FLUX 3 Video レビュー：マルチモーダルなパワーや 20 秒間のクリップ、そして正直な限界点

AI 概要

FLUX 3 Video とは何か、また誰が開発したのか？

FLUX 3 Video は、Black Forest Labs が開発した、動画・音声・画像・アクションを統合的に扱うマルチモーダルモデルです。2026 年 7 月に発表されたこの動画機能では、テキストから動画や画像から動画へと最大 20 秒間のクリップを生成でき、ネイティブ音声も付与されます。

FLUX 3 Video の品質は、他のモデルと比べてどの程度優れているか？

FLUX 3 は、アニメーション付きタイポグラフィ、幅広いビジュアルスタイル、対話シーン、および自然なシンプルなシーン表現において特に優れています。一方、ホスティング環境下での 2K 出力、複雑な物理挙動、長時間にわたるオブジェクトの一貫性などについては、MiniMax H3 の方がより信頼性が高い選択肢です。

FLUX 3 Video の料金はいくらか？

パートナー API の価格は、約 1 秒あたり $0.17（10 秒で約 $1.70）です。Black Forest Labs は、一般向けの単純な「1 秒あたり」の料金体系を公表していません。そのため、一括処理を実行する前に、現在有効なプロバイダーの料金を必ずご確認ください。

FLUX 3 Video を ComfyUI 上でローカル実行できるか？

現時点では、公式に提供される消費者向けダウンロード可能な重み（weights）を用いたローカル実行はできません。ホスティングされた API ワークフローは ComfyUI や Comfy Cloud 上で利用可能になる可能性がありますが、ローカルでのセルフホスティングは、計画中の FLUX 3 Dev オープンウェイト版のリリースに依存しており、そのリリース日は未定です。

FLUX 3 Video が「実際に」何であるか — すべてを包括する 1 つのモデル

FLUX 3 は、動画専用のチェックポイントに後付けで別個の音声・音響ツールを接続したものではありません。これは、画像・動画・音声・アクションを、1 つのアーキテクチャで統合的に学習したマルチモーダル基盤モデルです。「Self-Flow」アプローチにより、これらのモダリティ（情報形式）が相互に整合され、生成された視覚的インパクトが音響に影響を与えたり、発話内容が口の動きを制御したり、画像参照が後の動画フレームをガイドしたりすることが可能になります。

この設計こそが、本製品の最も重要な強みです。クリエイターは、テキスト、開始画像、キーフレーム、既存の映像、対話、環境音などを、それぞれ独立したタスクとして扱わず、シームレスに切り替えて作業できます。ただし、この広範な基盤モデルには、同様に重要なトレードオフも存在します。すなわち、汎用性の高い基盤モデルが、あらゆるモーション、解像度、一貫性に関するテストで、専用の動画モデルを自動的に上回るわけではありません。

上記の公式生成フレームは、FLUX 3 の視覚的表現力の優れた例です。光沢のある赤いコートを着た人物が、蛍光グリーンのランドリー内に立っています。中央に配置された被写体、繰り返し配置された円形の洗濯機、そして鮮烈な補色対比が、視認性を損なわず、即座にグラフィック的なインパクトを与える構成となっています。

FLUX 3 Video が「実際に」できること — 機能と仕様

現行の生成リリースでは、基本的なテキストから動画への変換よりも広範な制御セットが提供されています：

• 最大 20 秒間： 5 秒または 10 秒で終了してしまうのではなく、1 回の生成で完全な対話シーンや短い CM シーンを収めることができます。
• ネイティブ音声： 対話、効果音、環境音がフレームと同時に生成されるため、別途ボイスオーバーを追加する必要はありません。
• テキスト・画像・キーフレーム入力： プロンプトから開始するほか、初期画像をアニメーション化したり、終了画像を定義したり、複数のキーフレームを連結したりできます。
• 動画の継続生成： 最大 4 秒間の既存動画と音声を入力し、その継ぎ目を超えてモーション、カメラ動作、対話、音響を継続的に生成できます。
• 複数ショット： 1 回の生成内でシーンやカメラ角度を切り替えつつ、全体として関連性のあるシークエンスを維持できます。
• タイポグラフィ： タイトル、看板、画面グラフィックス、アニメーション文字などのテキストを、シーンの一部として直接レンダリングできます。
• スタイルの多様性： カムコーダー風のカジュアルな映像からアニメーション、広告、ノスタルジア、洗練されたシネマまで、幅広いスタイルに対応します。
• 解像度： 生成は HD で提供され、フル HD 出力はアップスケーリングによって得られます。ただし、1080p はネイティブの 2K レンダリングとは混同しないでください。

