Black Forest Labs、音声生成対応の「Flux 3」を公開

Black Forest Labs（BFL）は、画像・映像・音声を組み合わせて学習するマルチモーダル基盤モデル「Flux 3」を公開した。同モデルは最大20秒の動画を生成できるだけでなく、映像に合わせた音声をネイティブに（別ツールを組み合わせずに）同時生成できる。これはBFLとして初の音声生成対応であり、同社にとって大きな技術的節目となる。

BFLはもともと、画像生成AIとして高い評価を得た「Flux」シリーズを手がけてきた企業だ。これまでのFluxモデルは静止画生成を得意としていたが、動画・音声へと対応領域を広げたFlux 3の登場により、同社は画像生成の枠を超えたマルチモーダルAIの開発企業として新たな段階へ進んだと見ることができる。動画と音声を一体で生成する技術は、コンテンツ制作やエンタテインメント分野での応用が広がる領域で、各社の開発競争が続いている。

BFL自身が実施したベンチマークテストでは、Flux 3の性能は動画生成分野の有力モデルとされるSeedance 2.0をわずかに上回る結果が出ている。ただし、現時点で第三者による独立した検証結果は公表されておらず、この評価はBFL自身のテストに基づくものである点に留意が必要だ。また、BFLはすでにFlux 3をロボティクス（ロボット技術）のタスクに適用するテストを進めていることも明らかにしている。

BFLが最終的に目指しているのは「ワールドモデル」の構築だという。ワールドモデルとは、現実世界の物理法則や因果関係をAIが内部的に理解・再現できるようにすることを指し、自律ロボットや高度なシミュレーションなどへの応用が想定される概念だ。Flux 3のロボティクスへの試験的な適用は、その長期目標に向けた初期ステップという位置づけと見ることができる。

動画生成に音声を組み合わせる動きは、AI業界全体で加速している。映像と音声を別々に生成してつなぎ合わせるのではなく、一つのモデルが両方を統合的に出力できることは、品質の一貫性やワークフローの効率化という観点で意味を持つ。BFLのアプローチは、単機能モデルの組み合わせから、統合的な生成基盤への移行という方向性を示すものと言える。

今後の注目点は、BFLの自己評価にとどまっているFlux 3の性能が、独立した検証によってどのように評価されるかだ。また、ロボティクス分野への応用がどこまで実用レベルに達するかも、ワールドモデルの実現可能性を測る上で重要な指標となるだろう。動画・音声・ロボティクスという複数の領域を横断する動きが、BFLの今後の方向性をより明確に示す機会になるという見方ができる。