新生成AIモデル「FLUX 3」、動画・音声生成からロボット制御まで単一基盤で対応
2026年7月26日 09:31
Black Forest Labsは7月23日、画像・動画・音声を同時学習し、ロボットの動作予測にも拡張した生成AIモデル「FLUX 3」を発表した。公開時点で広く使えるのは動画機能の早期アクセス版に限られ、画像機能やオープンウェイト版はまだ提供されていない。一方で、同社アーキテクチャを基にしたロボティクスモデル「FLUX-mimic」は、Audiの生産ラインですでに稼働していることが確認されている。
■3つのツールではなく、1つの基盤
Black Forest Labs（BFL）は2026年7月23日、「FLUX 3」を発表した。これは画像AIモデルに動画機能を後付けしたものではない。Stable Diffusionを支える潜在拡散アーキテクチャを築いた創業チームを擁する同社は、画像・動画・音声を単一の重みで同時に学習し、その同じアーキテクチャをロボット動作の予測にも拡張した。
その結果、20秒の動画クリップにネイティブで同期した音声、高度な画像編集、工場の生産ラインにおけるロボット制御を、1つの共通バックボーンで処理する主要な生成AIモデルが生まれたという。発表直後に注目を集めたのは将来像よりも、FLUX 3アーキテクチャ上に構築されたロボティクスモデル「FLUX-mimic」が、すでにAudiの生産ラインで稼働していると検証可能な点だった。
動画生成分野の主要競合であるRunway、Luma、Klingは、音声と動画を別々のパイプラインで構成するか、音声を生成後に付加している。これに対してFLUX 3は、BFLによれば、画像・動画・音声を最初から共同学習しており、音声と動画を単一の生成パスで同時に出力する。これにより因果的な整合性が向上し、物体が表面に当たる音が衝突フレームに一致し、せりふが口の動きに追随し、環境音も映像内容に対応しやすくなるとしている。
■Self-Flowが狙うのは生成品質と表現品質の両立
この基盤となる手法は「Self-Flow」と呼ばれ、BFLが2026年3月に公開した。一般的なflow matchingアーキテクチャは、現代の多くの拡散モデルと同様に高品質な生成結果を出せる一方で、下流タスクに使うには内部表現が弱くなりがちだという。Self-Flowは、生成品質と表現品質を同じ枠組みで両立させることを狙う。BFLは、この手法によって動画生成ベンチマークと、シミュレーションにおけるロボット制御タスクの成功率が同時に改善したと報告している。
FLUX 3はその研究をスケールアップした応用例にあたる。BFLによれば、モデル全体の学習計算量の95％超を動画予測が占める。新規性の面で前面に打ち出されている音声は、720p動画生成におけるトークンの0.5％未満にすぎない。BFLは、モデルが動画のダイナミクスを正確に予測できるようになれば、物理的な出来事とそれに伴う音の因果関係は、比較的小さな追加コストで学習できるとしている。
共同創業者兼CEOのRobin Rombach氏は、「現実をごまかすことはできない。画像だけを学んだモデルは画像しか生成できない。しかし、世界は静止フレームでできているわけではない。動き、音を立て、変化し、応答する」と述べた。
■動画機能とベンチマークの見方
公開時点で広く早期アクセスできる唯一の構成要素が「FLUX 3 Video」だ。最大20秒、720p解像度の動画を、同じ生成パスで作られる音声付きで生成する。対応ワークフローには、text-to-video、image-to-video、video-to-video編集、キーフレーム制御のトランジション、多言語のせりふ生成、タイポグラフィ生成、複数クリップをつないで長いマルチショット映像にするエージェント型チェーンが含まれる。
BFLが実施した10秒・720pのtext-to-videoクリップに関する予備的な社内評価では、人手評価者はFLUX 3の出力を、Grok Imagine Videoより69％、Kling v3 Proより60％、Runway Gen-4.5より77％、Luma Ray 3.2より93％の比較で好んだという。Seedance 2.0とGemini Omni Flashに対しても、52％とわずかな優位が示された。
ただし、購入検討者や開発者が見落とすべきでない重要な留保がある。BFLは評価手法、サンプルサイズ、評価者の選定基準、比較に使った具体的なプロンプト群を公開していない。比較に使われたのは最大20秒ではなく10秒の生成クリップであり、研究者やレビュー媒体による独立ベンチマークもまだ行われていない。BFL自身も、モデルはなお開発途上にあり、早期アクセス期間中にさらに改善すると見込んでいる。
BFLが特に強調する特性は、人の表情の捉え方、足音や衝突音、ドアの閉まる音といった物理イベントと音の正確な対応付け、そして多言語の対話表現である。
■FLUX-mimicとAudi導入の意味
FLUX 3発表の中で、アーキテクチャ面で最も重要な主張は動画ベンチマークではない。動画生成とロボットの動作予測は同じ根本問題だという見方であり、BFLはそれを自動車の生産ラインで実証したと位置付けている。
