FLUX 3 Video 音声付き20秒動画の作り方

「FLUX 3 の動画、まだ承認待ちの列でしょ」と思って放置していたなら、その認識はもう古いです。

2026年8月4日に一般提供が始まっていて、APIキーさえあれば今日から音声付きの20秒動画が回せます。

叩くエンドポイントから、音を意図通りに乗せるプロンプトの型まで、実際に使う順番で並べました。

FLUX 3 Video が一般提供開始 何が変わったか

Black Forest Labs のアナウンスはこうです。

テキストと画像からの生成にあたる FLUX 3 Video の初期版を、BFL API と一部パートナー経由で一般提供する。

効いているのは「一般提供」の4文字です。

7月の発表時点は、申請フォームを出して承認を待つ形でした。

今は待ち列そのものがありません。

ただし全部が開いたわけではありません。

一般提供の対象はテキストと画像からの生成で、動画編集などは「今後」の扱いのまま、モデル自体もドキュメント上はプレビュー表記です。

触れる範囲は一気に広がりましたが、完成品として渡されたわけではない、くらいの温度で見ておくのが正確です。

FLUX 3 Video の使い方 どこから触るか

入口は3つあります。

1. BFL のダッシュボードにあるプレイグラウンド。コードを書かずに試せるので最初はここ
2. API を直接叩く。エンドポイントは https://api.bfl.ai/v1/flux-3-video、認証は x-key ヘッダ
3. パートナーサービス経由。Canva、Krea、Runway、Picsart、Higgsfield、HeyGen、Cloudflare、NVIDIA などに入っています

コストは秒単位の従量制です。

5秒をHDで1本回して約128円、20秒をフルHDで作って約870円。

音まで込みでこの単価なら、試しながら覚える範囲に収まります。

なお重みを落としてローカルで回す話は、ここでは扱いません。

オープンウェイト版の状況は7月から動いていないので、そちらは別の記事にまとめてあります。

で、実際のところ何がすごいのか。

音の出方を知ると、このモデルの評価が変わります。

音声付き20秒動画の仕組み ダイアログも効果音も同時に出る

これまでの動画生成は3工程でした。

映像を作る、音を作る、合わせる。

口の動きとセリフがズレたら、どちらかを作り直しです。

FLUX 3 Video は、ダイアログ、効果音、環境音を個々のフレームと一緒に生成します。

後から重ねるのではなく同じ生成の中で出てくるので、リップシンクを合わせにいく工程が消えます。

対応言語には日本語も入っています。

英語（複数の方言）、中国語、スペイン語、フランス語、ドイツ語、日本語、ポルトガル語、ロシア語、イタリア語、インドネシア語、トルコ語、ヒンディー語、パンジャブ語など。

APIでこれにあたるのが generate_audio で、既定値は true です。

つまり何も指定しなければ音は出ます。

無音が欲しいときだけ false を書く、という向きになっています。

出力はHD（720p）とフルHD（1080p）、フレームレートは24fpsです。

FLUX 3 動画プロンプトの基本形 テキストから作る

公式ドキュメントが載せているテキストからの生成例が、そのまま型として使えます。

she takes his hand and pulls him laughing through the lantern-lit alley, the camera chasing them, paper lanterns swaying overhead, their footsteps and laughter echoing off the walls

1文の中に4要素が入っています。

1. 被写体の動作（手を取って笑いながら引っぱる）
2. カメラの動き（それを追いかける）
3. 環境（頭上で揺れる提灯）
4. 音（壁に反響する足音と笑い声）

注目してほしいのは4番です。

音を「効果音: 足音」のように別枠で指定していません。

情景描写の一部として、どこで何がどう鳴っているかを書いています。

公式はセリフや効果音の専用記法を出していないので、音を項目立てして並べるより、鳴っている状況を文章で描いたほうが通ります。

リクエスト自体はこれだけです。

curl -X POST https://api.bfl.ai/v1/flux-3-video \
  -H "x-key: $BFL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "mode": "t2v",
    "prompt": "a fox running through dawn mist",
    "resolution": "hd",
    "duration": 5,
    "generate_audio": true
  }'

指定できるのはこのあたりです。

レスポンスで動画がそのまま返ってくるわけではなく、まず id と polling_url が返ります。

status が Ready になると result.sample に動画のURLが入ります。

このURLは約2時間で切れます。

ブラウザで確認して満足して閉じると消えるので、生成したら先に落としてください。

画像を動かす 手持ちの生成物を動画にする

画像生成をやってきた人にとって、一番おいしいのがここです。

mode を i2v にして keyframes に画像を1枚渡すと、その画像が開始フレームになります。

{
  "mode": "i2v",
  "prompt": "the fox turns toward the camera and the mist lifts",
  "keyframes": "https://example.com/start.jpg",
  "duration": 5
}

構図もキャラクターも色も、画像側で作り込んだものがそのまま出発点になります。

プロンプトに書くのは「この先どうなるか」だけで済みます。

ゼロから文章で世界を立ち上げるより、狙ったところに当てるのがはるかに楽です。

何百枚と生成してきた中に、気に入ったまま置いてある1枚があるはずです。

それを動かすところから始めるのが、たぶん一番早く手応えが出ます。

そして5秒では収まらなくなったとき、次の手が要ります。

FLUX 3 キーフレームとシーン連結で20秒の壁を超える

keyframes は渡し方が3種類あります。

効くのは3番目です。

「0秒でこの絵、2.5秒でこの絵、5秒でこの絵」と置けば、間はモデルが繋ぎます。

絵コンテを先に画像生成で作って、それを時間軸に並べる作り方ができます。

動きをモデルのセンスに委ねるのではなく、通過点を指定して設計する形です。

そもそも1回の生成の中に複数のシーンとカメラアングルを入れられて、カットをまたいでも繋がりが保たれる、というのが公式の説明です。

20秒に収まるなら、無理に分割しないほうが楽です。

それを超える尺が欲しい場合は mode を v2v にします。

start_video に最大4秒ぶんの映像と音声を渡すと、その続きを作ってくれます。

前の勢いや構図を引き継ぐので、別クリップを切って貼るより繋がります。

ただし先に知っておいたほうがいい制約が2点あります。

1. 続きの出力は5〜15秒まで。テキストからの5〜20秒より短い
2. 単価が上がる。1秒あたり約65円で、テキストからの生成の約2.5倍

20秒作って15秒繋いで合計35秒だと、HDで約1,480円です。

長尺を狙うなら、ドラフトで流れを決めてから本番を回したほうがいいです。

ドラフトはおよそ3分の1のコストで、構図とタイミングの確認には足ります。

まとめ 何から試すか

最短の入り口はこの順番です。

1. ダッシュボードのプレイグラウンドで5秒のHDを1本。約128円で音付きが出てきます
2. 手持ちの画像を1枚、i2v の keyframes に渡して動かす
3. 20秒級を狙うなら、ドラフトで流れを固めてから本番

最初は音の設定をいじらないでください。

generate_audio は既定で true なので、何も書かなくても環境音まで乗ってきます。

そこで初めて「別工程で音を作らなくていい」の意味が体感でわかります。

画像なら、構図と質感を言葉にできるかどうかが分かれ目でした。

動画と音が同じモデルから出るようになって、そこに「何がどう鳴っているか」が加わっただけです。

結局、センスじゃなくて言語化なんですよね。

FLUX 3 Video, Part 1: Generation

FLUX 3 Video, Part 1

bfl.ai