公式 FLUX 3 出力：3 つの指定キーフレームを 10 秒間のシークエンスに連結した例。タイムライン表示により、孤立した最終フレームを見るよりも、制御方法が直感的に理解しやすくなっています。

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=公式 FLUX 3 出力 · ネイティブ音声付きアニメーションタイポグラフィ

このタイポグラフィの例は、実際の生成クリップであり、デザインされたモックアップではありません。本番用モデルを選択する前に類似コンセプトを検証するには、まず Seedance のテキストから動画へのワークフロー を試し、同じ依頼内容、再生時間、アスペクト比を用いてください。

実世界における品質 — FLUX 3 が優れている点と、課題となる点

FLUX 3 が最も明確に優れているのは、動きの中でのグラフィックコンテンツの表現です。端末上のテキスト、タイトルカード、看板、デザインされた文字などは、多くの動画モデルが生成する曖昧で読み取りにくい文字と比べ、意図が明確に伝わるものです。また、カジュアルなスタイル、レトロ調、アニメーション、商業用スタイルなど、さまざまなスタイルをスムーズに切り替えて表現できます。対話シーンでは、音声と動画を統合的に扱うモデルの恩恵を受け、発話、表情、部屋の残響音などが一体となって計画されます。

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=公式 FLUX 3 出力 · ネイティブ音声付き 20 秒間の対話シーン
```この20秒間のフルサンプルは、実際の再生時間における優位性を示しています。ミュートを解除して音声を聴いてください。同時に、全クリップにわたって視線の動き、表情の変化、マイクの位置関係、およびショットの安定性にも注目してください。出力時間が長いことの意味は、最後の数秒が依然として実用可能である場合にのみ成立します。

制限は、より厳しい制作テストで明確に現れます。ネイティブ生成パスはHDであり、Full HDへのアップスケーリングが可能です。一方、H3のホステッドワークフローでは2K再生パスに到達できます。高速なインタラクション、衝突、手と小道具との接触、および持続的なオブジェクトは、依然としてドリフトする可能性があります。再生時間は20秒で上限が設定されていますが、プロンプトにタイミング情報が不足していると、アクションが早めに終了したり、不自然に伸びたりすることがあります。コミュニティから「H3の方がシャープに見える」という批判は、比較に密なモーションと配信解像度が用いられている（タイポグラフィのデモではない）場合には、十分に妥当です。

プロンプト構造は、結果に依然として影響を与えます。形容詞を羅列するのではなく、時系列順——被写体、動作、カメラ、台詞、音響——で記述してください。[MiniMax H3プロンプティングガイド](/ja/blog/minimax-h3-prompting-guide)では、公平なテストのための、シーン単位で転用可能な構文が提供されています。

## 料金 — 「1秒あたり$0.17」の実際の意味

頻繁に引用される「1秒あたり$0.17」という数字は、単純なパブリックBFL価格表ではなく、パートナーAPIのリストから得られたものです。これは計画段階の概算見積もりとして扱い、実際に費用を発生させる前に、ライブエンドポイントの最新情報を確認してください。

| 制作ボリューム | 予想生成コスト |
| --- | ---: |
| 10秒のクリップ1本 | 約$1.70 |
| 10秒のクリップ10本 | 約$17 |
| 10秒のクリップ100本 | 約$170 |
| 20秒のクリップ1本 | 約$3.40 |

これらの合計額には、失敗したテイク、再試行、アップスケーリング、ストレージ、編集、およびプラットフォームによるマーアップは含まれていません。承認済みクリップ1本につき4つの候補が必要なキャンペーンでは、最終的な納品物ではなく、候補数に基づいて予算を組む必要があります。MiniMax H3の公表されているパートナー価格は、1秒あたり約$0.08に近く、これによりFLUX 3はAPI段階で約2倍のコストがかかります。Comfy Cloudはコンピュートまたはクレジット課金方式を採用しており、これはローカルでの無料推論とは異なるコスト経路です。

