三种调用方式：文生视频、图生视频、视频续写

这三种用法其实是同一个接口。所有请求都发到 POST /v1/flux-3-video，请求体长得一模一样，唯一的区别是 mode 字段填什么，而你填的，其实是「我手上有什么」：

官方文档还做了一件挺聪明的事，拿同一个场景把三种模式串了一遍。先用 t2v 生成一段「她拉着他笑着跑过挂满灯笼的巷子」；再把这条片子的第一帧抠出来喂给 i2v，配一句新的运镜指令，得到同一个开头、完全不同的一条片；最后把整段原片丢给 v2v，让这对人冲出巷子进夜市。后一个请求吃的就是前一个的产物，四条片子层层叠上去，一看就明白三者是什么关系。

curl -X POST https://api.bfl.ai/v1/flux-3-video \
  -H "x-key: $BFL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "mode": "t2v",
    "prompt": "she takes his hand and pulls him laughing
               through the lantern-lit alley, the camera
               chasing them, paper lanterns swaying overhead",
    "duration": 8
  }'

先看最基础的文生视频。官方挑的这条演示不走温柔路线，一栋房子被装在碰撞试验的滑车上，整个撞进水泥墙里：

再看视频续写。这一路的规矩是：你交一段最长 4 秒的旧片子，再告诉它接下来该发生什么，它把运动、机位、对白和声音一起往后接。官方这条演示把接缝直接标在画面上：前 4 秒是原始素材，第 4 秒往后全是生成的，一条海滨大道的行车记录仪画面，接着接着就冲出来一头驼鹿：

关键帧：最多钉 10 张图，中间由模型补

图生视频这一路的设计和别家不太一样：它没有单独的「首帧」字段。图片全部从 keyframes 这一个字段进去，你给几张、钉在哪一秒，就决定了它是哪种用法。

• 给 1 张：这张就是开头。
• 给 2 张：一头一尾，中间那段路由它自己走。
• 最多给 10 张：等于交了一份分镜。
• 写成 [秒数， 图片] 这样的一对一对：把某张图钉死在第 4 秒。

官方这条演示自带时间轴，把机制直接演在画面上：三个关键帧钉在 0:00、0:04、0:10，字幕写着 FLUX 3 interpolates the keyframes（FLUX 3 在补关键帧之间的画面）。第三张缩略图里，那艘红色小帆船已经翻了，你只管钉三个点，中间怎么进水、怎么翻，是它编的。

只钉首尾的版本更能看出它自己编了多少：左边 START FRAME 是一间空屋子，右边 END FRAME 是布置好的客厅，中间写着 FLUX 3 fills the in-between（中间由 FLUX 3 填）。家具像折纸一样从地板上展开，这段变形完全没人指定过。

原生音频：声音和画面一起生成，所以口型能对上

为什么以前的 AI 视频，一到人物开口说话就露馅？问题出在做法上，过去是一条三段流水线，一步扣一步：

• 第一步生成画面。这时候模型手里还没有声音，它并不知道那句台词到底是什么节奏、哪个字重、哪里停顿。
• 第二步换一个语音模型把台词读出来。这个模型也看不见画面，它只管把字读得像人。
• 第三步再想办法把嘴唇动作和声音对齐。到这一步已经是打补丁了，能对个大概，对不到每一个音节。

三步之间有两道接缝，每一道都可能错开一点。所以老办法最怕拍近景人脸，嘴型和声音差半拍，观众一眼就出戏。

接口这一层也是按「默认要声音」设计的：generate_audio 不填就是 true，你拿到的就是有声视频，不需要额外开关。

语言这块点名了十三种：英语（多种口音）、中文、西班牙语、法语、德语、日语、葡萄牙语、俄语、意大利语、印尼语、土耳其语、印地语、旁遮普语，名单后面还跟了个「等等」。韩语不在这份点名名单里，「等等」里覆盖到什么程度，材料里没写。

对白的演示是两个穿西装的男人隔着一张桌子、对着两支老式麦克风争辩，像上世纪的电视辩论现场，整整 20 秒不断：

多语言那条更值得看的其实是另一件事：同一个穿红色雨衣的女生，连着出现在餐厅卡座、夜市小吃摊、自助洗衣店三个场景里说话，同一张脸跨三个镜头没走样。

多镜头切换，以及它认识的真实地点

一条 20 秒的片子里，一只黑猫从卧室的床上跳到沙发，然后镜头直接切到屋外，从街上回看这栋房子的窗户，猫还在窗里，接着再切到花园和灌木丛。镜头是真的换了机位、剪了几刀，前后还接得上，而不只是同一个画面里的推拉摇移。以前要这种效果，得分几段生成再自己剪：

另一条演示对应的能力叫「世界知识 + 实时接地」，卖点是几个词的提示词就能拍纪录片和科普短片。画面看着像德国弗莱堡老城：街边那条窄窄的引水沟（当地叫 Bächle）、红砂岩的哥特式大教堂、一对挂着相机的游客，整条片是八九十年代旅游录像带的味道。片子里没有标地点，不过弗莱堡正是 BFL 自己的总部所在，公司名里的「黑森林」就是那一片山区。

草稿模式：三分之一价格，选中后原样重渲

视频生成有个磨人的地方，试过的人都懂：你写一句提示词，抽到一条还不错的，想再要一条「差不多但更好一点」的，重新提交就是一次全新的生成。主体、构图、运动全都可能变，你刚才喜欢的那条，可能再也抽不出来了。而每抽一次都在烧钱。

