Black Forest Labs Luncurkan FLUX 3: Ciptakan Gambar dan Video 20 Detik dengan Audio, tetapi Terbatas untuk Rilis Awal

Black Forest Labs (BFL) kini memperluas keluarga FLUX-nya dengan peluncuran FLUX 3, sebuah model multimodal yang dilatih untuk memahami dan menghasilkan gambar, serta klip audio/video gabungan selama hingga 20 detik dari satu prompt. Inovasi ini juga diperuntukkan bagi penglihatan dan aksi robotik, membawa kemampuan yang sama ke domain tersebut.

Laboratorium AI yang berlokasi di Freiburg, Jerman ini menjelaskan bahwa FLUX 3 dilatih secara bersama-sama di semua modalitas tersebut. Bukan hanya mengumpulkan model gambar, video, dan audio secara terpisah di bawah satu antarmuka. Diferensiasi ini menjadi pusat tawaran perusahaan: BFL ingin perusahaan melihat generasi kreatif, simulasi, penggunaan komputer, dan robotika sebagai aplikasi yang saling terhubung dari satu kemampuan yang mereka sebut sebagai kecerdasan visual — model yang, dalam istilah perusahaan, “dapat memahami, memprediksi, dan bertindak di berbagai lingkungan fisik dan digital.” Peluncuran ini juga menandai model produksi video publik pertama oleh BFL.

FLUX 3 akan tersedia melalui empat lini produk: FLUX 3 Video, FLUX 3 Image, FLUX 3 Action, dan FLUX 3 Dev yang akan datang dan bersifat open source. FLUX 3 Video, dengan kemampuan generasi audio secara native, dan FLUX 3 Action kini memasuki program “Early Access” terbatas, di mana siapa pun bisa mendaftar, namun harus mendapatkan persetujuan dari BFL.

Saat ini, belum ada akses publik melalui antarmuka pemrograman aplikasi (API) BFL atau yang disediakan oleh mitra mereka, namun perusahaan menyatakan FLUX 3 Image akan diluncurkan dalam beberapa minggu ke depan, diikuti oleh ketersediaan umum. Strategi peluncuran ini mencerminkan pola peluncuran model baru dari laboratorium frontier lain di AS baru-baru ini, termasuk Anthropic dan OpenAI, meski itu tampaknya terkait dengan masalah keamanan dan permintaan pemerintah.

Hal lain yang belum diumumkan adalah harga, komitmen layanan tingkat produksi, metodologi evaluasi, ukuran sampel, jumlah penilai, atau tolok ukur model gambar. Akibatnya, pembeli korporat belum dapat menghitung total biaya kepemilikan atau mereproduksi perbandingan video secara independen.

Poin penting yang patut dicatat: FLUX 3 tidak diluncurkan dengan bobot yang dapat diunduh saat ini, atau lisensi open source. BFL menyatakan versi bobot yang lebih cepat dan terbuka akan hadir akhir tahun ini, dan blog teknis mereka menyebut FLUX 3 Dev sebagai “akses bobot terbuka ke tulang punggung multimodal, untuk penciptaan konten (video, audio, dan gambar) serta prediksi aksi” — komitmen yang jauh lebih luas dibanding rilis FLUX Dev sebelumnya, yang hanya mencakup gambar.

Namun, peluncuran ini datang belakangan dalam urutan yang diharapkan. Pengembang yang biasa mendapatkan varian FLUX yang dapat diterapkan secara lokal bersamaan — atau segera setelah — pengumuman model besar harus bersabar. Keterlambatan ini tidak membatalkan komitmen perusahaan, tetapi tetap mengecewakan mengingat peran bobot terbuka dalam adopsi FLUX sejauh ini.

FLUX 3 dinilai lebih unggul dibanding kompetisi, tetapi kurangnya informasi harga dan penilaian mungkin menghambat adopsi cepat oleh perusahaan

BFL telah mempublikasikan beberapa perbandingan tolok ukur, tetapi disebut sebagai evaluasi awal — dengan hasil dan metodologi lengkap akan dipublikasikan nanti saat ketersediaan umum yang lebih luas. Dalam pengujian preferensi awal di klip video teks-ke-video berdurasi 10 detik dan 720p dengan audio, perusahaan menyatakan FLUX 3 lebih disukai daripada Luma Ray 3.2 dalam 93% perbandingan, Runway Gen-4.5 dalam 77%, Grok Imagine Video dalam 69%, Kling v3 Pro dalam 60%, Happy Horse v1 dalam 59%, Happy Horse 1.1 dalam 57%, dan baik Seedance 2.0 maupun Google’s Gemini Omni Flash dalam 52%.

