3 つの呼び出し方：テキストから動画、画像から動画、動画の続き生成

実はこの 3 つは同じ API です。すべてのリクエストは POST /v1/flux-3-video に送られ、リクエストボディは完全に同じ。唯一の違いは mode フィールドの値だけです。そして「何を持っているか」を指定する形になっています。

公式ドキュメントは賢いやり方で、同じシナリオで 3 つのモードを一続きにつないでいます。まず t2v で「彼女が彼の手を引いて、笑いながら提灯の並ぶ路地を駆け抜ける」という動画を生成。次にこの動画の最初のフレームを切り出して i2v に渡し、新しいカメラワークの指示を添えると、同じ冒頭だがまったく違う動画ができます。最後に元の動画全体を v2v に渡して、この 2 人が路地を飛び出して夜の屋台街に入っていくようにします。後のリクエストは前の生成物を食べる、という作りで、4 本の動画が重なり合って、3 つの関係性が一目でわかります。

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
  }'

まず最も基本的なテキストから動画を見てみましょう。公式が選んだデモは優しい路線ではありません。家が衝突実験のそりに載せられ、そのままコンクリートの壁に激突します。

次は動画の続き生成。ルールはこうです。最大 4 秒の既存動画を渡し、次に何が起こるかを伝えると、動き、カメラワーク、セリフ、音声をまとめて続きに接ぎます。公式デモはつなぎ目を画面上に直接表示しています。最初の 4 秒が元の素材、4 秒目以降がすべて生成。海沿いの大通りのドライブレコーダー映像が、そのままヘラジカの飛び出しに続きます。

キーフレーム：最大 10 枚の画像を固定、間はモデルが補完

画像から動画の設計は他社と少し違います。独立した「ファーストフレーム」フィールドがありません。画像はすべて keyframes という 1 つのフィールドに入れます。何枚渡すか、何秒のところに固定するかで、使い方が決まります。

• 1 枚：その画像が冒頭になります。
• 2 枚：最初と最後。間はモデルが勝手に作り出します。
• 最大 10 枚：絵コンテを渡すのと同じ。
• [秒数， 画像] というペアで書く：特定の画像を 4 秒目に固定。

公式デモにはタイムラインが付いていて、仕組みをそのまま映像で見せてくれます。3 つのキーフレームが 0:00、0:04、0:10 に固定され、字幕には「FLUX 3 interpolates the keyframes（FLUX 3 がキーフレーム間の映像を補完）」と表示。3 枚目のサムネイルでは、赤いヨットがすでに転覆しています。3 つの点を打つだけで、どうやって水が入り、どう転覆するかはモデルが考えます。

最初と最後だけを固定するバージョンは、モデルの自動生成能力がよくわかる。左のSTART FRAMEは空き部屋、右のEND FRAMEは家具の置かれたリビング。中央には「FLUX 3 fills the in-between（間はFLUX 3が埋める）」と表示。家具が折り紙のように床から広がっていく変形プロセスは、誰も指定していない。

ネイティブ音声：音と映像が一緒に生成されるから、リップシンクが合う

以前のAI動画は、なぜ人物が口を開くとすぐにボロが出たのか。問題は作り方にあった。従来は3段階のパイプラインで、1つずつ順に処理していた。

• 1. 映像を生成。この時点でモデルは音声を持っていません。セリフのリズム、どこにアクセントを置くか、どこで間を取るか、知る由もない。
• 2. 別の音声モデルでセリフを読み上げる。このモデルも映像を見ていません。ただ文字を人間らしく読むだけ。
• 3. 唇の動きと音声を後から合わせる。ここまで来るともう修正パッチ。大まかに合うだけで、音節単位では合いません。

3ステップの間に2つのつなぎ目があり、それぞれズレる可能性がある。だから従来手法は顔のアップが最も苦手だった。口の動きと音が半拍ズレるだけで、見ている人はすぐに興ざめする。

API も「音声はデフォルトでオン」という設計です。generate_audio を空にすると true になり、音声付き動画がそのまま返ってきます。特別なスイッチは必要ありません。

対応言語は13種類を明示。英語（複数アクセント）、中国語、スペイン語、フランス語、ドイツ語、日本語、ポルトガル語、ロシア語、イタリア語、インドネシア語、トルコ語、ヒンディー語、パンジャブ語。リスト末尾には「など」とある。韓国語は明示リストに含まれず、「など」がどこまでカバーするかは資料に記載がない。

