Reseña de FLUX 3 Video: Potencia multimodal, clips de 20 segundos y limitaciones honestas

Visión general de IA

¿Qué es FLUX 3 Video y quién lo creó?

FLUX 3 Video es el modelo multimodal unificado de Black Forest Labs para video, audio, imágenes y acciones. Anunciado en julio de 2026, su lanzamiento de video genera clips de texto-a-video e imagen-a-video de hasta 20 segundos con audio nativo.

¿Qué tan buena es la calidad de FLUX 3 Video comparada con otros modelos?

FLUX 3 destaca especialmente en tipografía animada, estilos visuales amplios, diálogos y escenas simples con aspecto natural. MiniMax H3 sigue siendo la opción más segura para entrega alojada en 2K, física compleja y coherencia de objetos a largo plazo.

¿Cuánto cuesta FLUX 3 Video?

El precio de la API para socios es de aproximadamente $0,17 por segundo, o unos $1,70 por 10 segundos. Black Forest Labs no publica una tarifa pública simple por segundo, así que verifique el precio vigente del proveedor antes de ejecutar un lote.

¿Puedo ejecutar FLUX 3 Video localmente en ComfyUI?

No aún con pesos oficiales descargables por consumidores. Los flujos de trabajo de API alojados podrían aparecer en ComfyUI o Comfy Cloud, pero el autoalojamiento local depende de la futura versión de código abierto FLUX 3 Dev, cuya fecha de lanzamiento aún no está confirmada.

Qué es realmente FLUX 3 Video — Un modelo para todo

FLUX 3 no es un checkpoint exclusivo para video al que luego se adjuntan herramientas independientes de voz y sonido. Es un modelo base multimodal entrenado simultáneamente con imágenes, video, audio y acciones dentro de una única arquitectura. El enfoque Self-Flow alinea dichas modalidades, de modo que un impacto generado puede influir en el sonido, una línea hablada puede moldear el movimiento labial y una referencia visual puede guiar fotogramas posteriores del video.

Ese diseño constituye la ventaja central del producto. Un creador puede alternar entre texto, una imagen inicial, fotogramas clave, material fílmico existente, diálogo y ambiente sin tratar cada recurso como una tarea independiente. La contrapartida es igualmente importante: una base amplia no supera automáticamente a un modelo especializado en video en cada prueba de movimiento, resolución o coherencia.

El fotograma generado oficialmente anterior es un ejemplo más contundente del rango visual de FLUX 3: una figura solitaria con un abrigo rojo brillante se encuentra dentro de una lavandería verde fluorescente. El sujeto centrado, las máquinas circulares repetidas y el fuerte contraste cromático complementario crean de inmediato un gancho gráfico, manteniendo al mismo tiempo la escena legible.

Qué puede hacer FLUX 3 Video — Características y especificaciones

La versión actual de generación incluye un conjunto de controles más amplio que el básico texto-a-video:

• Hasta 20 segundos: una sola generación puede contener un fragmento completo de diálogo o una escena publicitaria corta, en lugar de detenerse tras cinco o diez segundos.
• Audio nativo: los diálogos, efectos y ambiente se generan junto con los fotogramas, en vez de añadirse posteriormente como una pista de voz separada.
• Entradas de texto, imagen y fotogramas clave: comience desde un prompt, anime una imagen inicial, defina una imagen final o conecte múltiples fotogramas clave.
• Continuación de video: proporcione hasta cuatro segundos de video y audio existentes, y luego continúe el movimiento, el comportamiento de la cámara, el diálogo y el sonido a través de la transición.
• Múltiples tomas: cambie de escena o ángulo de cámara dentro de una sola generación, manteniendo la secuencia relacionada.
• Tipografía: renderice títulos, letreros, gráficos en pantalla y tipografía animada como parte de la escena.
• Rango de estilos: pase de material casero con cámara de video a animación, publicidad, nostalgia o cine pulido.
• Resolución: la generación se ofrece en HD; la salida en Full HD está disponible mediante escalado; no confunda 1080p con renderizado nativo en 2K.