Namun, ada catatan penting dari BFL sendiri: grafik yang menyajikan hasil tersebut dilabel sebagai “evaluasi awal kandidat FLUX 3,” artinya angka tersebut menggambarkan titik pemeriksaan pra-rilis daripada model yang kini memasuki akses awal. Hal ini dapat berpengaruh dua arah: model yang dirilis bisa jadi berkinerja lebih baik, tetapi tidak ada yang diterbitkan hari ini mengukur apa yang sebenarnya akan dipanggil oleh pelanggan.

Luma Ray 3.2 dan Runway Gen-4.5, di mana FLUX 3 mencetak 93% dan 77%, adalah perbandingan paling lembut dalam daftar tersebut — produk-produk yang sudah mapan, namun bukan model yang saat ini memimpin peringkat video independen. Itu adalah kemenangan nyata, dan kemungkinan besar akan mengubah daftar pendek perusahaan.

Seedance 2.0, di angka 52%, adalah hasil yang bisa dianggap kebetulan, mengingat sebagian besar perusahaan Barat saat ini bahkan tidak bisa mengaksesnya. ByteDance telah menunda peluncuran internasional Seedance 2.0 setelah Netflix, Warner Bros., Disney, Paramount, dan Sony mengeluarkan ancaman hukum atas dugaan pelanggaran hak cipta sistematis. Menghubungkan produk yang terhenti bukanlah klaim kuat maupun merugikan.

Gemini Omni Flash, yang juga mencatat 52%, jauh lebih relevan. Omni adalah analog besar yang paling mendekati apa yang coba dicapai FLUX 3 — input multimodal, penciptaan yang peka terhadap video dan audio, serta pengeditan percakapan — dan berdasarkan pengukuran BFL, keduanya tidak dapat dibedakan dalam kualitas video teks-ke-video selama 10 detik.

Keunggulan Google dalam pertarungan ini adalah Omni tersedia secara umum melalui API Gemini seharga $0.10 per detik untuk video 720p yang dihasilkan, atau untuk klip 10 detik sekitar $1.00.

Namun, ada hal yang perlu diperhatikan bagi perusahaan yang beroperasi di dan sekitar Eropa. Pengeditan video yang diunggah tidak tersedia bagi pengguna Omni Flash di Kawasan Ekonomi Eropa, Swiss, dan Inggris, meskipun pengeditan video yang dihasilkan oleh model diperbolehkan. Perusahaan Eropa yang ingin memproses footage eksisting dengan pengeditan generatif tidak dapat melakukannya di Omni Flash saat ini.

Berikut adalah panduan kasar untuk perusahaan yang mempertimbangkan model video mana yang harus dijadikan andalan:

Satu arsitektur untuk generasi media dan aksi fisik

FLUX 3 dibangun di atas metode Self-Flow, cara BFL untuk menyelaraskan pemahaman dan generasi multimodal dalam satu arsitektur, yang diumumkan pada Maret 2026. Perusahaan menyatakan telah meningkatkan komputasi dan data secara signifikan untuk melatih secara bersamaan video, gambar, dan audio, serta pengujian menunjukkan bahwa generasi video dan prediksi aksi tidak memerlukan fondasi terpisah — arsitektur yang sama bisa diperluas ke prediksi aksi tanpa mengorbankan apa yang dipelajari dari video.

“Kami menempatkan visi di pusat pendekatan kami karena itu adalah media yang paling kaya sinyal dari dunia fisik. Gambar menyampaikan struktur, gambar dan video mengajarkan hubungan spasial, video mengajarkan dinamika, dan aksi mengungkapkan hubungan kausal. Namun visi saja bukanlah gambaran lengkap,” kata Robin Rombach, salah satu pendiri dan CEO BFL, dalam pernyataan pra-rilis yang diberikan kepada VentureBeat. “Kecerdasan sejati berarti memahami dunia: memprediksi bagaimana itu akan berubah, mengambil tindakan, dan belajar dari hasilnya. Pelatihan bersama dalam satu arsitektur yang terintegrasi adalah yang akan membawa kita ke sana, karena setiap modalitas pelatihan memperkuat yang lainnya. Audio menyampaikan waktu, prosodi, dan peristiwa fisik yang sulit dipahami oleh visi. Bahasa menyampaikan tujuan, abstraksi, dan instruksi yang tidak dapat diekspresikan dengan mudah oleh piksel.”

