Black Forest Labs の FLUX 3：画像・動画・音声・ロボット動作をひとつの AI モデルで

2026年7月23日、広く使われている FLUX 画像モデルを手がけるドイツの研究所 Black Forest Labs が FLUX 3 をリリースしました。これは単なる新しい画像生成ツールではありません。FLUX 3 は、画像を生成し、独自の同期音声付きで最長 20 秒の動画を制作し、さらにはロボットアームの物理的な動作まで予測する単一のマルチモーダルモデルです。しかも、そのすべてをひとつの統一された重みのセットから行います。要するに、ひとつのモデルが 四つの別々のツールの仕事をこなすということです。ビジュアルコンテンツを制作している企業や、物理的な自動化の台頭に注目している企業にとって、これは注意深く読み解く価値のあるシグナルです。

FLUX 3 で本当に新しいこと

これまでの AI システムは専門特化型でした。あるモデルは画像を作り、別のモデルは動画を作り、三つ目のモデルは音声を生成し、ロボティクスはまったく別の世界にありました。FLUX 3 はこれらを、Black Forest Labs が画像・動画・音声・動作で共同学習させた単一のアーキテクチャに統合しています。同社はこれを「ビジュアルインテリジェンス」と位置づけています。視覚世界を理解し生成するという同じ中核能力を、クリエイティブ作業、シミュレーション、コンピューター操作、ロボティクスに応用するという考え方です。CEO の Robin Rombach の言葉を借りれば、同社が公言している賭けは、四つのばらばらな製品を作るのではなく、統一アーキテクチャ内での共同学習によって各スキルが互いを強化し合うということです。

最長 20 秒の動画 — 音声も内蔵

クリエイティブ面の目玉は動画です。FLUX 3 は、ネイティブで同期した音声を伴う最長 20 秒の単一クリップを生成できます。セリフ、効果音、環境音は映像と一緒に生成され、後から貼り付けられるものではありません。テキストから動画、画像から動画、動画から動画への編集、キーフレームから動画に対応し、複数のショットをつなげてより長いシーケンスにすることもできます。正直に付け加えておくべき注意点があります。研究所自身の品質比較はより短い 10 秒・720p のクリップで行われたもので、これまでのベンチマークはベンダー自身の発表であり、独立したランキングはまだありません。数値は有望ではあっても、実証済みではないものとして扱ってください。

画面から工場の現場へ

今回の発表で最も驚くべき部分は、画面の中にはありません。FLUX 3 と同時に、Black Forest Labs はチューリッヒの企業 mimic robotics と共同で、同じアーキテクチャをベースにしたロボティクスモデル FLUX-mimic を発表しました。すでに実際の Audi の生産ラインでテストされており、「柔軟物」のマニピュレーション — 柔らかいドアシールの取り付け、ケーブルや変形しやすい部品の取り扱い — を担っています。これは、硬い産業用ロボットが歴史的に苦手としてきた種類の繊細な作業です。同社は約 101 ミリ秒の反応時間を報告しています。マーケティング画像を描くのと同じモデルファミリーが、工場のラインでロボットアームを導くこともできる — これこそが本当のニュースです。生成と動作がひとつの問題になりつつあるのです。

ビジネスにとっての意味

考えるべき視野は 二つあります。近い方はコンテンツです。ひとつのプロンプトから、ナレーション、サウンド、ブランドに沿ったビジュアルを備えた 20 秒の商品動画を生成するモデルは、かつてビデオグラファー、編集者、サウンドデザイナーを必要とした作業を圧縮します。EC にとっては、商品クリップ、広告、SNS コンテンツを現在のコストと時間のごく一部で作れることを意味します。遠い方の視野は物理的なものです。視覚 AI がいまや繊細な組み立て作業でロボットを動かせるのであれば、王国の製造業、物流、倉庫業 — ビジョン 2030 の産業的な野心の中心にある分野 — は、まったく異なるコスト構造へと向かっています。どちらの視野も今日すぐに行動することを求めてはいませんが、どちらも今から計画を始める企業に報いるものです。

期待しすぎる前に：限界

FLUX 3 は、今週すぐに組み込めるものではありません。リリース時点で稼働しているのは FLUX 3 Video と Action のみで、しかも Black Forest Labs が個別に承認する限定的な「早期アクセス」プログラムを通じてのみです。FLUX 3 Image は「今後数週間以内」と予告されており、オープンウェイト版の FLUX 3 Dev — 多くのチームが自社でホストできるバージョン — は「2026 年後半」に予定されています。重要なのは、Black Forest Labs からもパートナーからも公開 API はまだなく、価格も発表されていないことです。初期の統合は、登録フォームではなく、Canva、Krea、Magnific、Picsart、Burda といったクリエイティブプラットフォームを通じて進められています。したがって、ほとんどの企業にとって正しい一手は準備をすることであり、まだ誰もアクセスできない FLUX 3 の機能を顧客に約束することではありません。

Origami の見方

テクノロジー企業として、私たちの仕事はあらゆる新製品を追いかけることではなく、どれが可能性の形を変えるのかをお伝えすることです。そして今回はそのひとつです。私たちは FLUX 3 を 二つの面から注視しています。ひとつは、安定した API が公開され次第、お客様のマーケティングや EC のパイプラインに組み込めるコンテンツエンジンとして。もうひとつは、産業分野のお客様にとって物理的な自動化がどこへ向かっているかを示す早期シグナルとしてです。今日できる実践的な一歩はアーキテクチャです。後で引きはがさなければならない単一プロバイダーにがちがちに依存するのではなく、クリーンなインターフェースの背後で新しいモデルを差し替えられるように、コンテンツとメディアのシステムを構築してください。そうすれば、FLUX 3 の API が公開されたとき、数か月ではなく数日で導入できます。

まとめ

FLUX 3 は真のマイルストーンです。画像、動画、音声、物理的な動作が別々の AI の問題ではなくなり、ひとつの問題になり始める地点です。まだ初期段階で、アクセスは限定的、価格も未定です。だから急ぐ必要はありませんが、方向性は明確です。これを活かして勝つのは、公開されたその日に組み込める準備がシステムに整っている企業、そして想像し、かつ行動するひとつのモデルが自社の仕事に何をもたらしうるかをすでに理解している企業でしょう。

出典