FLUX 3 Max : dix secondes de vidéo générées en douze secondes, sans sacrifier la qualité

Black Forest Labs et fal présentent FLUX 3 Max, un modèle vidéo capable de générer dix secondes en 12,45 secondes, avec audio et contrôle par images clés.

Produire une séquence de dix secondes en à peine plus de douze secondes : avec FLUX 3 Max, Black Forest Labs et fal cherchent à réduire l'attente qui sépare une idée de son résultat vidéo. Le modèle, développé à partir de FLUX 3 puis adapté par les équipes de recherche de fal, affiche un temps de génération de 12,45 secondes dans la comparaison mise en avant par les deux entreprises, contre 277,8 secondes pour Seedance 2.5. Cette différence d'environ 22 fois s'accompagne d'un classement parmi les premiers modèles de génération vidéo à partir d'images dans l'évaluation d'Artificial Analysis. Au-delà de la vitesse, FLUX 3 Max propose trois méthodes de création, du simple prompt à l'utilisation de plusieurs images clés, avec génération sonore intégrée. La vitesse devient un argument de création

Dans la production vidéo par IA, le délai de génération influence directement la manière de travailler. Une scène dont le rendu demande plusieurs minutes limite les possibilités d'expérimentation, particulièrement lorsqu'il faut comparer différentes intentions de réalisation, corriger un mouvement de caméra ou modifier le comportement d'un personnage. Réduire ce temps à quelques secondes change le rythme des itérations, sans pour autant garantir que chaque génération sera exploitable.

C'est sur ce compromis entre rapidité et qualité que repose le positionnement de FLUX 3 Max. Le modèle s'appuie sur FLUX 3, développé par Black Forest Labs, auquel fal Research a appliqué un entraînement complémentaire et des optimisations d'inférence. Les partenaires distinguent donc le modèle d'origine de sa variante Max, conçue pour produire des vidéos plus rapidement tout en améliorant l'adhérence aux instructions et la qualité visuelle.

Dans sa communication, Black Forest Labs annonce la génération d'une vidéo de dix secondes en 12,45 secondes, contre 277,8 secondes pour Seedance 2.5. Le rapport est d'environ 22,3 fois. Les fiches techniques de fal évoquent également un temps proche de onze secondes, correspondant à une accélération supérieure à 25 fois. Ces valeurs proviennent de configurations de mesure présentées séparément et ne doivent pas être confondues avec un temps garanti pour toutes les requêtes. La résolution, la durée, le niveau de raisonnement et les conditions de service peuvent modifier sensiblement les délais. Un classement parmi les premiers en image-vers-vidéo

Les performances visuelles ne reposent pas uniquement sur les démonstrations des deux entreprises. Dans le classement AA-Video-I2V v1.1 d'Artificial Analysis, consacré à l'animation d'une image en vidéo, FLUX 3 Max obtient un score Elo de 1 138, contre 1 140 pour MiniMax H3 et 1 138 pour Seedance 2.5. Les intervalles de confiance se recouvrent, ce qui place ces modèles dans un groupe statistiquement proche, sans établir une supériorité nette de FLUX 3 Max sur chacun de ses concurrents.

Le modèle apparaît également dans le classement texte-vers-vidéo d'Artificial Analysis, avec un Elo de 1 159, identique à celui de Seedance 2.5 dans les résultats consultés. Il se situe derrière Wan 3.0 et Utopai X dans ce classement général. La revendication de première place ex æquo doit donc être replacée dans le contexte de l'évaluation image-vers-vidéo, et non interprétée comme une domination de toutes les catégories de génération vidéo.

Black Forest Labs et fal mettent notamment en avant le traitement des voix, des effets sonores, des mouvements physiques et des prompts inhabituels. Ces capacités sont importantes pour les séquences narratives et les propositions visuelles moins conventionnelles, mais leur qualité reste dépendante de la scène demandée. Les scores Elo mesurent les préférences recueillies lors de comparaisons entre générations ; ils ne garantissent ni l'exactitude physique ni la cohérence de chaque résultat. Trois méthodes pour construire une séquence

FLUX 3 Max est proposé sur fal à travers trois interfaces de génération, qui répondent à des besoins créatifs différents. La première, Text-to-Video, produit une scène directement à partir d'une description écrite. Le prompt peut préciser les personnages, leurs actions, les déplacements de caméra, l'éclairage et l'environnement sonore, sans nécessiter d'image initiale.

La deuxième, Image-to-Video, utilise une image comme point de départ. Cette approche permet d'animer une photographie, une illustration ou une composition déjà définie, tout en décrivant les mouvements attendus. Une image de fin facultative peut également servir à orienter l'aboutissement de la séquence. Pour les studios disposant d'une direction artistique précise, ce fonctionnement évite de laisser au modèle l'entière responsabilité du cadrage et de l'apparence initiale des éléments.

La troisième interface, Keyframes-to-Video, étend ce principe à plusieurs moments d'une même vidéo. Elle accepte jusqu'à dix images clés, chacune associée à une position sur une chronologie de 24 images par seconde. Un prompt décrit les actions et les transitions qui doivent relier ces références. La méthode permet notamment de préparer une entrée en scène, une transformation visuelle ou une progression entre plusieurs compositions, sans devoir générer indépendamment chaque plan intermédiaire.

Les images clés restent des indications de génération, et non des images obligatoirement reproduites à l'identique. Le modèle interprète les mouvements entre les points de référence, avec les variations et les imperfections que cela peut entraîner. Des vidéos de cinq à vingt secondes avec audio

Les trois interfaces prennent en charge des séquences de cinq à vingt secondes, avec une durée réglable par incréments d'une seconde. La définition standard est de 720p, tandis qu'une option 1080p repose sur une mise à l'échelle de la vidéo produite. Plusieurs formats de cadrage sont disponibles, notamment 16:9, 9:16, 1:1, 4:3 et 21:9, afin d'adapter les générations aux usages éditoriaux, publicitaires ou aux plateformes sociales.

La génération audio est activée par défaut,