FLUX 3, Black Forest Labs lancia il modello multimodale che genera immagini, video e audio

Nel giro di poche ore il baricentro dell’AI generativa si è spostato di nuovo, e stavolta non riguarda il testo ma le immagini in movimento. Il 23 luglio 2026 Black Forest Labs, il laboratorio tedesco nato dai ricercatori che hanno creato Stable Diffusion e la famiglia di modelli FLUX, ha presentato FLUX 3, il suo primo modello nativamente multimodale. Non è l’ennesimo generatore di immagini, ma un sistema unico che impara insieme da immagini, video e audio, e che può essere esteso perfino a prevedere azioni fisiche per la robotica.

La promessa è ambiziosa: una sola rete neurale che disegna un’immagine, produce una clip video con la sua colonna sonora e guida un braccio robotico, partendo dallo stesso insieme di pesi. Se ti occupi di contenuti, marketing o sviluppo, è il tipo di annuncio che conviene capire nel dettaglio, perché anticipa la direzione dei prossimi mesi.

Cosa è FLUX 3 e perché segna un cambio di passo

Fino a oggi quasi tutti gli strumenti di AI generativa erano specializzati: un modello per le immagini, uno diverso per i video, un altro ancora per l’audio. FLUX 3 rompe questo schema perché nasce multimodale, addestrato in contemporanea su segnali diversi dentro un’unica architettura.

Alla base c’è una tecnica che l’azienda chiama Self-Flow, il metodo con cui allinea generazione e comprensione multimodale nello stesso impianto. Il punto più interessante, spiegato nel comunicato, è che la generazione video e la previsione delle azioni non richiedono fondamenta separate: la stessa architettura, aumentando dati e potenza di calcolo, riesce a estendersi dal video al controllo di un robot senza perdere ciò che ha imparato osservando i filmati.

Il ragionamento parte da un’idea semplice. Il mondo è multimodale, e la vista è il canale a più alta densità di informazione che abbiamo a disposizione.

La tesi di fondo di Robin Rombach, cofondatore e amministratore delegato del laboratorio, è netta: un modello che vede solo immagini può generare solo immagini, ma la realtà si muove, suona, cambia e reagisce. “Non puoi ingannare la realtà”, ha detto, spiegando perché FLUX 3 viene addestrato su tutti questi segnali insieme. L’obiettivo dichiarato è costruire quella che l’azienda chiama intelligenza visuale, cioè modelli capaci di percepire, prevedere e agire nel mondo fisico e digitale.

Un’unica base, quattro declinazioni

FLUX 3 non arriva come prodotto monolitico, ma in quattro varianti pensate per usi diversi: FLUX 3 Video, FLUX 3 Image, FLUX 3 Action e una futura versione FLUX 3 Dev. Sono espressioni della stessa base multimodale, calibrate su compiti specifici, dalla creazione di contenuti fino alla robotica industriale.

Video fino a 20 secondi con audio nativo

La punta di diamante disponibile al lancio è FLUX 3 Video, il modulo che genera clip con audio nativo prodotto insieme alle immagini. Non si tratta di filmati muti da sonorizzare a parte: il modello crea dialoghi, effetti sonori e rumore ambientale sincronizzati con ciò che accade sullo schermo.

Secondo quanto riportato al debutto, FLUX 3 Video raggiunge clip lunghe fino a circa 20 secondi e supporta diverse modalità di lavoro: dalla generazione a partire dal testo a quella che parte da un’immagine, fino alla trasformazione di un video già esistente. Ci sono anche il controllo tramite fotogrammi chiave, il concatenamento di più inquadrature e il supporto multilingua per i dialoghi, elementi che avvicinano lo strumento a un piccolo set di montaggio automatico.

Black Forest Labs sostiene che, pur essendo ancora in sviluppo, FLUX 3 Video guidi già le valutazioni iniziali rispetto ai modelli video di frontiera. I punti di forza indicati sono tre: la resa delle espressioni facciali umane, la capacità di associare i suoni agli eventi visivi e le competenze multilingua.

C’è però un limite concreto da tenere presente. Al momento FLUX 3 Video è in accesso anticipato, riservato a chi ne fa richiesta, e non è ancora un servizio aperto a chiunque.

Per capire la posta in gioco basta pensare a quanto costa oggi produrre un breve video pubblicitario o una clip per i social. Se un modello riesce a generare scena, movimento e audio coerenti in un colpo solo, una parte del lavoro di ripresa, doppiaggio e montaggio si comprime in pochi minuti di prompt. È qui che si concentra gran parte dell’interesse economico attorno a strumenti come questo.

