« Black Forest Labs déploie FLUX 3 Video en disponibilité générale et affirme dépasser Seedance 2.0 »

Black Forest Labs lance FLUX 3, qui devance Seedance 2.0, Gemini Omni et Grok Imagine, et FLUX-mimic pour la robotique

Jeudi 23 juillet 2026, Black Forest Labs (BFL) a lancé FLUX 3 Video, un modèle multimodal "Self Flow" qui unifie génération de texte-vers-vidéo, image-vers-vidéo, vidéo-vers-vidéo, et continuation audio-vidéo, avec génération audio native intégrée à toutes les sorties. Le modèle permet aussi la génération à partir d'images-clés pour des transitions contrôlées, le dialogue multilingue, le chaînage agentique de plans en séquences multi-shots, une forte diversité stylistique allant du plan caméscope amateur à l'animation et au cinéma, ainsi qu'une génération de typographie animée. BFL revendique des performances supérieures à Seedance 2.0, Gemini Omni et Grok Imagine sur plusieurs de ces capacités. Une version Dev à poids ouverts est annoncée. Le même jour, l'équipe a aussi dévoilé FLUX3-mimic, un modèle dérivé qui applique les mêmes représentations vidéo à la robotique, capable de piloter des robots et de prédire leur impact physique dans des environnements d'usine réels. Cette annonce survient deux ans après le lancement de FLUX 1 en 2024, où BFL avait déjà laissé entendre, via son logo en forêt, qu'un modèle vidéo suivrait. Cette sortie est significative parce qu'elle marque une reproduction indépendante, potentiellement à l'état de l'art, de fonctionnalités jusqu'ici réservées aux modèles propriétaires des grands laboratoires. Pour l'industrie de la génération de médias, cela signifie qu'un acteur proposant des poids ouverts arrive à égalité, voire dépasse, les modèles fermés sur des capacités clés comme l'audio natif synchronisé ou le contrôle par image de référence. Pour les studios, créateurs et développeurs d'outils vidéo, l'existence d'une version Dev ouverte change l'équation économique et réduit la dépendance aux API propriétaires facturées à l'usage. Le volet FLUX3-mimic élargit encore l'enjeu : si un modèle entraîné sur des vidéos généralistes développe un "modèle du monde" suffisant pour commander des robots et anticiper des effets physiques réels, cela ouvre une voie où les avancées en génération vidéo grand public se transposent directement à l'automatisation industrielle, un pont que peu d'acteurs avaient démontré publiquement jusqu'ici. Le contexte plus large est celui d'une semaine particulièrement dense en annonces IA : le même jeudi, OpenAI a lancé ChatGPT Voice pour le grand public et OpenAI Presence pour les entreprises, générant plus de visibilité qu'Anthropic sur ses propres annonces vocales concurrentes, dans ce que les observateurs qualifient de coïncidence de calendrier "totalement accidentelle". En parallèle, Hugging Face a publié The Stack v3, le plus grand jeu de données de code ouvert jamais publié : 114 To de données brutes, 224 millions de dépôts, 44 milliards de fichiers et 770 langages, avec un corpus filtré passant d'environ 550 milliards à 5 000 milliards de tokens par rapport à la version précédente, porté notamment par des gains massifs en C++, TypeScript, Rust et Python. Ces publications alimentent un débat plus large sur la distillation de modèles, certains commentateurs y voyant un renforcement légitime de l'écosystème ouvert plutôt qu'un problème à interdire. Pris ensemble, ces développements dessinent une compétition de plus en plus serrée entre laboratoires fermés et initiatives ouvertes, sur la vidéo générative comme sur les données d'entraînement du code.

Flux 3 génère des vidéos avec audio natif jusqu'à 20 secondes, une première pour Black Forest Labs

