FLUX 3 とは - 画像・動画・音声を1モデルで扱う Black Forest Labs のマルチモーダル基盤（段階リリース開始）
画像生成の基礎から手を動かして学べる入門書。
拡散モデルまで自作しながら理解できる定番。
当サイトは Amazon.co.jp を宣伝しリンクすることで紹介料を得る手段を提供する、Amazonアソシエイト・プログラムの参加者です。価格・在庫はリンク先の最新情報をご確認ください。
Black Forest Labs（以下 BFL）が2026年7月23日、マルチモーダル基盤モデル FLUX 3 を早期アクセス（Early Access）として発表しました。これまで高品質な画像生成モデル FLUX.1 系で知られてきた同社が、1つのモデルで画像・動画・音声・アクション予測（ロボット制御）を扱う方向へ踏み込んだ、という点で注目を集めています。
ただし FLUX 3 は段階的（phased）なリリースで、今この瞬間に「全部が誰でも使える」わけではありません。この記事では、BFL 公式ブログを一次情報として、確認できた事実だけを断定し、判明していない点は「未確認」「要確認」と明記して整理します。画像生成APIの選択肢を横断的に見たい方は画像生成APIの比較もあわせてどうぞ。
FLUX 3 とは
FLUX 3 は、BFL が「新しいマルチモーダル基盤モデル（multimodal foundation model）」と位置づける生成モデルです。公式ブログの要点は次のとおりです。
- 発表・提供開始: 2026年7月23日、早期アクセスとして提供開始
- 扱うモダリティ: 画像・動画・音声、そしてアクション予測（action prediction）
- 動画: テキスト・画像・既存動画を入力に、1回の生成で最大約20秒の動画を作成
- 音声: 出力にネイティブの音声生成が伴う（同社として初）
- 連結: エージェント的に複数クリップを繋ぎ、より長いマルチショットのシーケンスを構成可能
開発元の BFL は、Stable Diffusion の中心開発者だった Robin Rombach 氏らが Stability AI を離れて2024年に設立した、ドイツ・フライブルク拠点の企業です。2024年8月に画像生成モデル FLUX.1 を公開し、pro / dev / schnell の3系統で広く使われてきました。今回の FLUX 3 は、その画像特化からマルチモーダルへと軸を広げる発表といえます。
補足: VentureBeat の報道によると、正式発表（7月23日）に先立ち、7月21日ごろに公式サイト上でプレースホルダー的なページが確認されていたとされます。実際の一般公開が「限定的な形（limited release）」で始まった点は、後述の提供状況で詳しく見ていきます。
何が新しいのか
FLUX 3 の新しさは、大きく3点に整理できます。
1. 統合されたマルチモーダル・アーキテクチャ。 BFL は FLUX 3 を「マルチモーダルなフローマッチング（flow matching）モデル」と説明し、独自の Self-Flow というアプローチの上で、画像・動画・音声を単一のアーキテクチャで一体的に学習するとしています。画像が空間的な構造や構図を、動画が時間的なダイナミクスや物理を、音声が出来事と音の因果関係を担う、という位置づけです。個別の画像モデル・動画モデル・音声モデルを共通インターフェイスの裏で束ねるのではなく、最初から一緒に学習している、というのが同社の主張です。従来の FLUX.1 が画像向けの rectified flow transformer だったことを踏まえると、フロー系の系譜をマルチモーダルへ拡張した形と見るのが自然です。フロー・拡散系の考え方は拡散モデル/テキスト拡散の解説も参考になります。
2. ネイティブ音声つきの動画生成。 テキストから、最大約20秒・音声同期つきの動画を1回の生成で作れる点が目玉です。動画の継続生成、キーフレーム間の遷移、多言語のセリフ、タイポグラフィ、クリップの連結といった機能にも触れられています。BFL は自社の予備評価（preliminary evaluations）として、10秒・720pのクリップ比較で他社の動画モデルより好まれた割合を示しています。
