

日本市場での注目点

現時点でFLUX 3 Videoの日本での正式な価格プランや日本語UIの提供時期は明らかになっていない。ただし多言語対応に日本語が含まれると明言されており、日本語プロンプトでの利用や、日本語の会話・ナレーションを含む動画生成は当初から視野に入っていると見てよさそうだ。

動画生成AI市場では、OpenAIの「Sora」やGoogleの「Veo」、Runwayの「Gen-4」などがすでに存在感を示している。その中でFLUX 3 Videoが差別化を狙うのは「音声込みで一発生成できる」点だ。従来は映像生成後に別ツールで音声・BGMを合成する手間がかかっていたが、これが1モデルで完結すれば動画制作のワークフローは大きく短縮される可能性がある。近日公開予定のオープンウェイト版「FLUX 3 Dev」が実際にどこまでの性能で無償公開されるかも、開発者コミュニティにとって注目のポイントになるだろう。

出典: この記事は 音・会話も同時生成の「FLUX 3 Video」提供開始。オープンウェイト版も計画 の内容をもとに、筆者の見解を加えて独自に執筆したものです。