统一的视觉风格
图像、视频与音频联合训练，让静帧转为动态场景时，角色、色调和光线保持连贯。
FLUX 3
Black Forest Labs 的 FLUX 3 可生成带原生音频与多语言对白的 AI 视频。从文字、图像或关键帧出发，让整段场景保持统一的视觉风格。
首帧
尾帧
图像
FLUX 3 视频FLUX 3 的图像、运动与声音
一次生成 20 秒
每次生成最长 20 秒的音画视频，为一句对白、一个反应和一次运镜留足展开空间。
把镜头连成故事
将片段连接成更长的多镜头场景。在每条提示词中明确主体、光线与运镜，让镜头自然衔接。
从一张静帧到一个完整场景
一切从一张静帧开始
用参考图确定角色、色调和构图，也可以直接从文生视频提示词开始。
这一帧动起来
描述动作与镜头运动，用首帧、尾帧或关键帧引导画面。
并且开口说话
在提示词中加入对白、语言和环境音，原生音频会与画面一同生成。
FLUX 3 与 FLUX 2 对比
| 对比维度 | FLUX 2 | FLUX 3 |
|---|---|---|
| 支持模态 | 图像——文生图与图像编辑合于一个模型。 | 图像、视频、音频与动作预测合于一个模型。 |
| 视频 | 非视频模型。 | 单次生成最长 20 秒并带音频。 |
| 音频 | 不支持。 | 原生音频生成，支持多语种对白。 |
| 技术架构 | 潜空间流匹配，将 24B 视觉语言模型与整流流式 Transformer 结合。 | 基于 Self-Flow，在图像、视频与音频上联合训练。 |
| 可用性 | 现已在 YouArt 上线，支持创作与编辑模式。 | 现已在 YouArt 上线。 |
YouArt 提供带同步音频的 FLUX 3 Video，支持 720p 和 1080p。图像生成与编辑可使用 FLUX 2 或 Flux Kontext。
FLUX 3 在各行业的应用
数字广告
把活动主视觉变为 20 秒广告，制作多语言版本，并保持产品、色调与信息一致。
零售与电商
让商品静图动起来并配上声音，保留消费者需要辨认的形状、颜色与质感。
影视与娱乐
用带对白、运镜和音效的场景预演，让团队直接判断叙事节奏。
企业传播
让培训视频中的出镜人物保持一致，并基于同一创意方向生成多语言版本。
套餐与价格
一个积分余额，使用 FLUX 3 Video、FLUX 2、Flux Kontext 等模型。
基础版
适合爱好者和探索者
$9.99/月
升级- 1000 额度
- 每月最多 ~200 张图片
- 每月超过 ~1000 秒视频
- 智能创意 Agent
- 视频编辑器
- 最新图像模型，包括 GPT Image 2.5、GPT Image 2 和 Nano Banana Pro
- 最新视频模型，包括 Seedance 2
- 真人合规模式
- 使用 ElevenLabs 生成语音
- 无水印
- 50+ AI 特效库
专业版
最受欢迎适合专业人士
$29.99/月
升级- 3300 额度
- 每月最多 ~1000 张图片
- 每月超过 ~3300 秒视频
- 智能创意 Agent
- 视频编辑器
- 最新图像模型，包括 GPT Image 2.5、GPT Image 2 和 Nano Banana Pro
- 最新视频模型，包括 Seedance 2
- 真人合规模式
- 使用 ElevenLabs 生成语音
- 无水印
- 50+ AI 特效库
旗舰版
适合高级用户和团队
$149.99/月
升级- 18000 额度
- 每月最多 ~6000 张图片
- 每月超过 ~18000 秒视频
- 智能创意 Agent
- 视频编辑器
- 最新图像模型，包括 GPT Image 2.5、GPT Image 2 和 Nano Banana Pro
- 最新视频模型，包括 Seedance 2
- 真人合规模式
- 使用 ElevenLabs 生成语音
- 无水印
- 50+ AI 特效库
团队版
适合团队和工作室
$329.99/月
升级- 36300 额度
- 每月最多 ~12000 张图片
- 每月超过 ~36300 秒视频
- 真人合规模式
- 与团队共享画布、工作流和素材
- 每个团队最多 10 名成员
- 最多 5 个团队
- 基于角色的管理
- 团队额度管理与消费上限
- 成员用量追踪
关于 FLUX 3，大家都在问
FLUX 3 是 Black Forest Labs 于 2026 年 7 月 23 日发布的多模态模型，用一个模型覆盖图像、视频、音频与动作预测。它是在这些模态上联合训练出来的，而不是由多个独立系统拼装而成。和任何早期体验版本一样，可用范围与支持的模式仍可能变化；YouArt 目前提供 FLUX 3 Video 供实际生成使用。
关于 FLUX 3，大家都在问
FLUX 3 是什么？
FLUX 3 是 Black Forest Labs 于 2026 年 7 月 23 日发布的多模态模型，用一个模型覆盖图像、视频、音频与动作预测。它是在这些模态上联合训练出来的，而不是由多个独立系统拼装而成。和任何早期体验版本一样，可用范围与支持的模式仍可能变化；YouArt 目前提供 FLUX 3 Video 供实际生成使用。
现在能在 YouArt 上用 FLUX 生成图像吗？