Salida oficial de FLUX 3 que muestra tres fotogramas clave suministrados conectados en una secuencia de diez segundos. La línea de tiempo facilita la comprensión del método de control frente a un fotograma final aislado.

src=https://r2.seedance.tv/blog/flux-3-video-review/official-typography-demo-v1.mp4  
poster=https://r2.seedance.tv/blog/flux-3-video-review/official-typography-poster-v1.jpg  
label=Salida oficial de FLUX 3 · tipografía animada con audio nativo  

El ejemplo de tipografía es un clip generado real, no una maqueta diseñada. Para probar un concepto comparable antes de elegir un modelo de producción, comience con el flujo de trabajo de texto-a-video de Seedance y use el mismo brief, duración y relación de aspecto.

Calidad en entornos reales — Dónde lidera FLUX 3 y dónde presenta limitaciones

La ventaja más clara de FLUX 3 radica en el contenido gráfico dentro del movimiento. El texto en terminales, las tarjetas de título, los letreros y la tipografía diseñada conservan mayor intencionalidad que las marcas borrosas que producen muchos modelos de video. Además, transita con soltura entre estilos casuales, retro, animados y comerciales. Las escenas de diálogo se benefician del modelo compartido de audio y video: el habla, las expresiones y el sonido ambiental se planifican conjuntamente.

