Black Forest Labs ra mắt FLUX 3: Mô hình đa phương thức tạo video 20 giây kèm âm thanh

Theo tin từ IT ngày 24 tháng 7, Black Forest Labs đã đăng tải bài viết vào ngày hôm qua (23 tháng 7), thông báo ra mắt mô hình nền tảng đa phương thức Flux 3 dưới hình thức Early Access, sử dụng kiến trúc thống nhất để học kết hợp hình ảnh, video và âm thanh.

Về khía cạnh đào tạo, IT dẫn nguồn từ bài viết cho biết mô hình này được mở rộng dựa trên khung học Self-Flow (khớp luồng tự giám sát), đồng thời huấn luyện video, hình ảnh và âm thanh. Trên nền tảng của các dòng FLUX.1 và FLUX.2, mô hình đã được mở rộng sang các tác vụ tạo và hiểu đa phương thức.

FLUX 3 có thể xuất ra video dài tối đa 20 giây trong một lần tạo, kèm theo âm thanh gốc. Phía nhà phát triển cho biết mô hình hỗ trợ các tính năng như văn bản thành video, hình ảnh thành video, video thành video, tiếp nối video và âm thanh đầu vào, chuyển đổi khung hình chính thành video, hội thoại đa ngôn ngữ và kết nối nhiều cảnh quay.

Về hiệu năng, trong các bài đánh giá thủ công đối với video 720p dài 10 giây có âm thanh, kết quả cho thấy FLUX 3 đạt tỷ lệ thắng 69% so với Grok Imagine Video, 52% so với Seedance 2.0 và 52% so với Gemini Omni Flash.

Trong lĩnh vực robot, Black Forest Labs đang hợp tác với Mimic Robotics để nghiên cứu việc sử dụng FLUX 3 làm mô hình dự đoán hành vi cho robot.

Về khả năng xử lý hình ảnh, phía nhà phát triển cho biết FLUX 3 có thể thực hiện tạo và chỉnh sửa hình ảnh, bao phủ nhiều phong cách, tỷ lệ khung hình và độ phân giải khác nhau.

Thông báo quảng cáo: Các liên kết chuyển hướng bên ngoài trong bài viết (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) được sử dụng để truyền tải thêm thông tin, tiết kiệm thời gian lựa chọn, kết quả chỉ mang tính chất tham khảo, tất cả các bài viết của IT đều bao gồm tuyên bố này.