FLUX 3 : la vidéo et le son nés ensemble, pas montés l'un sur l'autre
— AUDIOVISUEL
Black Forest Labs lance FLUX 3, un modèle entraîné conjointement sur l'image, la vidéo, l'audio et l'action, avec un premier volet vidéo en accès anticipé produisant des clips de vingt secondes au son synchronisé nativement. Le pari d'un monde appris d'un seul bloc séduit sur le papier, mais rien ne dit encore qu'il tienne face à un montage réel, calibré et validé en interne par le laboratoire lui-même.
Un générateur vidéo qui produit son son en même temps que son image, dans la même passe, sans repasser par une piste séparée : voilà le vrai déplacement de FLUX 3, plus que l'empilement de fonctionnalités qu'annonce Black Forest Labs. L'idée de départ mérite d'être prise au sérieux, un impact qui sonne juste parce que le modèle a appris que le son suit la masse et le choc, pas parce qu'un ingénieur du son l'a réglé après coup.
Ce volet-là concerne directement le monteur ou le motion designer qui doit livrer un teaser de vingt secondes avec une bande son crédible dans les délais d'un brief publicitaire serré. Jusqu'ici, le son venait après, en bibliothèque ou en composition, calé image par image. Un clip généré à partir d'un texte, d'une image de départ ou d'une vidéo de référence, avec dialogues multilingues et personnage stable d'un plan à l'autre grâce à des références visuelles, change littéralement l'ordre des opérations sur une timeline de production.
Reste que les évaluations mises en avant sont qualifiées de préliminaires par le laboratoire lui-même, et les taux de préférence revendiqués face à d'autres générateurs vidéo n'ont, pour l'instant, rien d'un jugement indépendant. Vingt secondes, c'est un format de teaser ou de transition, pas encore un plan-séquence de publicité complète, et la partie image du même socle n'est pas encore livrée : difficile de juger l'ensemble tant que la moitié du dispositif reste annoncée plutôt que testable.
L'apport réel, s'il se confirme sur des cas concrets, tient dans la suppression d'une étape entière plutôt que dans un simple gain de qualité : ne plus synchroniser le son a posteriori change la nature même du travail de post-production sur des formats courts, là où l'essentiel du budget partait justement dans ce calage. Ce n'est pas un outil de plus dans la boîte, c'est une boîte qui change de forme.
À tester en conditions réelles de brief plutôt que sur une démo calibrée : la vraie question n'est pas si le son colle à l'image, mais si le résultat tient encore une fois sorti du contexte contrôlé du laboratoire.