Immagini, azioni e la scommessa sulla robotica

La componente dedicata alle immagini, FLUX 3 Image, promette generazione e modifica accurata su stili, formati e risoluzioni diverse, con progressi nel seguire istruzioni complesse e nel rendere leggibile il testo in più lingue, un tallone d’Achille storico dei generatori di immagini. Il rilascio è atteso nelle prossime settimane. Se lavori con la generazione di immagini tramite AI, è la parte da monitorare più da vicino.

La vera sorpresa, però, è FLUX 3 Action, la declinazione pensata per la robotica. Qui il modello non produce un contenuto da guardare, ma prevede le azioni con cui un robot manipola gli oggetti reali.

Insieme all’azienda mimic robotics, Black Forest Labs ha presentato FLUX-mimic, un modello video-azione costruito proprio su FLUX 3. Il dato che colpisce riguarda l’efficienza dei dati: secondo l’annuncio, il sistema può essere adattato a un compito di manipolazione con appena 30 minuti di dati raccolti dal robot, contro le 30 o più ore richieste dagli approcci precedenti. Il nodo più difficile della robotica, ha osservato Elvis Nava, direttore tecnico di mimic robotics, sono proprio i dati, e partire da un modello che già capisce la fisica del mondo permette di imparare un compito nuovo in minuti anziché giorni.

Non è teoria da laboratorio. Il sistema è in fase di test e distribuzione con aziende manifatturiere, tra cui Audi, che lo sta valutando nei suoi reparti per compiti complessi di manipolazione di materiali morbidi, il genere di operazione che la robotica tradizionale gestisce con enorme fatica.

Disponibilità, pesi aperti e le incognite che restano

Sul piano pratico la fotografia al 23 luglio è chiara: FLUX 3 Video con audio nativo opzionale e FLUX 3 Action sono in accesso anticipato dietro richiesta, mentre FLUX 3 Image arriverà nelle settimane successive. L’accesso via API è atteso a breve, con disponibilità generale a seguire, e i benchmark completi verranno pubblicati insieme all’apertura più ampia.

C’è poi la mossa più rilevante per la comunità di sviluppatori: Black Forest Labs rilascerà nel corso dell’anno versioni più veloci e a pesi aperti di FLUX 3, coerentemente con la sua storia di modelli aperti. I pesi aperti rendono possibile l’esecuzione locale a bassa latenza, utile per esempio nei sistemi di controllo robotico, e permettono a chi sviluppa di adattare il modello ai propri dati e ai propri flussi di lavoro.

Restano però alcune incognite non banali. L’azienda non ha comunicato il numero di parametri né i requisiti hardware, e le prestazioni dichiarate vanno ancora verificate su benchmark indipendenti, non solo interni.

Vale la pena ricordare chi c’è dietro tutto questo. Black Forest Labs, con sede tra Friburgo e San Francisco, è valutata 3,25 miliardi di dollari e ha raccolto oltre 450 milioni da investitori come a16z, NVIDIA, Salesforce Ventures e Adobe Ventures. I modelli firmati dal suo team, da VQGAN alla diffusione latente fino a FLUX, sono stati scaricati oltre mezzo miliardo di volte e alimentano funzioni generative in piattaforme molto diffuse, da Adobe Photoshop a Picsart e Canva.

Cosa cambia per te

FLUX 3 conferma una tendenza ormai netta: la corsa dell’AI si sta spostando dal solo linguaggio verso modelli che comprendono il mondo visivo e fisico. Per chi crea contenuti, poter generare un video con audio già sincronizzato riduce passaggi, tempi e costi di produzione. Per chi lavora nella robotica, insegnare un compito in mezz’ora invece che in giorni può cambiare l’economia di interi processi industriali.

L’annuncio arriva in una settimana fittissima di lanci, appena un giorno dopo il debutto di Claude Opus 5 di Anthropic, segno di quanto sia serrata la competizione tra i laboratori di frontiera. La differenza, stavolta, è che il campo di gioco non è il testo ma l’immagine in movimento e, con la robotica, il mondo fisico.

Il consiglio, se segui questi temi per lavoro, è di non fermarti agli annunci. Quando FLUX 3 aprirà l’accesso via API e soprattutto i pesi aperti, potremo mettere alla prova sul campo le promesse di oggi, dai video con audio fino al controllo dei robot.

Se vuoi approfondire fin da subito il fronte della creazione di video con l’intelligenza artificiale, parti dai fatti e dalle fonti dirette: puoi leggere l’annuncio ufficiale di Black Forest Labs per farti un’idea di prima mano e tornare qui quando il modello sarà davvero nelle mani di tutti.