可以——FLUX 2 与 Flux Kontext 现已在 YouArt 上线。FLUX 2 支持文生图与参考图引导编辑，提供创作与编辑两种模式；Flux Kontext 则基于单张参考图做指令式编辑，并支持蒙版局部重绘。在 YouArt 使用这些流程，你不需要自己管理任何模型权重。
FLUX 3 和 FLUX 2 有什么区别？
FLUX 2 是图像模型，在一个模型内同时支持文生图与单图 / 多图参考编辑。FLUX 3 把范围扩展到文生视频、视频、音频与动作预测，并且是单一模型联合训练，单次生成最长可产出 20 秒带音频的视频。
FLUX 3 能生成带声音的视频吗？
可以——单次生成最长 20 秒带音频的视频，支持多语种对白，并可基于输入的视频与音频继续生成。更长的内容由多个片段串联成多镜头序列，而不是把一次生成硬拉长。
FLUX 3 的视频最长能做多久？
单次生成最长 20 秒。更长的序列由多个片段串联成多镜头场景，而不是把一次生成继续拉长。
FLUX 3 在 YouArt 上要多少钱？
YouArt 上所有模型都按同一套积分体系计费。FLUX 3 Video 按时长计费，每秒 55 积分；你可以在价格页查看套餐与各模型的价格。若要为 API 规划预算，先比较渲染时长、分辨率、提示词迭代次数与生产流程需求，再估算单个项目的成本。
FLUX 3 与 Kling 相比效果如何？
在 Black Forest Labs 自行组织的偏好测评中——取自训练中期检查点的初步结果，素材为 10 秒 720p 带音频片段——FLUX 3 相对 Luma Ray 3.2 的获选率为 93%，相对 Runway Gen-4.5 为 77%，面对最强竞品时优势较小。Kling 与 FLUX 3 可能适配不同的视频生成需求，建议按你的项目来比较成片质量、提示词控制力、运动表现、声音以及可用的 API 流程。目前第三方独立评测仍然有限。
FLUX 3 在 YouArt 上可以用了吗？
可以。FLUX 3 在 YouArt 上以 FLUX 3 Video 提供：输出 720p 或 1080p 带同步原生音频的视频，可以只给提示词，也可以给首帧做动画、给首尾帧补中间运动，或在时间轴上最多钉 10 个关键帧。图像仍由 FLUX 2 与 Flux Kontext 承担。
在 YouArt 上使用 FLUX 3 创作
立即体验 FLUX 3FLUX、FLUX.2 与 FLUX 3 均为 Black Forest Labs Inc. 的商标。YouArt 与 Black Forest Labs 无隶属或认可关系。
为什么“一个多模态模型”很重要
工具之间的每一次交接，都是画面走样的一个环节。FLUX 3 把这些交接收进同一个模型里——你在第一帧认可的东西，到最后一帧还在。对创意团队来说，这意味着更少的模型间搬运、更少的提示词返工，以及从图像到运动再到声音都更一致的结果。
图像、视频与音频合一
FLUX 3 用一个模型覆盖图像生成与编辑、文生视频、视频和声音，而不是串联多个专用模型——你在定妆图里定下的东西，会一路延续到画面与声音里。模型的多模态理解会在生成开始之前，就把画面方向与声音方向连在一起。
单次生成 20 秒
单次生成最长可产出 20 秒带音频的视频——足以承载一个完整的节奏。更长的内容则由多个片段串联成多镜头序列，让故事由一个个有意图的镜头搭起来，而不是把一次生成硬拉到它撑不住的长度。
多语种对白
原生音频随视频一起生成，且支持多语种对白，不必事后再叠一层声音、再一点点对齐。语言版本因此成为提示词阶段的创作决定，而不是另起一条配音替换流程。
图像生成与编辑
图像的生成与编辑和视频处在同一个模型里，你反复打磨的那张静帧，和你要让它动起来的那一帧，来自同一个系统，而不是两个只能大致对上的系统。对于正在走早期体验或模型预览流程的用户，在最终能力还在演进的阶段，这能减少在不完整的工具之间来回搬运素材。
每种模态换一个模型
单一模型联合训练。从静帧到运动再到声音，观感统一
片段太短，撑不起一个节奏
单次生成最长 20 秒。一个完整的瞬间，而不是一个碎片
声音全靠后期补
生成时即带原生音频。对白本来就落在画面上
每个市场都要重做一版
多语种对白。拍一次，出多个语言版本
适合
已经受够把图像模型、视频模型和音频工具串起来，想要一套端到端一致系统的团队。
最先派上用场的地方
一个已经用 YouArt 上的 FLUX 2 做出的画面，被推成带对白的镜头——这道交接正是 FLUX 3 想要取消的。从一个想法起步时用文生视频提示词；取景与视觉重心已经定下来时，就用定妆图加关键帧。
不适合
只需要快速出一张静帧的场景——那种情况下 FLUX 2 更快。
观感经得起交接
单一模型联合训练意味着你在静帧里定下的角色、配色与光线，在镜头动起来之后依然在。
20 秒是个能用的镜头
足以容纳一句台词和一个反应，而不是一个必须绕着剪的碎片。
声音与画面同时到位
原生音频生成省掉了那道通常横在「渲染完成」和「场景完成」之间的对齐工序。
不止一个市场
有了多语种对白，第二个语言版本只是再生成一次，而不是重拍一次。
创意总监
创意总监让同一个视觉想法贯穿静帧、动态镜头与声音，而不必在每个工具里重新确立一遍。
效果营销
效果营销团队基于同一套观感批量产出变体与语言版本，不用为每一个都重拍一次。
影视创作者
影视创作者带着对白预演场景，让节奏是可以被判断的，而不是靠想象的。
社交内容创作者
社交内容创作者从一个想法直接做出自带声音的短片，不必先搭一套工具链。