Black Forest Labs a dévoilé Flux 3, un nouveau modèle de fondation multimodal capable de générer des vidéos accompagnées d'un son natif, une première pour l'entreprise. Le système a été entraîné conjointement sur des images, des vidéos et de l'audio, et peut produire des séquences allant jusqu'à 20 secondes avec une bande sonore synchronisée générée directement par le modèle, sans étape de post-production séparée. Selon les tests internes menés par Black Forest Labs, Flux 3 dépasse légèrement Seedance 2.0, actuellement considéré comme la référence du marché sur ce segment. Aucun benchmark indépendant n'est toutefois disponible à ce stade pour confirmer ces résultats. Cette avancée marque une étape importante dans la génération vidéo par intelligence artificielle, où l'intégration native du son représente un défi technique majeur que peu d'acteurs ont réussi à surmonter. Pour les créateurs de contenu, studios et professionnels du marketing, la possibilité de générer simultanément image et audio cohérents réduit considérablement le temps de production et les coûts associés aux outils de doublage ou de sonorisation séparés. Cette capacité pourrait aussi accélérer l'adoption de la vidéo générative dans des usages professionnels où la qualité sonore est aussi critique que la qualité visuelle. Au-delà de la vidéo, Black Forest Labs affiche une ambition plus large : construire un "world model", un modèle capable de comprendre et de simuler la dynamique du monde physique. L'entreprise teste déjà Flux 3 sur des tâches liées à la robotique, ce qui suggère une stratégie visant à dépasser la simple génération de contenu créatif pour s'attaquer à des applications de simulation et de perception plus larges. Cette orientation place Black Forest Labs en concurrence directe avec d'autres laboratoires développant des modèles de fondation multimodaux à vocation générale, dans une course où la maîtrise conjointe de la vision, du son et du mouvement devient un enjeu stratégique central.

Gemini Omni vs Seedance 2.0 : quelle est la meilleure IA de génération vidéo en 2026 ?

Google a officiellement lancé Gemini Omni le 19 mai 2026 lors de son Google I/O annuel, entrant directement en concurrence avec Seedance 2.0 de ByteDance, sorti dès le 12 février 2026. Ces deux modèles représentent aujourd'hui le sommet de la génération vidéo par IA. Gemini Omni remplace Veo 3.1 dans l'application Gemini et introduit une nouveauté de fond : l'édition conversationnelle. L'utilisateur génère un clip, puis demande en langage naturel de modifier l'arrière-plan, de changer un personnage ou de stabiliser une séquence, sans passer par une timeline ou des calques. Seedance 2.0, lui, trône en tête du classement Artificial Analysis Video Arena avec un score Elo de 1 269 en texte-vers-vidéo et 1 351 en image-vers-vidéo, devant Kling 3.0, Veo 3.1 et Sora 2. Sa signature technique est la génération audio native et synchronisée en une seule passe : chaque son d'impact, chaque ambiance musicale est produit automatiquement au bon moment, sans post-production. L'enjeu commercial est clair : la vidéo générée par IA sort du stade expérimental pour devenir un outil de production réel. Pour les créateurs de contenu, les agences et les entreprises, le choix entre ces deux plateformes aura des conséquences concrètes sur les flux de travail. Gemini Omni cible les utilisateurs déjà dans l'écosystème Google, avec une intégration native à Google Photos, Workspace, YouTube et Android, ainsi que la possibilité de créer des avatars numériques réutilisables. Seedance 2.0 s'adresse davantage aux professionnels qui cherchent une qualité visuelle maximale et un contrôle précis via des références multiples et des keyframes. Sur le plan tarifaire, Google propose Gemini Omni dès 19,99 dollars par mois (plan Pro), avec un plan Ultra redescendu à 99,99 dollars lors du Google I/O, après avoir été affiché à 249 dollars. L'API, attendue dans les semaines à venir, devrait coûter environ 0,10 dollar par seconde en qualité standard. Cette confrontation s'inscrit dans une bataille plus large entre les grandes plateformes technologiques pour contrôler les outils de création vidéo à l'ère de l'IA générative. ByteDance bénéficie d'un avantage structurel : Seedance 2.0 a été entraîné sur des milliards de vidéos TikTok et Douyin, lui conférant une compréhension fine des dynamiques corporelles et des esthétiques populaires. Google, de son côté, mise sur l'intégration écosystème et la facilité d'usage conversationnel pour compenser un léger retard sur la qualité brute de génération, reconnu par les premières analyses indépendantes. L'API Gemini Omni n'étant pas encore disponible, le déploiement est encore partiel, ce qui laisse à Seedance 2.0 quelques semaines supplémentaires pour consolider sa position de référence sur le marché.

