FLUX 3 APIはまだ一般公開されていない：開発者向けに現状と評価方法を整理
Discussion
Black Forest Labsが、画像・動画・音声を統合的に扱うマルチモーダルモデル「FLUX 3」を発表しました。
FLUX 3 VideoはEarly Accessに入り、ネイティブ音声付きの動画を1回あたり最大20秒生成できるとされています。
一方で、2026年7月24日時点では、一般開発者向けの安定した本番APIが公開された状態ではありません。
この記事では、現在わかっていることと、一般公開前に準備できる実装・評価項目を整理します。
現在のステータス
項目 状態
FLUX 3の公式発表 公開済み
FLUX 3 Video Early Access
一般公開API 未提供
FLUX 3 Image 今後Early Access予定
FLUX 3 Action 一部パートナー向け
FLUX 3 Dev オープンウェイト版を計画
最大動画時間 1回あたり最大20秒
ネイティブ音声 対応予定・Early Accessで案内
発表されている動画機能
FLUX 3 Videoでは、以下の機能が紹介されています。
テキストから動画を生成
開始画像から動画を生成
参照画像を利用した動画生成
参照動画から別シーンを生成
動画と音声の続きを生成
キーフレーム間を生成
多言語会話
映像イベントと同期した音声
複数ショットの連結
アニメーション文字表現
ただし、実際のAPI仕様として必要な情報はまだ十分ではありません。
本番導入前に確認する項目
API仕様
Model ID
Endpoint
Authentication
Request/Response Schema
非同期ジョブの取得方法
WebhookまたはPolling
Timeout
Error Code
性能
Queue Latency
Generation Latency
最大同時実行数
Rate Limit
失敗率
再試行方法
SLA
出力
対応解像度
動画時間
Aspect Ratio
Frame Rate
Codec
音声形式
ファイル保持期間
法務・セキュリティ
商用利用条件
入力データの保持
学習への利用有無
個人情報の扱い
モデレーション
オープンウェイト版のライセンス
比較可能な内部インターフェースを作る
特定プロバイダーへ直接依存すると、モデルを変更するときにアプリケーション全体の修正が必要になります。
共通インターフェースを用意します。
interface VideoProvider {
createVideo(request: VideoRequest): Promise;
getJob(jobId: string): Promise;
}
interface VideoRequest {
prompt: string;
durationSeconds: number;
aspectRatio: string;
imageUrl?: string;
videoUrl?: string;
audio: boolean;
}
interface VideoJob {
id: string;
status: "queued" | "processing" | "completed" | "failed";
outputUrl?: string;
queueLatencyMs?: number;
generationLatencyMs?: number;
error?: string;
}
各モデルのAPIをAdapterで接続します。
class Flux3Adapter implements VideoProvider {
async createVideo(request: VideoRequest): Promise {
throw new Error("Public production API is not available yet.");
}
async getJob(jobId: string): Promise {
throw new Error("Public production API is not available yet.");
}
}
現時点で存在しないAPI仕様を推測して実装するのではなく、インターフェースとテストだけを準備します。
評価用プロンプトを作る
評価項目は実際のユースケースから作ります。
例：
A chef places a metal pan on a gas stove.
The camera remains fixed.
The chef says one short sentence in Japanese.
The sound of the pan touching the stove must match the visible contact.
Do not change the chef's clothes or face.
このプロンプトでは、以下を同時に確認できます。
人物の一貫性
手と物体の接触
日本語音声
リップシンク
効果音の同期
Negative Instruction
固定カメラの遵守
同じプロンプトを最低3〜5回実行し、成功率を記録します。
評価指標
成功率 = 採用可能な出力数 / 全生成数
実効コスト = 全生成コスト / 採用可能な出力数
P95待ち時間 = 上位5%を除く最大待ち時間
平均生成時間だけでなく、P95や失敗率も記録したほうが本番負荷を判断しやすくなります。
FLUX 3 Devはまだ仕様待ち
FLUX 3 Devはオープンウェイト版として計画されています。
ただし、モデルサイズ、VRAM要件、量子化対応、推論速度、ライセンス、公開日はまだ不明です。
FLUX.2 Devの要件をそのままFLUX 3 Devへ当てはめることはできません。
仕様公開前にGPUを購入したり、クラスタ構成を確定したりするのは避けたほうがよいでしょう。
まとめ
FLUX 3 VideoはEarly Accessに入りましたが、一般公開された本番APIではありません。
現時点で開発者ができることは次のとおりです。
共通Video Providerインターフェースを作る
実ユースケースの評価プロンプトを準備する
同一プロンプトを複数回実行する設計にする
成功率、実効コスト、P95待ち時間を記録する
FLUX 3 Devの仕様が出るまでインフラ判断を保留する
APIが公開された後、同じ条件で既存モデルと比較すれば、デモや単発の成功例に左右されず導入判断ができます。
動画生成APIを選ぶ際、皆さんは画質、速度、成功率、音声、コストのどれを最優先していますか？