何が提供開始されたのか
Black Forest Labs（BFL）は、動画生成モデル「FLUX 3 Video」をBFL APIおよび一部パートナー経由で一般提供しました。出力はHDとフルHDで最長20秒。特筆すべきは音声がネイティブ生成である点で、セリフ・効果音・環境音を映像と同時に作ります。リップシンクしたセリフは14言語を超える言語に対応します。
入力の自由度も広く、テキストからの生成、画像からの生成に加え、キーフレーム指定、既存動画の継続生成、そして1クリップ内での複数シーン・複数カメラアングルの切り替えをサポートします。BFLは、シーン内に文字（タイポグラフィ）を直接描画できること、複雑なプロンプトへの追従性、ドキュメンタリー用途などで効く世界知識の活用を強みとして挙げています。
なぜ「音声込み・秒課金」が効くのか
これまでの動画生成は、映像を作った後にナレーション、効果音、BGM、リップシンクを別工程で足すのが常でした。FLUX 3 Videoは音声を含めた秒課金という料金設計を採っており、映像と音の統合工程がモデル側に吸収されます。制作フローの「工程数」そのものが減るという意味で、単なる画質競争とは性質の違う変化です。
複数シーンとカメラアングルを1クリップ内で扱える点も同じ文脈で読むべきです。カット割りのある短尺映像を、編集ソフト上の結合作業なしに1回の生成で出せるなら、企画から初稿までの距離が一気に縮みます。
Eloの数字はどう読むか
BFLの自社テストでは、FLUX 3はtext-to-videoでElo 1,135、image-to-videoで1,051を記録し、Gemini Omni Flash、Minimax H3、Seedance 2.0を上回るとしています。ただしこれはBFL自身の評価であり、第三者ベンチマークではありません。Eloは人間の相対評価に基づく指標のため、評価者の構成やプロンプト分布で順位は動きます。数十ポイント差を絶対的な優劣として受け取るのは危険で、自社の実際の素材で比較検証する前提の数字と捉えるのが妥当です。
料金構造の読み方
秒課金は用途ごとにコストが読みやすい反面、モードによる差が大きい設計です。ドラフトモードはHD限定で、text-to-video / image-to-videoが秒0.06ドル、video-to-videoが秒0.12ドル。高品質はHDで秒0.17ドル / 0.41ドル、フルHDで秒0.29ドル / 0.53ドルとなります。
つまり、フルHD高品質で20秒フルに使うと1本5.80ドル、video-to-videoなら10.60ドル。一方でHDドラフト20秒は1.20ドルです。ドラフトで大量に振り、当たりだけを高品質で焼き直す——という探索と仕上げの二段構えが、料金表からそのまま導かれる使い方になります。
💼 事業会社視点：これは自社にどう効くか
注目すべきは1本あたりの単価ではなく「試行回数の単価」です。HDドラフトなら20秒で約1.20ドル。企画会議で議論していた案を、その場で30本作って見比べるコストが数十ドルに収まります。ECや消費財の事業責任者にとって、これはSKUごと・訴求軸ごとに動画クリエイティブを出し分ける運用が現実的な予算に入ることを意味します。フルHD高品質でも20秒5.80ドルですから、ボトルネックは制作費ではなく、大量の候補を評価・選別する社内プロセス側に移ります。
受託開発・制作会社にとっては構造変化です。撮影・編集・MA（音声整音）を分業で積み上げる見積もりのうち、短尺の説明動画やSNS広告の領域は、音声込み生成が直撃します。「工数×単価」の請求から、プロンプト設計・ブランド一貫性の担保・法務チェックといった、モデルが代替しない工程へ収益源を組み替える判断を今期中に迫られます。
SaaS各社には、14言語超のリップシンク対応が効きます。製品デモやオンボーディング動画の多言語展開は、これまで海外展開の後回し項目でした。ここが安くなるなら、英語版を作る前に日本語・英語・東南アジア主要言語を同時に出す、という順序変更が合理的になります。
動くべきは、Eloの数字を鵜呑みにする前に自社素材で比較PoCを回すこと。そして生成物の権利・表示ルールと、誰が最終承認するかの社内規程を、先に決めておくことです。