Flux 3 de Black Forest Labs passe de l’image à la vidéo

Black Forest Labs, start-up allemande connue pour ses modèles de génération d’images, passe à la vidéo avec Flux 3, un modèle multimodal capable de créer des séquences d’une vingtaine de secondes à partir d’un prompt et de références visuelles. L’outil est proposé en accès anticipé pour la vidéo, tandis que la version image n’est pas encore disponible. Ce virage compte aussi pour l’industrie : la société teste déjà une déclinaison avec Mimic Robotics sur des bras robotisés de la chaîne Audi.

Un premier modèle public qui mêle image, vidéo et audio

Flux 3 repose sur une architecture unifiée qui combine images, vidéos et audio, selon Black Forest Labs. La start-up parle d’“intelligence visuelle du monde réel”, une formule ambitieuse, mais l’idée est simple : faire travailler ensemble plusieurs formats au lieu de les traiter séparément. Flux 3 devient ainsi le premier modèle public de génération vidéo de l’entreprise, après une gamme jusque-là limitée au text-to-image.

Le modèle peut, d’après l’éditeur, générer des vidéos, des images et de l’audio simultanément à partir d’un prompt et d’images ou vidéos de référence. La durée annoncée atteint jusqu’à 20 secondes par génération. Sur le papier, cela place l’outil dans une catégorie encore étroite, où la cohérence temporelle reste souvent le point faible des générateurs vidéo. Une vidéo qui se tient du début à la fin, voilà encore un petit luxe technique.

Une méthode d’entraînement donnée comme 2,8 fois plus rapide

Black Forest Labs attribue cette montée en gamme à Self-Flow, une méthode d’entraînement autosupervisée et propriétaire. Ce type d’approche permet au modèle d’apprendre la représentation et la génération en même temps, ce qui réduit le coût temporel de l’apprentissage. L’entreprise affirme que la méthode est 2,8 fois plus rapide qu’une approche classique.

Ce gain reste à interpréter avec prudence [à vérifier], car la comparaison dépend du protocole retenu. En revanche, le message stratégique est clair : la start-up veut montrer qu’elle ne se contente pas d’entrer sur le marché de la vidéo générative, mais cherche à y arriver avec une méthode plus efficace que ses concurrentes. Dans un secteur où chaque seconde de calcul se paie, c’est un argument qui pèse.

Chez Audi, la vidéo générée sert déjà à piloter des robots

Le cas d’usage le plus concret se trouve du côté industriel. Black Forest Labs s’est associée à Mimic Robotics, start-up suisse spécialisée dans la robotique humanoïde, pour concevoir Flux-Mimic, un modèle de vidéo à action qui s’appuie sur la prédiction vidéo de Flux 3 afin de commander des bras robotisés. Une première version est en test sur la chaîne de production d’Audi, notamment pour l’assemblage de portières de SUV Q6 e-tron.

Cette expérimentation montre que la génération vidéo n’est pas réservée aux contenus créatifs ou marketing. Elle peut aussi servir de brique pour la robotique industrielle, où l’enjeu est de décrire et d’anticiper des gestes avec suffisamment de précision pour guider une machine. À ce stade, Flux 3 Image n’est pas disponible, mais Flux 3 Vidéo est accessible en accès anticipé, ce qui laisse la suite encore ouverte [à vérifier] sur le calendrier et les usages finaux.