BFL menegaskan bahwa model yang hanya belajar gambar tidak bisa memahami dunia yang “bergerak, bersuara, berubah, dan merespons.” BFL juga mengklaim bahwa pemahaman fisik inilah yang menghasilkan rekaman yang dihasilkan dengan meyakinkan. Google membuat klaim yang hampir identik untuk Gemini Omni.

BFL menyatakan FLUX 3 menargetkan alat kreatif, media, desain, e-commerce, dan AI fisik, mendukung generasi video dengan audio tersinkron, pengeditan gambar yang akurat, konsistensi produk dan material di seluruh gerakan, generasi multibahasa, dan prediksi aksi robotik. Model ini sudah diuji oleh Canva, Burda, Magnific (dulu Freepik), Krea, dan Picsart.

Bagi perusahaan perangkat lunak kreatif, daya tariknya terletak pada konsolidasi. Fondasi tunggal ini berpotensi mendukung pembuat storyboard, pengeditan gambar, rendering produk, variasi video, dan lokalisasi tanpa perlu mentranslasi aset dan instruksi antara model yang tidak terhubung.

Bagi tim robotika, nilai potensi adalah efisiensi data. Model yang sudah menyandikan gerakan, perilaku objek, dan perubahan fisik mungkin memerlukan lebih sedikit pelatihan robot yang spesifik dibandingkan sistem yang memulai dari demonstrasi mentah.

Apa yang bisa dilakukan FLUX 3 Video

Bagian video adalah yang paling terperinci dalam peluncuran ini, dan mengonfirmasi pertanyaan yang sempat beredar sebagai rumor: FLUX 3 mampu menghasilkan klip selama hingga 20 detik dengan audio dalam satu generasi. Setiap output video dilengkapi dengan audio tersinkron. Sebagai perbandingan, HappyHorse 1.0 memiliki durasi maksimum 15 detik pada 1080p dengan audio tersinkron — meski BFL belum menyebutkan resolusi apa yang digunakan oleh klip durasi 20 detik mereka, dan evaluasi yang dipublikasikan dilakukan pada 720p. Meski begitu, klip sepanjang 20 detik dari satu prompt adalah salah satu yang terpanjang yang pernah dicapai, setara dengan model Sora dari OpenAI yang sudah dihentikan.

Daftar kemampuan yang dipublikasikan BFL mencakup:

• Generasi video dari teks.

• Generasi video dari gambar, baik dengan menghidupkan dari bingkai awal atau menggunakan gambar sebagai referensi visual.

• Generasi video dari video referensi, menyertakan elemen seperti karakter spesifik ke dalam adegan atau konteks baru.

• Generasi video-audio lanjutan dari input video dan audio yang ada.

• Generasi video dari keyframe untuk transisi yang terkontrol antara momen yang ditentukan.

• Dialog multibahasa.

• Beragam gaya visual dan rasio aspek, mulai dari rekaman camcorder candid hingga animasi dan sinematik.

• Generasi tipografi dan desain animasi.

• Penyusunan klip individu menjadi urutan yang lebih panjang dengan multi-shot.

Item terakhir adalah yang perlu diamati oleh tim video perusahaan. BFL mengklaim kemampuan ini berpadu untuk menghasilkan urutan yang berlangsung beberapa menit, dengan referensi visual menjaga konsistensi karakter di seluruh adegan. Jika itu terjaga dalam kondisi produksi, ini mengatasi batasan yang menghalangi video generatif dari sebagian besar jalur komersial: bukan kualitas klip, tetapi kontinuitas antar shot.

Kemampuan ini juga adalah area di mana kompetisi sangat ketat. Pembaruan utama HappyHorse 1.1 adalah R2V, atau Referensi-ke-Video, yang menerima beberapa gambar referensi karakter untuk menjaga identitas stabil di seluruh rekaman yang dihasilkan — masalah serupa, namun diatasi pada lapisan input ketimbang melalui penyusunan klip agen. Alibaba juga mengklaim sinkronisasi bibir tanpa drift dan secara spesifik menargetkan artefak yang menandakan video AI komersial sebagai sintetis, termasuk minyak wajah dan over-sharpening. Konsistensi karakter adalah tempat kategori ini diperebutkan, dan kedua perusahaan menyadari hal itu.

