Generowanie obrazów, wideo i głosu przez lata było domeną osobnych narzędzi – każde od innej firmy i trenowane z osobna. FLUX 3, nowy model niemieckiego studia Black Forest Labs, próbuje wcisnąć te trzy światy do jednej architektury. Z tego samego opisu tekstowego potrafi wygenerować zdjęcie, kilkunastosekundowy klip z dźwiękiem, a według twórców nawet podpowiedzieć ruch robota. Sami nazywają go modelem bazowym dla “inteligencji wizualnej”. Dla europejskiego rynku AI, zwykle o krok za Doliną Krzemową, to rzadka sytuacja: głośna premiera dzieje się po tej stronie Atlantyku, a nie za oceanem.
Jeden model zamiast trzech osobnych narzędzi
To model multimodalny, czyli taki, który uczy się i tworzy w kilku formatach naraz – tutaj obraz, wideo i dźwięk w jednej sieci. W praktyce najciekawiej wygląda część filmowa. Moduł wideo generuje klipy do dwudziestu sekund razem z dźwiękiem. Robi to na kilka sposobów: z samego opisu tekstowego, z pojedynczego zdjęcia albo z innego filmu, który ma przedłużyć lub przerobić. Do tego dochodzi łączenie ujęć w dłuższą sekwencję, przejścia między zadanymi klatkami i dialogi w wielu językach.
Osobną, mniej oczywistą nogą modelu jest przewidywanie akcji, czyli podpowiadanie, jaki ruch powinien wykonać robot. To samo narzędzie, które składa reklamowy filmik, ma więc ambicję pomagać maszynom poruszać się w fizycznym świecie. Wygląda to na dwa różne produkty, ale u podstaw leży ten sam pomysł: model, który rozumie, jak świat wygląda i jak się zmienia w kadrze.
Dlaczego to większa zmiana, niż się wydaje
Do tej pory generatory dzieliły się na wąskie specjalizacje. Jeden model robił zdjęcia, drugi animował wideo, trzeci dokładał głos, a każdy z nich trzeba było spinać osobno. Podejście “wszystko w jednym” ma tę przewagę, że obraz, ruch i dźwięk powstają spójnie, bez sklejania trzech niezależnych wyników, które nie zawsze do siebie pasują.
Dla twórcy treści czy marketera oznacza to prostszy warsztat. Zamiast żonglować kilkoma subskrypcjami, teoretycznie wystarczy jedno narzędzie. Rywalizacja o generatory robi się przy tym coraz gęstsza. Google niedawno wypuściło tańszą odsłonę swojego modelu do zdjęć, o czym pisaliśmy przy okazji taniejszego generatora obrazów Nano Banana 2 Lite, a teraz do stawki wchodzi europejski gracz z ofertą trzy w jednym.
Otwarte wagi zapowiedziane, ale nie od zaraz
Na razie model działa w ograniczonym, wczesnym dostępie. Publicznie ruszyła głównie część wideo, a warianty do obrazu i przewidywania ruchu mają dochodzić w kolejnych tygodniach. To jeszcze nie jest narzędzie, które od dziś odpalisz bez ograniczeń.
Najciekawsza obietnica dotyczy jednak otwartości. Black Forest Labs zapowiedziało, że jeszcze w tym roku udostępni szybszą, otwartą wersję modelu – z wagami, które można pobrać i uruchomić na własnym sprzęcie. Jeśli licencja okaże się swobodna, byłby to pierwszy otwarty model multimodalny generujący naraz wideo, obraz i dźwięk z jednej architektury. Dla mniejszych studiów, agencji i pojedynczych twórców to realna różnica: własny komputer zamiast rachunku za każde wywołanie w chmurze. Wątek otwartych modeli wraca zresztą coraz częściej, bo zmienia układ sił w całej branży. Pisaliśmy o tym choćby przy premierze modelu Inkling z otwartymi wagami.
Jest w tym wątek, o którym w Polsce łatwo zapomnieć. Black Forest Labs to niemieckie studio z Freiburga, założone przez ludzi, którzy wcześniej współtworzyli Stable Diffusion. Otwarty, europejski model generatywny to coś, na czym firmom i instytucjom po tej stronie Atlantyku może zależeć – choćby ze względu na przewidywalność prawną i to, gdzie fizycznie trafiają dane.
Ile z tego już działa, a ile to dopiero zapowiedź
Jest różnica między pokazem a produktem. Liczby, którymi chwali się Black Forest Labs – że jego wideo wypada lepiej od konkurencji w 52 do 93 procent porównań, zależnie od rywala – pochodzą z wewnętrznych, wstępnych testów samej firmy, nie z niezależnego rankingu. Do tego sporej części funkcji nie da się jeszcze publicznie sprawdzić. Zapowiedź jest mocna, ale prawdziwą wartość tego modelu zweryfikuje dopiero zderzenie z realnymi projektami, gdy wyjdzie on z fazy zamkniętych testów.
Pierwsza Misja AI · Kodożercy
Używasz AI codziennie – ale czy robisz to dobrze?
Kurs Pierwsza Misja AI pokaże Ci techniki promptowania, które naprawdę działają. Praktyczne ćwiczenia z prawdziwym modelem AI, gamifikacja i certyfikat na koniec.
Sprawdź program kursu →
Podsumowanie
FLUX 3 od Black Forest Labs to próba zamknięcia obrazu, wideo i dźwięku w jednym modelu AI, zamiast trzech osobnych narzędzi spinanych ręcznie. Część filmowa robi największe wrażenie: klipy do dwudziestu sekund z dźwiękiem, generowane z tekstu, zdjęcia albo innego wideo. Do tego dochodzi zaskakująca noga robotyczna, czyli przewidywanie ruchu maszyn. Na razie działa jednak tylko wczesny, ograniczony dostęp, a najmocniejsze liczby pochodzą z testów samego producenta. Kluczowa dla całej branży jest zapowiedź otwartej wersji z wagami do pobrania jeszcze w tym roku. Jeśli się ziści, mniejsi twórcy dostaną narzędzie, które dziś jest zarezerwowane dla wielkich chmur. Warto obserwować, czy europejski lab dowiezie to, co obiecuje.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