草稿模式把这件事拆成两步：

第一步，请求里加 draft: true，拿回一条快速预览。草稿是 1 倍时间、1/3 价钱，全画质要 1.8 倍时间，这三个数字直接印在对比视频的画面上。便宜到你可以放开了多抽几条。

第二步，挑中一条之后，这条草稿的结果里会附一个 draft_cache 包。把它下载下来，模式填 draft_enhance 再发回去，模型就把同一次生成用全画质重渲一遍。

「同一个镜头、同一个种子，什么都不重新解释。」

Black Forest Labs 开发者文档（本站译）

所以草稿模式卖的不只是打折，它把探索和交付拆成两笔钱：探索按三分之一价随便抽，只有你点头的那一条付全价，而且付全价拿到的，确实是你点头的那一条。

价格表：视频续写每秒 $0.43，是从头生成的 2.5 倍

三种模式的完整价目，全在文档里：

三件事直接从表里读得出来：

• 视频续写贵一大截。同样是高清，续写每秒 $0.43，是从头生成 $0.17 的 2.5 倍还多。一条 10 秒的片子，从头生成 1.7 美元，续写要 4.3 美元。为什么贵，文档里没有解释。
• 视频续写还更短。另外两种最长 20 秒，续写封顶 15 秒，少了整整 5 秒。
• 草稿一律按 hd 渲染，没有 fhd 的草稿。

换算成一笔具体的账。一条 10 秒的高清文生视频：

• 直接出全画质：1.7 美元，但你只有一条，不满意就得重抽。
• 盲抽 3 条全画质挑一条：5.1 美元。
• 先抽 3 条草稿，挑中一条再重渲：3 × 0.6 + 1.7 = 3.5 美元，而且定稿的就是你挑的那条。

还有一条容易踩的：生成结果的下载链接是签名的，大约 2 小时后过期。跑完要及时把片子取走，别等到第二天。

跑分：文生视频第一，图生视频与 Seedance 2.0 打平

官方放了一张人评 ELO 榜，两两对打算分。两边的完整排名都在图上：

文生视频（左）：FLUX 3 T2V 1135、Gemini Omni Flash 1090、Minimax H3 1082、Seedance 2.0 1069、Kling v3 Pro 1054……图生视频（右）：FLUX 3 I2V 1051、Seedance 2.0 1049、Minimax H3 1039、Grok Imagine v1.5 1023、Gemini Omni Flash 1022……来源：Black Forest Labs

两边的差距完全不是一回事：

文生视频领先第二名 45 分，是有分量的差距。图生视频那边只高出 2 分，官方自己在正文里用的词也是「打平（ties）Seedance 2.0」，没有写赢。

还有两处值得对着榜单看一眼：

• 文生视频那张榜里没有 Veo 3.1。它出现在图生视频榜的第 8 名（975 分），文生视频那边的十个名额里找不到它，材料里没有说明原因。
• 被拿来比的是 Seedance 2.0。字节在 7 月 31 日已经发过 Seedance 2.5，这张榜没有把它算进来。

这张榜的前提要说清楚：评测由 BFL 自己组织，评的也是自己家的模型排第一，不是第三方榜单。上面那些演示片子都是原样嵌的，可以自己看着判断。

还没上线的功能，和几条限制

文档第一屏就写着，FLUX 3 现在是 preview（预览）状态。已经标出来「即将推出」的有两项：视频编辑，以及 Omni Reference，拿图片和视频当参考素材来控制生成。

路线图再往后是 FLUX 3 Image（图像生成和编辑）和 FLUX 3 Dev（开放权重版本）。开放权重仍然排在最后一位，跟 7 月那次公告的顺序一致。发布推文里另外提到 2K 和 4K 也在路上。

安全这块的做法：发布前找了第三方机构 Cinder 做评估，覆盖非自愿私密影像（NCII）和儿童性虐待材料（CSAM）等风险。接口上有个 safety_tolerance 参数，0 到 4，默认 2，0 最严。有三条硬上限写在文档里，不受你填什么影响：

• 性相关内容最高只到 3 级；
• 仇恨内容最高只到 2 级；
• 只要请求里带了参考图或参考视频，一律压到 2 级。

这次发布页的标题是「FLUX 3 Video, Part 1: Generation」（第一部分：生成）。整篇没有架构、训练方法或技术报告，能查到的只有能力和接口，所以模型内部怎么做到音画同生，目前还没有可核对的材料。

以前的 AI 视频一到人物开口说话就露馅，问题出在做法上：画面、配音、对齐是三段接力，中间隔着两道接缝，每一道都可能错开半拍，所以最怕拍近景人脸。FLUX 3 把这三件事收进同一次生成，接口也按默认出声设计，generate_audio 不填就是开着。

视频生成最磨人的地方：抽到一条还不错的，想再要一条差不多但更好一点的，重新提交就是一次全新生成，主体、构图、运动全都可能变，刚才喜欢那条可能再也抽不出来了。草稿模式把这件事拆成两步。

价格全公开。有一条发布页没写、只藏在开发者文档的表里：手上有旧片子想往后接，单价跳到每秒 $0.43。

发布页放了一张人评 ELO 榜（两两对打算出来的相对分，只说明谁在这轮比较里更受偏好，不是绝对质量分）。两项的差距完全是两回事。