セリフのデモは、スーツを着た 2 人の男性がテーブルを挟んで、古いマイクに向かって議論するというもの。まるで前世紀のテレビ討論会のようで、20 秒間とぎれません。

多言語の動画でもう 1 つ注目したいのは、別のことです。赤いレインコートを着た女性が、レストランのボックス席、夜の屋台街、コインランドリーの 3 つのシーンに連続で登場して話します。同じ顔が 3 つのカットにわたって崩れません。

複数カットの切り替え、そしてモデルが知っている実在の場所

20 秒の動画で、黒猫が寝室のベッドからソファに飛び移り、次の瞬間、カメラは家の外に切り替わり、通りからこの家の窓を見上げると、猫はまだ窓の中にいます。そしてまた庭と茂みに切り替わります。カメラは実際に別の位置に移動し、編集が入っていて、前後がつながっています。同じ画面内のズームやパンとはわけが違います。以前なら、複数回に分けて生成して自分で編集する必要がありました。

もう 1 つのデモが示す機能は「世界知識＋リアルタイム接地」。売りは、数語のプロンプトでドキュメンタリーや科学解説動画を作れること。映像はドイツのフライブルク旧市街のように見えます。通りの脇にある細い用水路（現地では Bächle と呼ばれる）、赤砂岩のゴシック大聖堂、カメラを下げた観光客のペア。全体は 80～90 年代の旅行ビデオの質感です。映像内に場所の表示はありませんが、フライブルクは BFL の本社がある場所です。社名の「黒い森（Black Forest）」は、まさにその山岳地帯を指します。

ドラフトモード：3 分の 1 の価格、選んだものをそのまま再レンダリング

動画生成には厄介な問題がある。試した人なら誰でもわかるだろう。プロンプトを書いて、まあまあのものが1本取れた。「これに近いけど、もっといい」ものが欲しくて再送信すると、それは完全に新しい生成。被写体、構図、動きがすべて変わる可能性があり、さっき気に入ったものは二度と出てこないかもしれない。しかも抽選のたびに費用がかかる。

ドラフトモードはこれを 2 つのステップに分けます。

ステップ 1、リクエストに draft: true を追加して、クイックプレビューを受け取ります。ドラフトは 1 倍の時間、3 分の 1 の価格。フル画質は 1.8 倍の時間。この 3 つの数字は比較動画の画面に直接印刷されています。安いので、何本でも気軽に抽選できます。

ステップ 2、1 本選んだら、このドラフトの結果には draft_cache パッケージが付いてきます。これをダウンロードして、モードを draft_enhance にして送り返すと、モデルは同じ 1 回の生成をフル画質で再レンダリングします。

「同じカメラ、同じシード。何も再解釈しない。」

Black Forest Labs 開発者ドキュメント（当サイト訳）

ドラフトモードが売っているのは割引だけではない。探索と納品を2つの費用に分けている。探索は3分の1の価格で自由に引き、OKを出した分だけ全額を払う。しかも手に入るのは、OKを出したまさにその1本。

料金表：動画の続き生成は 1 秒 $0.43、新規生成の 2.5 倍

3 つのモードの完全な料金は、すべてドキュメントにあります。

この表から直接読み取れることが 3 つあります。

• 動画の続き生成はかなり高い。同じ HD でも、続きは 1 秒 $0.43。新規生成 $0.17 の 2.5 倍以上。10 秒の動画なら、新規生成は 1.7 ドル、続き生成は 4.3 ドル。なぜ高いのか、ドキュメントには説明がありません。
• 動画の続き生成はさらに短い。他の 2 モードは最長 20 秒ですが、続きは 15 秒が上限。丸ごと 5 秒短い。
• ドラフトは常に hd でレンダリング。fhd のドラフトはありません。

具体的な計算にしてみましょう。10 秒の HD テキストから動画の場合：

• 最初からフル画質を 1 本：1.7 ドル。ただし 1 本だけ。気に入らなければ引き直すしかない。
• フル画質を 3 本引いて 1 本選ぶ：5.1 ドル。
• ドラフトを 3 本引いて、選んだ 1 本を再レンダリング：3 × 0.6 + 1.7 = 3.5 ドル。そして、最終版はあなたが選んだまさにその 1 本。