BFL menyatakan FLUX 3 Video sudah sangat kuat dalam ekspresi wajah manusia, mengaitkan suara dengan peristiwa fisik, dan output multibahasa. Di sisi gambar, perusahaan mengatakan evaluasi awal yang dilakukan selama pelatihan menunjukkan peningkatan signifikan dibanding versi FLUX sebelumnya dalam penanganan prompt kompleks dan generasi teks, termasuk teks akurat tinggi dalam berbagai bahasa. Sayangnya, mereka tidak mempublikasikan tolok ukur gambar atau rasio kemenangan.

Pengujian FLUX-mimic untuk menilai apakah model video bisa menjadi model robot

BFL menerapkan tesis arsitektur terintegrasinya melalui FLUX-mimic, sebuah model video-aksi yang dibangun di atas FLUX 3 dan dikembangkan bersama perusahaan Swiss, Mimic Robotics. Mereka adalah salah satu mitra pertama yang mendapatkan akses awal.

Blog teknis menyebutkan dua jalur berbeda menuju prediksi aksi: mengintegrasikan prediksi aksi langsung ke dalam FLUX 3, yang memperbesar pekerjaan awal Self-Flow, dan menggunakan tulang punggung video yang telah terlatih sebagai dasar yang peka terhadap dinamika dari mana model aksi khusus dapat disempurnakan dengan data terbatas. FLUX-mimic adalah jalur kedua — tulang punggung FLUX 3 dipadukan dengan keahlian pembelajaran robot andalan Mimic dalam manipulasi yang gesit.

FLUX-mimic dirancang untuk manipulasi robotik serbaguna: membantu robot memahami suatu adegan visual, memprediksi konsekuensi dari suatu aksi, dan beradaptasi dengan tugas baru dengan data spesifik tugas yang jauh lebih sedikit.

BFL dan Mimic Robotics menjelaskan bahwa tergantung pada tingkat kesulitan tugas, model bisa disempurnakan untuk tugas manipulasi tertentu dengan hanya 30 menit data robot, sementara pendekatan sebelumnya memerlukan 30 jam atau lebih.

“Bagian tersulit dari robotika adalah data,” kata Elvis Nava, CTO Mimic Robotics, dalam pernyataan yang diberikan para VentureBeat. “Setiap tugas baru biasanya berarti jam-jam robot mengulangi dirinya sendiri. Karena FLUX-mimic dibangun di atas model video terdepan yang sudah memahami bagaimana dunia fisik bersikap, ia bisa mengambil tugas baru dalam hitungan menit, bukan hari. Dengan cara ini, kami bisa melompati keadaan seni saat ini dalam pembelajaran robot.”

BFL berargumen bahwa sebuah model yang hanya dilatih dengan gambar tidak dapat memahami dunia yang “bergerak, bersuara, berubah, dan merespons,” dan bahwa pemahaman fisik inilah yang menghasilkan footage yang dihasilkan dengan meyakinkan. Google membuat klaim yang hampir identik untuk Gemini Omni.

Dokumentasi pengembangnya menyebutkan “pengetahuan dunia” yang menggabungkan “pemahaman fisika” dengan pemahaman sejarah, ilmu pengetahuan, dan konteks budaya dari Gemini. Pemasarannya pun lebih lugas: “Kebanyakan model AI hanya memprediksi piksel berikutnya untuk membangun narasi atau gambar. Gemini Omni berbeda,” kata perusahaan dalam publikasi Juni, mengklaim model ini memiliki “pemahaman intuitif tentang gaya tarik bumi, energi kinetik, dan dinamika fluida untuk gerakan yang lebih realistis yang mengikuti logika dunia nyata.”

Akibat praktis untuk pembeli perusahaan adalah bahwa bahasa model dunia bukanlah pembeda. Dua dari tiga sistem video teratas kini memasarkan pemahaman fisik sebagai keuntungan utama mereka, dan tidak ada yang mempublikasikan tolok ukur yang mengukurnya.