src=https://r2.seedance.tv/blog/flux-3-video-review/official-dialogue-demo-v1.mp4  
poster=https://r2.seedance.tv/blog/flux-3-video-review/official-dialogue-poster-v1.jpg  
label=Salida oficial de FLUX 3 · escena de diálogo de 20 segundos con audio nativo  
```Esta muestra completa de 20 segundos demuestra la ventaja real en duración. Escuche tras desmutear, pero observe también las líneas de mirada, los cambios faciales, la geometría del micrófono y la estabilidad de la toma durante todo el clip: una salida más larga solo importa cuando los últimos segundos siguen siendo utilizables.

Las limitaciones son visibles en pruebas de producción más exigentes. La ruta de generación nativa es HD con escalado a Full HD, mientras que el flujo de trabajo alojado de H3 puede alcanzar una ruta de regeneración en 2K. Las interacciones rápidas, las colisiones, las manos que entran en contacto con accesorios y los objetos persistentes aún pueden desviarse. La duración está limitada a 20 segundos, pero una acción puede finalizar antes de tiempo o estirarse de forma antinatural si el *prompt* carece de indicaciones temporales. La crítica de la comunidad de que H3 puede verse más nítido es razonable cuando la comparación se basa en movimiento denso y resolución de entrega, no en una demostración tipográfica.

La estructura del *prompt* sigue influyendo en el resultado. Use una dirección cronológica —sujeto, acción, cámara, diálogo y sonido— en lugar de acumular adjetivos. La [guía de *prompting* para MiniMax H3](/es/blog/minimax-h3-prompting-guide) ofrece una sintaxis por toma transferible para pruebas justas.

## Precios — ¿Qué significa realmente $0,17/segundo?

La cifra frecuentemente citada de $0,17 por segundo proviene de listados de API de socios, no de una tarjeta de precios pública simple de BFL. Trátela como una estimación para planificación y verifique el punto final activo antes de comprometer gastos.

| Volumen de producción | Coste estimado de generación |
| --- | ---: |
| Una toma de 10 segundos | Aproximadamente $1,70 |
| Diez tomas de 10 segundos | Aproximadamente $17 |
| Cien tomas de 10 segundos | Aproximadamente $170 |
| Una toma de 20 segundos | Aproximadamente $3,40 |

Estos totales excluyen tomas fallidas, reintentos, escalado, almacenamiento, edición y márgenes de plataforma. Una campaña que requiere cuatro candidatos por cada toma aprobada debe presupuestar según el número de candidatos, no según las entregas finales. Los precios publicados para socios de MiniMax H3 pueden acercarse a $0,08 por segundo, lo que hace que FLUX 3 sea aproximadamente el doble de costoso en la etapa de API. Comfy Cloud sigue un modelo de facturación por cómputo o por créditos, lo cual representa una vía de coste distinta frente a la inferencia local gratuita.

El veredicto práctico: los precios actuales de la API son razonables para prototipos, anuncios centrados en tipografía y pruebas creativas de alto valor. Sin embargo, resulta difícil justificarlos para producción masiva sin supervisión hasta que mejoren las tasas de aprobación o los pesos abiertos desplacen el coste variable hacia infraestructura propia.

## ComfyUI y configuración local — Estado actual

Actualmente no existe un *checkpoint* oficial FLUX 3 Dev para inferencia local en entornos de usuario final. Black Forest Labs ha anunciado una variante multimodal de pesos abiertos, pero aún no ha confirmado una fecha pública ni un objetivo de hardware. Esto significa que descargar archivos comunitarios con nombres similares no crea un flujo de trabajo oficial de FLUX 3 Video local.

La ruta disponible es la alojada: use un flujo de trabajo de API dentro de ComfyUI cuando el nodo correspondiente de socio o catálogo en la nube esté disponible, proporcione la clave del proveedor y permita que la infraestructura remota devuelva la toma. Aún así, obtendrá un grafo de nodos repetible para *prompts*, referencias, posprocesamiento y exportación, pero el modelo en sí no se ejecutará en su estación de trabajo.

Si el control local es su prioridad actual, [LTX 2.5 es la opción más práctica con pesos abiertos](/es/blog/ltx-2-5-review). H3 también dispone de pesos descargables, aunque su canal de video y audio se beneficia de una cantidad sustancial de VRAM, memoria del sistema y almacenamiento rápido.

## FLUX 3 Video frente a MiniMax H3 — ¿Cuál conviene a su flujo de trabajo?

La decisión depende menos de un «ganador universal» que del cuello de botella específico de la tarea. Antes de comparar resultados, establezca un control estable de H3 con la [mejor configuración de MiniMax H3](/es/blog/best-minimax-h3-settings); de lo contrario, una línea de base débil podría hacer que cualquier competidor parezca mejor de lo que realmente es.

| Dimensión | FLUX 3 Video | MiniMax H3 |
| --- | --- | --- |
| Toma más larga | Hasta 20 segundos | Normalmente 10 segundos en la ruta alojada comparada |
| Ruta de entrega más alta | Generación en HD, escalado a Full HD | Regeneración alojada en 2K |
| Audio nativo | Sí | Sí, estéreo a 32 kHz |
| Tipografía / animación de texto | Punto fuerte principal | Básico |
| Movimiento físico complejo | Mixto | Más sólido |
| Pesos abiertos locales | FLUX 3 Dev previsto | Disponible ya |
| Precio aproximado de API de socios | Aproximadamente $0,17/segundo | Aproximadamente $0,08/segundo |
| Uso ideal | Publicidad de marca, movimiento tipográfico, pruebas multimodales y de formato largo | Movimiento preciso, entrega centrada en calidad, trabajos sensibles al costo |

Elija FLUX 3 cuando los gráficos en movimiento legibles, una escena de 20 segundos, estéticas variadas o el diálogo en una sola pasada sean fundamentales para el concepto. Elija H3 cuando importen más los detalles físicos, el acabado alojado en 2K, los pesos locales o el costo de generación. Para una comparación más amplia de calidad y flujo de trabajo, consulte [Seedance 2.5 frente a MiniMax H3](/es/blog/seedance-2-5-vs-minimax-h3).

## Conclusión

FLUX 3 Video es una auténtica base multimodal, no simplemente otro modelo especializado en video. Su tipografía, rango de estilos, audio nativo, fotogramas clave, continuación y clips de 20 segundos generan ventajas reales; su ruta de entrega de alta definición a 1080p, los precios para socios, la física compleja y los pesos locales aún no publicados siguen siendo limitaciones reales. FLUX 3 Dev podría cambiar ese equilibrio cuando llegue. Para una calidad alojada sólida y una ruta de producción más sencilla hoy mismo, [crea tu próximo video en Seedance →](/es).