| 比較対象（他社動画モデル） | FLUX 3 が好まれた割合 |
|---|---|
| Luma Ray 3.2 | 93% |
| Runway Gen-4.5 | 77% |
WARNING
これらの数値はBFL 自身による予備的な内部評価で、同社も「結果は暫定的で、独立した検証はまだ無い」と明記しています。第三者ベンチマークではないため、優劣の断定材料にはせず、実タスクで自分で確かめるのが安全です。上表以外にも複数モデルとの比較値が公表されていますが、いずれも同じ前提（自社評価・要独立検証）で受け取ってください。
3. フィジカルAI（ロボット制御）への進出。 FLUX 3 の動画バックボーンを応用したロボット向けモデルとして FLUX-mimic（アクション系。ロボティクス企業 mimic robotics との共同）が発表されました。これは動画予測の経路から得た中間表現に、軽量なアクションデコーダを載せて動作を出力する「video-action モデル」です。公式ブログによれば、NVIDIA RTX 5090 上でバックボーンが入力から世界表現を得るまで80ミリ秒未満、システム全体の反応時間は101ミリ秒（人間の視覚反応に近い水準）とされています。自動車メーカーの Audi が生産ラインでの検証・導入を進めており、部品のトレイ整列、電子制御ユニット（ECU）の挿入、部品の組み立て、ケーブルなど柔軟物の扱いといったタスクが例示されています。生成AIが物理世界に踏み出す流れはフィジカルAIの解説もどうぞ。
NOTE
一部の二次報道では「わずか30分ほどのロボットデータで一部タスクを微調整できる」といった記述も見られますが、これは公式ブログで直接は確認できませんでした（要確認）。公式が強調しているのは、Self-Flow を使わない動画モデルに比べ、同等性能に到達するまでの学習ステップが約半分で済んだというサンプル効率の高さです。
提供状況（段階リリースの内訳）
ここが今回いちばん誤解されやすいポイントです。FLUX 3 は「発表＝全機能が一般提供」ではなく、次のように段階的に出ていきます。
| コンポーネント | 現時点の状況（2026年7月時点） |
|---|---|
| FLUX 3 Video | 早期アクセスで提供中（ゲート付き） |
| FLUX 3 Image | 数週間後に早期アクセス開始予定 |
| FLUX-mimic / Action（ロボット） | 選ばれた研究・商用パートナー向け |
| FLUX 3 Dev（オープンウェイトのバックボーン） | 早期アクセス各段階のあと提供予定 |
つまり、いま実際に触れられるのは主に FLUX 3 Video の早期アクセスであり、画像生成（FLUX 3 Image）は数週間後、ロボット向けの FLUX-mimic は限られたパートナー向け、オープンウェイトの FLUX 3 Dev は今年後半以降という段取りです。
WARNING
現時点で FLUX 3 Image・FLUX 3 Dev はまだ一般提供されていません。「FLUX 3 のオープンウェイトが出た」「画像モデルがもう使える」と書くのは現段階では誤りです。早期アクセス・予定・限定公開の区別を意識してください。
料金・API の詳細・商用利用やライセンス条件については、公式ブログ上で明確な数字までは確認できませんでした（価格・ライセンスは要確認）。API アクセスへの言及はあるものの、具体的な単価や、FLUX.1 系のようなオープンウェイトのライセンス区分（例: dev の非商用ライセンス、schnell の Apache 2.0）が FLUX 3 Dev にどう適用されるかは、正式ドキュメントの公開を待つ必要があります。
従来の FLUX.1 系・他社モデルとの位置づけ
FLUX.1 系との関係を整理すると、次のようになります。
- FLUX.1（2024年8月）: 画像に特化した rectified flow transformer。pro（API 向けフラッグシップ）、dev（オープンウェイト・非商用）、schnell（Apache 2.0・高速）の3系統で普及。
- FLUX 3（2026年7月）: 画像だけでなく動画・音声・アクションを1モデルで扱うマルチモーダル基盤。フロー系の系譜を保ちつつ、対象を大きく広げた。
