L’essentiel
- Black Forest Labs a publié Flux 3, un modèle multimodal qui apprend image, vidéo et audio ensemble et génère des clips avec bande-son native jusqu’à 20 secondes.
- Le son n’est plus ajouté après le montage : le même réseau cale les bruits sur les événements visuels, en un seul passage.
- Sur des tests internes et préliminaires, Flux 3 devance Runway Gen-4.5 dans 77 % des comparaisons et fait jeu égal (52 %) avec Seedance 2.0 et Gemini Omni Flash.
Jusqu’ici, une vidéo générée par IA naissait muette. Le modèle produisait des images animées, puis venait une seconde étape : coller une bande-son, doubler les voix, plaquer des bruitages calés à la main sur le montage. Deux métiers, deux outils, deux passes.
Black Forest Labs vient de casser cette séquence. Son nouveau modèle, Flux 3, génère l’image et le son d’un même geste, pour des clips allant jusqu’à 20 secondes. Le bruit d’une porte, le claquement d’un pas, une phrase prononcée dans la bonne langue : tout sort du même réseau, en même temps que les pixels.
Pourquoi le son arrivait toujours en dernier
Un modèle vidéo classique apprend surtout à prédire l’image suivante à partir des précédentes. L’audio, lui, était traité comme une couche annexe, ajoutée par un autre système une fois la vidéo figée. D’où ce défaut tenace des démonstrations : des lèvres qui bougent à côté du son, un objet qui tombe une fraction de seconde avant qu’on l’entende.
Le problème n’est pas la qualité du son en soi, mais sa synchronisation avec ce qui se passe à l’écran. Or aucune modalité, prise seule, ne suffit à décrire le réel : l’image donne la structure de l’espace, la vidéo montre comment elle évolue, le son relie un événement mécanique au bruit qu’il produit. Séparez-les, et le modèle doit deviner ce lien après coup.
Comment un seul réseau apprend à voir et à entendre
Flux 3 repose sur une méthode que Black Forest Labs appelle Self-Flow : entraîner un même modèle à générer et à comprendre le contenu simultanément. Concrètement, un transformer multimodal dispose d’encodeurs et de décodeurs dédiés à l’image, à la vidéo, à l’audio et même à l’action, qui traduisent chaque flux dans une représentation interne commune, puis la reconvertissent en sortie.
L’image d’un orchestre aide à comprendre : un seul chef fait jouer tous les pupitres de concert, au lieu de les faire répéter chacun dans leur coin. En apprenant les trois modalités ensemble, le modèle les laisse se compléter : ce qu’il ignore d’une scène par l’image, il le rattrape par le son ou le mouvement. Black Forest Labs affirme que ce socle unifié bat la méthode standard précédente, le flow-matching, tant sur la qualité de génération que sur la compréhension du monde physique.
En pratique, Flux 3 gère le texte-vers-vidéo, l’image-vers-vidéo, les transitions par images-clés, le dialogue multilingue, et l’enchaînement de plusieurs plans pilotés par un agent pour composer des séquences plus longues. L’entreprise revendique une aisance particulière sur les expressions du visage et sur l’accord entre un bruit et l’événement physique qui le provoque.
Des scores flatteurs, encore à confirmer
Sur ses propres évaluations, menées sur des clips de 10 secondes en 720p, Black Forest Labs annonce des préférences utilisateurs élevées : Flux 3 l’emporterait dans 77 % des comparaisons face à Runway Gen-4.5, et dans 93 % face à Luma Ray 3.2. L’écart se resserre nettement contre les meilleurs : 60 % face à Kling v3 Pro, et un simple match nul (52 %) face à Seedance 2.0 comme à Gemini Omni Flash.
Le principe du son natif n’est d’ailleurs pas inédit : Google l’avait ouvert dès 2025 avec Veo, premier modèle grand public à caler dialogue et bruitages sur l’image. La singularité de Flux 3 tient moins à l’idée qu’à sa durée, 20 secondes, et au socle qu’il partage avec la robotique.
Ces chiffres sont préliminaires et proviennent de l’éditeur lui-même : aucun test indépendant n’est encore disponible. Rejoindre le peloton de tête, où figure déjà Seedance, resterait à démontrer. Mais l’enjeu n’est pas le classement du jour. Il est que la barre du réalisme se déplace : longtemps, la difficulté tenait à produire une image crédible ; elle glisse désormais vers la cohérence entre ce qu’on voit et ce qu’on entend, tenue en un seul passage.
Du clip de 20 secondes au bras robotisé
La partie la plus intrigante n’est pas à l’écran. Puisque le même modèle apprend à prédire ce qui vient après (l’image suivante, le son associé), Black Forest Labs le pousse vers l’action : anticiper un geste à partir de sa compréhension du monde. L’entreprise a développé avec Mimic Robotics une variante, Flux-mimic, un modèle vidéo-action déjà testé sur des tâches de production chez Audi.
La logique se tient. Prédire l’image d’après ou anticiper le geste d’un bras mécanique, c’est dans les deux cas modéliser l’état suivant d’un système physique. Un générateur de clips et un cerveau de robot partageraient alors la même colonne vertébrale. L’audio natif, spectaculaire dans une démonstration, n’est peut-être que la partie visible d’un projet bien plus large : ce que Black Forest Labs nomme une « intelligence visuelle du monde réel ».
Le modèle se déploie par étapes, avec des phases d’accès anticipé pour les retours et les tests de sûreté, et un accès en open-weight annoncé. La version vidéo est déjà là ; la génération d’images, elle, est attendue dans les prochaines semaines.
Mon avis
L’audio natif va très vite cesser d’être une prouesse pour devenir le minimum attendu : un générateur qui réclame encore une passe de son séparée paraîtra daté avant la fin de l’année. Ce qui me retient, c’est plutôt la brique « action » greffée au même modèle. Générer une vidéo cohérente et commander un geste robotisé relèvent du même problème, prédire ce qui vient après, et je crois que c’est là, pas dans les clips de 20 secondes, que se jouera l’avance de cette famille de modèles.