Tidak ada standar pengujian untuk menentukan apakah air yang dihasilkan berperilaku seperti air, apakah objek yang dijatuhkan jatuh dengan kecepatan yang masuk akal, atau apakah suara datang bersamaan dengan dampaknya. Penilaian preferensi manusia menangkap sebagian hal tersebut secara tidak langsung. Namun, tidak ada yang ditawarkan saat ini yang dapat menangkapnya secara langsung.

Bobot terbuka membantu menjadikan FLUX sebagai standar industri

BFL resmi diluncurkan pada musim panas 2024 dan telah membangun reputasi di industri AI dalam dua tahun yang berlalu berkat komitmennya untuk open source model-model gambar AI berkualitas tinggi yang dicintai oleh para pengembang, kreatif, dan perusahaan. Para pendiri perusahaan ini, termasuk Rombach, Andreas Blattmann dan Patrick Esser, sebelumnya membantu menciptakan VQGAN, latent diffusion, dan Stable Diffusion, teknologi open source yang membuka kemampuan generasi AI yang luas bagi masyarakat dan sekarang digunakan oleh banyak generator gambar AI dan perusahaan.

Jangkauan ini beralih ke distribusi komersial. Model FLUX kini menggerakkan fitur generatif di dalam Adobe Photoshop, Picsart, dan Hermes Agent dari Nous Research, antara platform lainnya, dan perusahaan menyebutkan sutradara film Martin Scorsese sebagai salah satu pengguna profesional.

Majalah Wired menggambarkan Black Forest Labs sebagai perusahaan kecil yang meskipun demikian telah menjadi pesaing terdepan bagi laboratorium AI terbesar di Silicon Valley, dengan model FLUX yang berada di dekat posisi teratas dalam tolok ukur gambar dan menjadi salah satu model teks-ke-gambar yang paling banyak diunduh di komunitas berbagi kode AI, Hugging Face. Perusahaan kini memiliki tim berjumlah 100 orang di Freiburg dan San Francisco.

FLUX.1 Dev, FLUX.1 Kontext Dev, FLUX.1 Fill Dev, dan model kontrol terkait, yang dirilis tak lama setelah peluncuran perusahaan, memberikan akses kepada peneliti dan pengembang alat kreatif untuk menggunakan titik pemeriksaan yang dapat diunduh, inferensi lokal dan integrasi dengan framework termasuk Hugging Face Diffusers dan ComfyUI. Misalnya, FLUX.1 Kontext Dev dirilis sebagai model bobot terbuka untuk penelitian dan penggunaan nonkomersial, dengan output yang dihasilkan diperbolehkan untuk tujuan komersial berdasarkan lisensi yang berlaku.

Perusahaan melanjutkan pola ini dengan FLUX.2 Dev di akhir 2025, sebuah model open-weight dengan 32 miliar parameter yang menggabungkan generasi dan pengeditan multi-referensi. Black Forest Labs menyebutnya sebagai model generasi dan pengeditan gambar bobot terbuka terkuat yang tersedia saat diluncurkan, dan merilis bobot, kode inferensi referensi, dan implementasi yang dioptimalkan untuk GPU Nvidia konsumen.

FLUX 3 Dev meningkatkan evaluasi itu. Rilis Dev sebelumnya adalah model gambar. Yang satu ini digambarkan sebagai tulang punggung multimodal yang mencakup video, audio, gambar, dan prediksi aksi — artinya satu lisensi akan mengatur apakah sebuah perusahaan dapat menerapkan model ini secara lokal yang menyentuh produksi konten dan mesin fisik. BFL belum membagikan informasi tentang lisensinya, jumlah parameter, kuantisasi, atau persyaratan perangkat keras.

Perusahaan menganggap bobot terbuka sebagai fitur perusahaan ketimbang hanya gerakan komunitas, berargumen bahwa hal itu memungkinkan penerapan lokal yang aman dan latensi rendah untuk aplikasi seperti sistem kontrol robotik dan memungkinkan tim untuk menyesuaikan FLUX 3 dengan data, produk, dan alur kerja mereka sendiri.

Investasi ke belakang FLUX 3 juga patut dicatat bersamaan dengan klaim teknisnya. Black Forest Labs memiliki nilai $3,25 miliar dan telah mengumpulkan lebih dari $450 juta dari investor termasuk a16z, AMP, Salesforce Ventures, Nvidia, General Catalyst, Adobe Ventures, Figma Ventures, Canva, dan T.Capital milik Deutsche Telekom.