Тест • Аудио и Мимика
Русский язык во Flux 3
Тест артикуляции и эмоциональных тегов на русском языке прямо в промпте.
Black Forest Labs выкатили видеоверсию FLUX 3 в закрытое бета-тестирование (CPP). Я пощупал модель на реальных задачах, разобрал логику промптинга и понял, где она ломается. Спойлер: это безумно интересно, но до продакшена пока как до Луны.
Всё происходит в Discord. Никаких красивых веб-интерфейсов. Доступ выдается только в рамках CPP (Creative Partner Program) — закрытого бета-тестирования. Среднее время одной генерации — от 10 до 20 минут. Забудьте про интерактивный реалтайм продакшн, вы отправляете запрос и идете пить кофе. А потом еще сходите с ума, потому что все это нужно скачать, а дискорд работает в РФ еле-еле даже через... Ну вы поняли.
Входные данные ограничены. На вход можно давать либо текст (T2V), либо одну картинку (I2V). Модель пока не принимает Omni References. Вы не можете одновременно закинуть реф лица, реф стиля и реф позы. Контроля уровня ControlNet здесь пока нет.
Великий и могучий. Модель умеет делать озвучку (липсинк) и, что удивительно, очень неплохо справляется с русским звуком. Пишете реплику на русском прямо в промпте — получаете вменяемую артикуляцию.
Тест артикуляции и эмоциональных тегов на русском языке прямо в промпте.
FLUX 3 требует особого подхода к тексту. Вот краткий перевод основных рекомендаций создателей с моими комментариями.
Пишите весь сценарий в одном промпте. Прямо так: «Кадр 1: [описание], Кадр 2: [описание]». FLUX 3 считывает это не как набор токенов, а как единый связный текст с хронологией.
При использовании раскадровки в качестве исходника, эти конкретные кадры становятся фокусными. Модель уделяет им больше внимания, и они могут длиться дольше, чем промежуточные (сгенерированные нейросетью) действия.
Пример того, как фокусные кадры влияют на тайминг. Видно, как модель задерживается на ключевых поинтах.
У FLUX 3 отличные базовые знания поп-культуры. Запросы в духе «воссоздай известную сцену уклонения от пуль из Матрицы» модель обрабатывает автоматически и весьма точно на уровне геометрии. Насколько хорошо качество — судите сами.
Оценка геометрического понимания известных шотов без загрузки визуального референса.
Указывайте эмоции прямо для диалогов и прописывайте их длительность. Модель хорошо считывает теги настроения и подстраивает под них мимику при произнесении текста.
Тест артикуляции и эмоциональных тегов на английском языке прямо в промпте.
Модель умеет генерировать звезд. Но есть нюанс: знаменитости почти как бы они, но не совсем. Вы просите Бреда Питта, он в кадре, но какой-то стремный. И вроде бы даже совсем не он. Хотя иногда получается похоже.
Пример генерации квадратного видео. Нейросеть иногда «теряет» айдентику при длинных генерациях.
Как правильно собирать запрос, чтобы модель не сошла с ума.
Идеальная структура промпта: Общая завязка (с описанием героев) → Кадры (движение камеры / тайминг) → Стиль (рендеринг, свет) → Внутрикадровый звук / диалог.
Опишите внешность героев один раз в начале (3-4 ключевые детали). В самих кадрах повторяйте только якорные элементы для сохранения непрерывности (например, «человек в красном шарфе поворачивается»). Не дублируйте полное описание.
Максимум 30-35 слов (~15 секунд) речи даже для 20-секундной генерации. Чем короче, тем стабильнее. Добавляйте тег эмоции к каждой реплике (например, [Паника]). Вместо знаков препинания используйте системные паузы: [Пауза 0.2с].
Для диалога двух лиц прописывайте реплики покадрово (чтобы привязать текст к конкретному рту). Для монолога одного героя пишите текст сплошным блоком.
Любые изменения (трансформация объекта, удар, взрыв) привязывайте к времени по принципу «причина-следствие». Пример: «на 0:14 он пьет; на 0:16 его горло начинает светиться». Золотое правило: не ставьте два разных сложных действия на один таймкод, модель порвется.
Одна скорость на один кадр. Если нужно слоу-мо (slow motion), выделяйте его в отдельный кадр. Если делаете непрерывную съемку (POV без склеек), вся хореография должна строиться на таймкодах. Постепенно наращивайте динамику, чтобы шот имел внутреннее развитие.
Демонстрация работы со скоростью в пределах одного сгенерированного кадра.
Резюмирую часы тестов. Если отбросить вау-эффект от генерации видео по тексту, суровая реальность для коммерческого AI-продакшена выглядит так:
На данный момент это красивая, высокотехнологичная демо-версия, а не рабочий инструмент. Да, пиксели складываются в эффектные кадры, но для коммерческого эфира этого мало. Будет ли модель выдавать стабильный commercial grade без артефактов — пока большой вопрос.
Как режиссер, я здесь практически бессилен. Без аналогов ControlNet, точных масок и Omni-референсов попытка собрать сложный шот строго по брифу клиента превращается в рулетку и бесконечный перебор сидов.
Глобальные цели модели неясны, потому что консистентность пока даже не заявлена. Мы получаем потрясающие, красивые, но разовые генерации. Связать их в последовательную серию, рассказать историю с одними и теми же героями в одних и тех же локациях сейчас невозможно.
FLUX в свое время буквально порвал рынок во многом благодаря открытым весам: всего за несколько месяцев сообщество адаптировало под него LoRA, ControlNet и создало мощную экосистему нод для ComfyUI. Сделает ли Black Forest Labs такую же ставку на комьюнити в видео? Если они отдадут веса в опенсорс, разработчики решат проблему контроля. Если же модель закроют за пейволлом и оставят в Дискорде — у нее будут проблемы.
Пока это игрушка. Если немцы не дадут студиям production-контроль (ControlNet и Omni-refs), FLUX 3 рискует отправиться на кладбище хайповых нейронок следом за Sora.
Немцы из Black Forest Labs (создатели FLUX) реально стараются. Генерация из текста впечатляет. Но для серьезной коммерческой работы инструмент пока не готов. Отсутствие фиксации лиц, 15 минут ожидания рендера в Дискорде и неконтролируемые мутации объектов означают, что сейчас FLUX 3 займет нишу «слоп-контента» (slop-content) — красивых, но бессмысленных залипательных роликов. Ждем API и профессиональных инструментов.
Тулза для генерации слопа.
Данное видео выглядит круто, потому что сделано в Seedance 2.0. Это не Flux 3.
Весело, бодро, задорно.
Все тесты, не вошедшие в основной разбор. Без обработки и монтажа.