💬 Seedance 2.0 écrase les benchmarks, c'est factuel. Mais Google joue un jeu différent : l'édition conversationnelle sans timeline, intégrée nativement dans l'écosystème que tout le monde utilise déjà, c'est le genre de truc qui fait bouger les usages en masse, même avec un léger retard sur la qualité brute. L'API Gemini pas encore dispo, ByteDance entraîné sur des milliards de TikToks : les prochaines semaines vont être intéressantes à suivre.

Black Forest Labs lance FLUX 3, un modèle multimodal pour l'image, la vidéo, l'audio et la prédiction d'actions robotiques

Black Forest Labs (BFL) a dévoilé FLUX 3, un modèle de fondation multimodal capable d'apprendre simultanément à partir d'images, de vidéos et de fichiers audio au sein d'une seule architecture. Il s'agit du premier modèle de la famille FLUX à générer vidéo, audio et prédiction d'actions robotiques à partir d'un unique jeu de poids. La déclinaison FLUX 3 Video produit des clips allant jusqu'à 20 secondes en une seule génération, avec audio natif, et couvre plusieurs modes : texte-vers-vidéo, image-vers-vidéo, vidéo-vers-vidéo à partir d'un clip de référence, transitions contrôlées entre images-clés, et prolongement génératif d'une vidéo et d'un audio existants. BFL revendique aussi des fonctions de dialogue multilingue, un enchaînement agentique de plusieurs plans en séquences à plusieurs prises de vue, ainsi qu'une génération typographique animée particulièrement soignée. L'entreprise met en avant des résultats solides sur les expressions faciales humaines et sur l'association entre sons et événements physiques. Selon des tests de préférence humaine publiés par BFL sur des clips de 10 secondes en 720p avec audio, FLUX 3 a été préféré à Luma Ray 3.2 dans 93% des comparaisons, à Runway Gen-4.5 dans 77% des cas, jusqu'à 69% face à Grok Imagine Video, 60% face à Kling v3 Pro, 59% et 57% face aux deux versions de Happy Horse, et un score proche du 50/50 (52%) face à Seedance 2.0 et Gemini Omni Flash. Cette avancée est importante parce qu'elle rapproche les modèles génératifs d'une compréhension unifiée du monde physique plutôt que d'une simple juxtaposition de compétences séparées par modalité. Pour BFL, aucune modalité prise isolément ne décrit complètement la réalité : l'image capture une structure spatiale figée, la vidéo restitue le temps et la dynamique physique, l'audio révèle les liens de causalité entre un événement mécanique et le son qu'il produit. En entraînant un seul modèle sur ces trois dimensions à la fois, chacune vient contraindre les autres, le son doit correspondre à l'impact visuel et le mouvement doit respecter la masse des objets. Cette cohérence intermodale intéresse directement les studios de production vidéo, les développeurs d'outils créatifs et, via le partenariat évoqué avec mimic robotics, les concepteurs de robots qui ont besoin de modèles capables de prédire des actions physiques plausibles. Sur le plan technique, FLUX 3 s'appuie sur Self-Flow, une méthode de BFL introduite en mars 2026 qui combine un objectif d'appariement de flux avec un objectif de reconstruction de caractéristiques auto-supervisé. L'implémentation de référence publiée sur GitHub sous licence Apache-2.0 utilise une architecture SiT-XL/2 avec conditionnement par pas de temps au niveau du token, un taux de masquage de 25% et une auto-distillation entre un enseignant EMA à la couche 20 et un élève à la couche 8, mais ce point de contrôle reste un modèle de recherche limité à des images ImageNet en 256x256, distinct de FLUX 3 lui-même. BFL affirme avoir considérablement augmenté les ressources de calcul et de données pour appliquer cette même approche à l'échelle de la vidéo, de l'image et de l'audio combinés, ce qui constitue selon l'entreprise sa première réalisation entièrement fondée sur ce principe unificateur.

💬 Bon, cette fois BFL ne se contente pas d'un modèle image de plus, ils tapent la vidéo, l'audio et même la prédiction d'actions robotiques dans les mêmes poids. Le pari, c'est que le son et le mouvement se contraignent mutuellement, un impact visuel qui n'a pas le bon bruit, ça se voit tout de suite, et apparemment leurs tests de préférence humaine donnent des scores écrasants face à Luma ou Runway. Reste que c'est un labo allemand qui pousse ça en open-weight, et ça, dans un game dominé par la Silicon Valley et la Chine, c'est un signal qu'on devrait suivre de près.