FLUX 3の学習に動作予測を加えると、当初は人手評価による動画品質が約10％低下したが、追加で約3500ステップ学習させると、以前の動画品質を完全に回復しつつロボット動作も予測できるようになったという。BFLはこれを、リアルな動画を可能にする世界表現、つまり接触ダイナミクス、物体の重さ、因果関係の連鎖が、ロボットの行動に必要な情報も同時に符号化している証拠だと解釈している。
このバックボーン上に構築されたロボティクスモデル「FLUX-mimic」は、mimic roboticsとの協業で開発された。別個のロボット学習モデルを一から作るのではなく、FLUX 3の動画予測経路から取り出した中間特徴の上に軽量なアクションデコーダーを学習させる構成だ。BFLによれば、FLUX 3のバックボーンを完全に凍結した状態でも、このアクションデコーダーは従来のvision-language-actionモデルを上回ったという。これが再現されれば、動画学習済みバックボーンが、物理操作へ直接転用できる世界理解をすでに内包していることを示唆する。
実務上の意味は、ファインチューニング効率にある。BFLは、世界の物理をすでにモデル化したバックボーンがあれば、従来手法よりはるかに少ない実演データで新しい操作タスクを教えられるとする。特定の操作タスク向けのファインチューニングは、従来手法で30時間以上を要したのに対し、30分のロボットデータでも可能だという。先行研究のmimic-videoでは、従来のvision-language-actionモデルに比べて最大10倍のサンプル効率が報告されており、FLUX-mimicはそこにSelf-Flowによる表現品質向上の上積みがあると説明されている。
■本番環境でのレイテンシとAudiのコメント
mimicによる本番ハードウェア向け最適化済みデプロイでは、FLUX-mimicのバックボーンは、感覚入力から世界表現の生成までを単一のNVIDIA RTX 5090 GPU上で80ミリ秒未満で実行する。アクションデコーダー、センサー・モデル・アクチュエーター間のプロセス間通信、予測と実行を重ねるリアルタイムのチャンク処理を含むシステム全体では、エンドツーエンドの反応時間は約101ミリ秒に達するとされる。これは人間の視覚反応時間と同程度だ。
Audiは導入を認めている。Audi Production LabのChristoph Schneider氏は、「従来のロボティクスでは到底不可能だった複雑なソフトボディ操作作業を、これらのロボットが解決するのを確認している。これは従業員の支援、効率向上、生産や物流業務全体での柔軟な自動化の拡大に大きな影響を与えうる」と述べた。
対応している作業には、部品を決められたトレイにそろえるキッティング、電子制御ユニットを隙間の少ない治具へ挿入する作業、部品組み立て、シール材やケーブルのような柔らかい材料の操作が含まれる。Audiによれば、各モデルの仕様差が大きい高級車生産では、こうした作業は従来のプログラム型ロボティクスでは費用対効果の面で対応が難しいという。
■オープンウェイト版がもたらす可能性
発表全体の中で、戦略面で最も重要かもしれないのが、マルチモーダルなバックボーンをオープンウェイトで公開する計画「FLUX 3 Dev」だ。ただし、これはまだ利用できない。
BFLは、FLUX 3 Devの具体的な公開日、ライセンス条件、パラメータ数を明らかにしていない。確認されているのは、動画・音声・画像を生成し、動作予測にも対応する同じマルチモーダルバックボーンのオープンウェイト版を公開する計画があるという点だ。
その意味は同社のこれまでの実績から見えてくる。BFLの従来モデル群「FLUX.1」は、オープンな拡散モデルのエコシステムとして広くダウンロードされてきた。創業チームが関わったStable DiffusionとFLUXを合わせると、累計ダウンロード数は約5億件に達したという。オープンウェイト版の「FLUX.1 [dev]」は、数千規模のコミュニティ製ファインチューニング、LoRAアダプター、ComfyUI統合を生み、BFLのAPIを超えて利用範囲を広げた。BFLの説明通りにFLUX 3 Devが同じマルチモーダルバックボーンを含むなら、研究者や開発者がローカルで実行し、ファインチューニングし、組み込める初のこの種のモデルになる可能性がある。少なくとも現時点では、このカテゴリに属する音声・動画マルチモーダルモデルのオープンウェイト版は存在しない。
動画生成の競合であるRunway、Luma、Sora、Kling、Seedanceはいずれもプロプライエタリだ。説明通りにFLUX 3 Devが提供されれば、BFLの立ち位置は有力競合から、オープンソースのマルチモーダル動画分野における事実上の基盤層へと変わる可能性がある。
■現時点で未提供のもの
発表日現在、告知された4つのFLUX 3構成要素のうち、3つはまだ一般公開されていない。
FLUX 3 Videoは限定された早期アクセス段階にあり、APIとプライベートウェイトの形で選定パートナー向けに提供されている。利用にはbfl.ai/models/flux-3から申請が必要だ。FLUX 3 ActionにはFLUX-mimicが含まれ、こちらも選定された研究・商用ロボティクスパートナー向けの早期アクセス段階にある。デザイナー、マーケター、イラストレーターにとって最も関係が深いFLUX 3 Imageは、今後数週間以内の提供が見込まれているが、2026年7月25日時点では未公開だった。オープンウェイト版のFLUX 3 Devは、2026年後半を予定している。