もう 1 つ注意点があります。生成結果のダウンロードリンクは署名付きで、約 2 時間で期限切れになります。完了したらすぐに動画を保存しておきましょう。翌日まで待つと消えています。

ベンチマーク：テキストから動画は 1 位、画像から動画は Seedance 2.0 と互角

公式は人間による評価の ELO ランキングを公開しています。1 対 1 で比較してスコアを付けます。両方の完全なランキングが図にあります。

テキストから動画（左）：FLUX 3 T2V 1135、Gemini Omni Flash 1090、Minimax H3 1082、Seedance 2.0 1069、Kling v3 Pro 1054……画像から動画（右）：FLUX 3 I2V 1051、Seedance 2.0 1049、Minimax H3 1039、Grok Imagine v1.5 1023、Gemini Omni Flash 1022……出典：Black Forest Labs

両者の差はまったく違います。

テキストから動画は 2 位に 45 点差。これは意味のある差です。画像から動画はわずか 2 点上回っただけ。公式自身も本文で「互角（ties）」という言葉を使っており、「勝った」とは書いていません。

もう 2 つ、ランキングを見て気になる点があります。

• テキストから動画のランキングに Veo 3.1 がいない。Veo 3.1 は画像から動画のランキングで 8 位（975 点）に登場しますが、テキストから動画の 10 枠の中には見当たりません。理由は資料に記載がありません。
• 比較対象は Seedance 2.0。バイトダンスは 7 月 31 日に Seedance 2.5 をすでに発表しています。このランキングには入っていません。

このランキングの前提は明確にしておきます。評価は BFL 自身が主催し、評価対象も自社モデルが 1 位。第三者のランキングではありません。上のデモ動画はすべてそのまま埋め込まれているので、ご自身で判断できます。

まだ使えない機能と、いくつかの制約

ドキュメントの最初の画面に、FLUX 3 は現在 preview（プレビュー） ステータスだと書いてあります。すでに「近日公開」とされているのが 2 つ。ビデオ編集と Omni Reference。画像と動画を参照素材として生成を制御する機能です。

ロードマップのさらに先には FLUX 3 Image（画像生成と編集）と FLUX 3 Dev（オープンウェイト版）があります。オープンウェイトは依然として最後尾で、7 月の発表の順序と同じです。発表ツイートでは 2K と 4K も準備中と言及されています。

安全対策としては、第三者機関 Cinder に評価を依頼し、非自発的親密画像（NCII）や児童性的虐待資料（CSAM）などのリスクをカバー。API には safety_tolerance パラメータがあり、0 から 4、デフォルトは 2、0 が最も厳格。ドキュメントにハードな上限が 3 つ書かれており、設定値にかかわらず適用されます。

• 性的コンテンツは最大 レベル 3 まで。
• ヘイトコンテンツは最大 レベル 2 まで。
• リクエストに参照画像または参照動画が含まれる場合、すべて レベル 2 に制限。

今回の発表ページのタイトルは「FLUX 3 Video, Part 1: Generation」（パート 1：生成）。通しでアーキテクチャ、学習方法、テクニカルレポートは一切ありません。確認できるのは機能と API だけ。モデル内部でどうやって音声と映像を同時生成しているのか、現時点で検証可能な資料はありません。

以前の AI 動画は、人物が口を開くとすぐにボロが出ました。理由は作り方にあります。映像・音声・位置合わせが 3 段階のリレーで、2 つのつなぎ目があり、それぞれ半拍ずれる可能性。だから顔のアップが最も苦手でした。FLUX 3 はこの 3 つを同じ 1 回の生成に収めました。API もデフォルトで音声オン。generate_audio を空にすれば有効です。

動画生成で一番もどかしいのはここです。まあまあの 1 本が取れた。もう 1 本「これに近いけど、もっといい」ものが欲しい。再送信すると完全に新しい生成。被写体、構図、動きが全部変わる可能性があり、さっき気に入ったものが二度と出てこないかもしれない。ドラフトモードはこれを 2 つのステップに分けます。

価格はすべて公開されています。1 つ、発表ページには書かれず、開発者ドキュメントの表にだけ載っている項目があります。既存動画の続きを生成すると、単価が 1 秒 $0.43 に跳ね上がります。

発表ページには人間評価の ELO ランキングが掲載されています（1 対 1 の比較で付ける相対スコア。この比較でどちらが好まれたかを示すもので、絶対的な品質スコアではありません）。2 つの項目で差の性質がまったく違います。