画像品質の系譜という意味では FLUX.1 の延長線上にありますが、FLUX 3 は「静止画の会社」から「動画・音声・物理世界まで狙う会社」への転換を示すものです。動画・音声を含むマルチモーダルという意味では、直近で話題になったGemini 3.6 Flash など Google のマルチモーダルモデルとも比較の軸が重なります。ただし FLUX 3 は生成側（テキストから動画・音声を作る）に強みを置く点、そしてロボットのアクション予測まで同じバックボーンで狙う点が独自色です。
補足: 他社の動画モデル（Runway、Luma、Kling ほか）との優劣は、前述のとおり現時点では BFL 自身の暫定評価しか無く、独立ベンチマークは未整備です。横並びの断定は避け、公開後に自分のユースケースで比較するのが妥当です。
開発者にとっての意味と注意点
現時点で、開発者として押さえておきたいポイントは次の3つです。
- いま試せるのは動画（早期アクセス）が中心。 テキストから最大約20秒・音声つきの動画を1モデルで作れるのは、これまで動画と音声を別パイプラインで繋いでいた実装を単純化できる可能性があります。まずは早期アクセスの範囲で、自分の素材・プロンプトで品質と扱いやすさを確かめるのが第一歩です。
- 画像・オープンウェイトは「待ち」。 FLUX.1 dev/schnell のようにローカルで回す使い方を想定している場合、それに相当する FLUX 3 Dev はまだ出ていません。本番の設計を FLUX 3 前提で固めるのは時期尚早で、少なくとも Image と Dev の正式提供・ライセンス条件が出るまでは、既存の FLUX.1 系や他モデルを主力に据えるのが現実的です。
- 数値・ライセンスは一次情報で確認する。 20秒という上限や音声同期は公式記載ですが、価格・API 仕様・商用可否・ベンチの優劣は、要確認または未確定です。実装判断は、まとめ記事ではなく BFL の公式ドキュメントで裏を取ってから行ってください。
NOTE
限定公開のあいだは、生成上限・レート制限・利用規約が変わりやすい段階です。早期アクセスで得た挙動が、正式版でそのまま維持される保証はありません。
まとめ
- Black Forest Labs が2026年7月23日、マルチモーダル基盤モデル FLUX 3 を早期アクセスとして発表。1モデルで画像・動画・音声・アクション予測を扱う。
- 動画は最大約20秒・ネイティブ音声つき。独自の Self-Flow によるマルチモーダルなフローマッチングで、画像・動画・音声を一体的に学習すると説明。
- リリースは段階的。いま触れるのは主に FLUX 3 Video の早期アクセスで、画像は数週間後、ロボット向け FLUX-mimic はパートナー限定、オープンウェイトの FLUX 3 Dev は今年後半以降の予定。
- ロボット制御（FLUX-mimic）は mimic robotics と共同、Audi が生産ラインで検証中。反応時間は約101ミリ秒とされる。
- 価格・API 仕様・ライセンス・第三者ベンチは要確認/未確定。優劣や商用可否の断定は、公式情報の公開を待つのが安全。
派手なマルチモーダル発表ですが、実像は「動画の早期アクセスが開き、画像とオープンウェイトはこれから」という段階です。まずは公式ドキュメントで提供範囲と条件を確認し、動画の早期アクセスで実力を測るところから始めるのが現実的です。
参考リンク
- FLUX 3 - Real World Models（Black Forest Labs 公式ブログ）
- FLUX 3 x mimic: The Next Generation of Video-Action Models（Black Forest Labs 公式ブログ）
- Black Forest Labs launches FLUX 3 ... in limited release to start（VentureBeat）
- Flux 3 generates videos with native audio up to 20 seconds long（The Decoder）
- Flux (text-to-image model)（Wikipedia、FLUX.1 系の背景）