実務上の結論：現行のAPI価格は、プロトタイプ、タイポグラフィ主導の広告、および高価値なクリエイティブテストには妥当です。しかし、承認率が向上するか、オープンウェイトの導入によって可変コストが自社インフラへシフトするまで、無人運用の大量生産には正当化が困難です。

## ComfyUIおよびローカル環境設定 — 現状

現時点では、消費者向けローカル推論用の公式FLUX 3 Devチェックポイントは存在しません。Black Forest Labsは、オープンウェイトのマルチモーダル版を発表していますが、公開日や対応ハードウェアについては未定です。つまり、名称が類似するコミュニティ製ファイルをダウンロードしても、公式のローカルFLUX 3 Videoワークフローは構築できません。

利用可能なルートはホステッド方式です：対応するパートナーノードまたはクラウドカタログが利用可能になった時点で、ComfyUI内にAPIワークフローを組み込み、プロバイダーのキーを指定し、リモートインフラストラクチャがクリップを返すようにします。プロンプト、参照素材、ポストプロセッシング、およびエクスポートのための再現可能なノードグラフは得られますが、モデルそのものはワークステーション上で実行されません。

もし今日からローカル制御を最優先するのであれば、[LTX 2.5がより実用的なオープンウェイト選択肢です](/ja/blog/ltx-2-5-review)。H3もダウンロード可能なウェイトを提供していますが、その動画・音声パイプラインは、多量のVRAM、システムメモリ、および高速ストレージを必要とします。

## FLUX 3 Video vs MiniMax H3 — あなたのワークフローに適したのはどちらか

この選択は、絶対的な勝者を決めるものではなく、作業におけるボトルネックがどこにあるかに依存します。出力を比較する前に、[最高のMiniMax H3設定](/ja/blog/best-minimax-h3-settings)を用いて、安定したH3コントロールを確立してください。そうでないと、弱いベースラインが、いかなる競合製品をも実際以上に良く見せてしまう可能性があります。

| 項目 | FLUX 3 Video | MiniMax H3 |
| --- | --- | --- |
| 最長クリップ | 最大20秒 | 比較対象のホステッドパスでは通常10秒 |
| 最高配信パス | HD生成＋Full HDアップスケーリング | ホステッド2K再生 |
| ネイティブ音声 | あり | あり（32kHzステレオ） |
| タイポグラフィ／テキストアニメーション | 主要な強み | 基本的 |
| 複雑な物理的モーション | 混在 | 強い |
| ローカルオープンウェイト | FLUX 3 Devが計画中 | すでに利用可能 |
| パートナーAPI価格（概算） | 約$0.17／秒 | 約$0.08／秒 |
| 最適な用途 | ブランド広告、テキストモーション、マルチモーダルおよびロングフォームテスト | 精密なモーション、品質重視の配信、コスト感度の高い作業 |

読みやすいモーショングラフィックス、20秒のシーン、多様なビジュアルスタイル、あるいはワンパスでの台詞再生がコンセプトの核となる場合は、FLUX 3を選んでください。物理的ディテール、ホステッド2K仕上げ、ローカルウェイト、または生成コストがより重要である場合は、H3を選んでください。より広範な品質およびワークフロー比較については、[Seedance 2.5 vs MiniMax H3](/ja/blog/seedance-2-5-vs-minimax-h3)をご覧ください。

## 結論

FLUX 3 Video は、単なる専門的な動画モデルではなく、本物のマルチモーダル基盤です。そのタイポグラフィ、スタイルの幅広さ、ネイティブ音声、キーフレーム、継続生成、および20秒間のクリップは、実際の優位性を生み出します。一方で、HDから1080pへの配信パス、パートナー価格設定、困難な物理シミュレーション、および未公開のローカル重み付け（weights）は、現実の制約として残っています。FLUX 3 Dev の登場により、このバランスが変化する可能性があります。今日において、高品質なホスティング環境とよりシンプルな制作フローを求めるなら、[次回の動画を Seedance で作成しましょう →](/ja)。