どの提供階層についても価格は発表されていない。BFLは、より広い提供開始時に完全なベンチマーク手法を公表するとしているが、この約束自体は独立には検証できない。早期アクセスのテストパートナーにはCanva、Burda、Magnific（旧Freepik）、Krea、Picsartが含まれる。
■なぜBFLの主張が注目されるのか
BFLがアーキテクチャ上の大きな主張を打ち出せる背景には、創業チームの実績がある。Rombach氏は、CVPR 2022 Oralの論文「High-Resolution Image Synthesis with Latent Diffusion Models」の筆頭著者であり、Stable Diffusionを支えた効率的な生成アーキテクチャとして潜在拡散を確立した。この、ピクセル空間ではなく圧縮された潜在空間で処理することで、品質を保ちつつ計算量を大幅に減らすという基本的な発想が、FLUX 3の動画予測にも引き継がれている。
同社は2025年12月のシリーズBで3億ドル（約492億円、1ドル＝164円換算）を調達し、評価額は32億5000万ドル（約5330億円、同）に達した。累計調達額は4億5000万ドル超（約738億円超、同）とされる。投資家にはa16z、AMP、Salesforce Ventures、NVIDIA、General Catalyst、Adobe Ventures、Figma Ventures、Canva、Deutsche TelekomのT.Capitalが名を連ねる。従業員は100人規模で、ドイツのフライブルクとサンフランシスコを拠点とする。
ロボティクス市場の文脈も重要だ。フィジカルAI市場は2026年の38億ドル（約623億円、同）から2030年には72億4000万ドル超（約1187億円超、同）へ拡大すると見込まれている。さらに、ロボティクス企業の2026年の資金調達額は558億ドル（約9兆1512億円、同）に達し、前年までの年間記録のほぼ2倍だという。こうした投資の波の中で、AudiへのFLUX-mimic導入は、BFLをその中心に直接位置付ける。
Rombach氏は発表時に、「汎用的で高機能な統合ビジュアルモデルの可能性は、まだその表面をかすったにすぎない。インタラクティブな画像・動画編集から、シミュレーション、フィジカルAI、コンピューター利用まで、フロンティアは大きく開かれている」と述べた。
市場に対してBFLが評価を求めているのは、アーキテクチャ上の仮説そのものだ。物体がどう動き、出来事がどう音になり、表面が接触にどう応答するかという世界のダイナミクスを本当に理解するモデルは、単に画像モデルを拡張したものではない。それはワールドモデルであり、コンテンツ生成はその活用先の1つにすぎず、ロボティクスもまた別の活用先だというのがBFLの賭けである。
■注目ポイントQ&A
●FLUX 3 VideoはRunway Gen-4.5やLuma Rayと比べてどうか
BFLの予備的な社内評価では、10秒・720pのtext-to-video比較で、人手評価者はFLUX 3をRunway Gen-4.5より77％、Luma Ray 3.2より93％の比較で好みました。ただし、これはベンダー自身が示した数値で、評価手法、サンプルサイズ、独立検証は未公表です。確定的な結論ではなく、方向感を示す数字として見る必要があります。
●Self-Flowとは何か、ロボティクスの主張とどう関係するのか
Self-Flowは、生成品質だけでなく、下流タスクに直接使える内部表現も整った形で学習させるBFLの手法です。標準的なflow matchingモデルは高品質な動画を作れても、内部特徴が他システムにとって使いにくい場合があります。BFLによれば、Self-Flowは動画生成品質と表現品質を同時に改善し、FLUX-mimicのアクションデコーダーはこの整った中間特徴を直接読めるため、別個のロボット学習モデルを必要としません。
●FLUX 3はいつ全面公開されるのか。オープンウェイト版はあるのか
2026年7月25日時点で利用できるのは、選定パートナー向け早期アクセスのFLUX 3 VideoとFLUX 3 Actionです。FLUX 3 Imageは今後数週間以内、オープンウェイト版のFLUX 3 Devは2026年後半が予定されています。どの階層についても価格はまだ発表されていません。
●Audiへの導入でロボティクスの主張は実証されたのか
AudiのChristoph Schneider氏は、FLUX-mimicがAudiの生産設備で稼働し、従来のロボティクスでは費用対効果の面で難しかったソフトボディ操作を含む作業に対応していると認めています。実名付きの本番導入であり、研究室デモではありません。一方で、この手法が異なるタスク、異なるハードウェア、異なる産業環境にどこまで一般化するかは、なお独立検証を待つ段階です。
元記事: FLUX 3 Launches: Black Forest Labs Enters Video, Audio, and Physical AI in One Model