FLUX 3 Video slibuje 20 sekund se zvukem. Na domácí GPU zatím nemíří

FLUX 3 není jen další generátor videa

Vývojáři z Black Forest Labs nepřistoupili k rozdělení tvorby obrazu a zvuku do samostatných modulů, ale navrhli FLUX 3 jako provázaný multimodální systém. Vizuální i akustická složka tak vznikají současně v rámci jednoho tréninkového procesu. Dle oficiální technické zprávy BFL si zpracování videa vyžádalo podstatnou většinu výpočetních kapacit – konkrétně přes 95 procent všech zdrojů vynaložených na trénink.

Tato architektura přináší zásadní výhodu v koordinaci zvuku s obrazem. Zvukové efekty typu nárazu, kroků či otevírání dveří i samotné mluvené slovo vznikají v přesné časové vazbě na vizuální děj. Ačkoliv tvůrci deklarují schopnost generovat cizojazyčné dialogy, přesný přehled podporovaných jazyků ani garanci vysoké kvality pro češtinu oficiální dokumentace zatím nepředkládá.

Text, obrázek i klíčové snímky

Základním režimem rozhraní je přímý převod textu na video (text-to-video), kde uživatel specifikuje scenerii, pohyb kamery i akustický doprovod. Nástroj však zvládá také image-to-video, tedy animaci jednoho či více vkládaných obrázků. Tato funkce má praktické uplatnění v reklamě nebo produktové prezentaci, kde je nutné zachovat přesný vzhled konkrétního produktu, postavy či prostředí.

Neméně podstatná je práce s klíčovými snímky (keyframes), kdy tvůrce definuje počáteční a koncovou pozici a model dopočítá plynulý přechod. Rozhraní podporuje rovněž navazování na existující videoklipy, práci s více scénami a takzvané agentní řetězení. Poslední zmíněnou funkci je třeba vnímat realisticky: nejedná se o automatizovaného režiséra, ale o systémové nástroje pro sestavování delších sekvencí z navazujících vygenerovaných úseků.

Až 20 sekund a nativní zvuk

Oficiální specifikace udává možnost vygenerovat až dvacetisekundový souvislý klip na jeden průchod. To usnadňuje práci oproti systémům vyžadujícím skládání kratičkých záběrů, při nichž dochází k nestabilitě postav či prostředí. Nicméně delší časový úsek sám o sobě nezaručuje bezchybnou kinetiku; u generovaného videa je stále nutné sledovat zachování fyzikálních rules, stabilizaci obličejů a návaznost detailů.

V interním srovnání organizovaném společností Black Forest Labs byly hodnoceny desetisekundové klipy v rozlišení 720p se zvukem. Podle publikovaných dat preferovali hodnotitelé FLUX 3 v 69 procentech případů oproti Grok Imagine Video, v 60 procentech proti Kling v3 Pro a v 77 procentech ve srovnání s Runway Gen-4.5. Tyto údaje reprezentují interní metriky dodavatele, nikoli nezávislé redakční testy, a je k nim třeba přistupovat jako k orientačnímu ukazateli vývojového posunu.

1080p je dostupné v ceníku, ne v domácím počítači

Ačkoliv propagační materiály zdůrazňují podporu 1080p, podrobný pohled na oficiální ceník Black Forest Labs ukazuje, že kategorie Full HD pokrývá rozsah od 1 do 2 megapixelů na snímek (například rozlišení 1920 × 1088). Reálný výstup tedy nemusí přesně odpovídat klasickému rozměru 1920 × 1080 pixelů.

Model vyžaduje platbu odvozenou od délky vygenerovaného videa. Náhledový Draft mode začíná na částce 0,06 USD za sekundu, zatímco standardní generování FLUX 3 Video z textu nebo obrázku vychází na 0,17 USD za sekundu. Vyšší rozlišení a úpravy existujícího videa cenu dále zvyšují. Draft mode je proto vhodný pro rychlé ověření kompozice, přičemž plný rendering se vyplatí až u schváleného konceptu. Finančnímu modelu jsme se podrobně věnovali v rozboru FLUX 3 Video zlevňuje testování nápadů. Platforma funguje bez nutnosti platit měsíční předplatné či poplatky za uživatelská sídla – účtuje se výhradně reálně spotřebovaný čas generování.

Na naší RTX 5060 Ti ho zatím lokálně nespustíme

Z hlediska českých vývojářů je zásadní odlišit cloudové rozhraní od lokální instalace. Dokumentace BFL prozatím nabízí ke stažení pouze open-weight váhy starší generace a řadu FLUX.2. V případě FLUX 3 Video jsou publikována pouze API rozhraní a integrace pro třetí strany, nikoliv samostatný modelový soubor pro nástroje typu ComfyUI.

Při našich předchozích redakčních testech s modelem MiniMax H3 na sestavě s grafikou RTX 5060 Ti a 16 GB VRAM se jasně ukázalo, že lokální renderování videa ve Full HD narazilo na limit grafické paměti. Rozlišení 1344 × 768 bylo plně funkční, avšak pokusy o 1920 × 1080 končily selháním sampleru i po aktivaci všech paměťových optimalizací. Případná druhá grafická karta RTX 3050 se 6 GB VRAM přitom neslouží jako rozshiřující paměťový fond.

Pro FLUX 3 tak v současnosti nelze garantovat chod na kartách se 16 GB VRAM. Bez dostupných vah, kvantizačních schémat a znalosti reálné paměťové náročnosti by bylo předčasné očekávat lokální spuštění nativního 1080p videa s audiem na běžném hardwaru. Situaci by mohlo změnit až případné pozdější vydání úspornějších kvantizovaných verzí.

Co to znamená pro české uživatele

Nástroj FLUX 3 Video je pro tvůrce v České republice dostupný prostřednictvím webového API a partnerských aplikací, přičemž přístupnost závisí na ověření účtu a podporovaných platebních branách. Češtinu lze sice použít v promtech, ovšem BFL nepředkládá oficiální specifikace pro českou fonetiku či kvalitu mluveného slova. Pro komerční nebo marketingové projekty je proto spolehlivější využít model pro vizuální složku a českou namluvenou stopu dodat samostatně.

Při práci s nástrojem se doporučuje začínat v úsporném režimu Draft, zkontrolovat stabilitu zabíraných objektů a pohyb kamery a teprve následně přejít k plnému rozlišení. Pro agentury a produkční týmy představuje FLUX 3 efektivní způsob přípravy konceptů a storyboardů. Výstup však stále vyžaduje lidskou korekci – od finálního střihu přes kontrolu zvuku až po autorskoprávní a věcnou prověrku.

Verdikt: silná cloudová novinka, nikoli hotový lokální model

FLUX 3 Video úspěšně slučuje tvorbu obrazu, pohybu a zvuku do jediného funkčního celku. Schopnost generovat dvacetisekundové sekvence na základě textových či obrazových vstupů spolu s pokročilým řetězením představuje pro tvůrce obsahu hmatatelný přínos.

Na druhé straně je třeba zohlednit dosavadní absenci nezávislých srovnávacích testů, chybějící stažitelné váhy pro lokální spuštění a neuvedené podrobnosti k české lokalizaci. Pro majitele karet typu RTX 5060 Ti zůstává FLUX 3 dostupný primárně přes cloudové rozhraní. Zda se v budoucnu prosadí i v lokálním prostředí ComfyUI, ukáže až případné uvolnění open-weight vah a jejich reálné nároky na VRAM.

Zdroje: modelová stránka FLUX 3, technické oznámení Black Forest Labs, ceník FLUX API, vlastní test MiniMax H3 na RTX 5060 Ti.