同期音声を標準生成
音声は動画と同時に生成されるため、映像から浮くことなく、画面内の出来事にぴたりと合います。環境音、効果音、声まで、プロンプトで演出できます。自分で音楽を付けるときは、トグル1つでオフにできます。
Flux 3 Video プロンプトガイド
Flux 3 Video プロンプトガイドへようこそ。Black Forest Labsの動画モデル、Flux 3 Videoは、映像を作りながらサウンドトラックも生成します。プロンプト、1枚の静止画、2枚の静止画、手元の動画から制作を始められます。最大20秒、21:9のウルトラワイドを含む6種類のアスペクト比、720pまたは1080pに対応しています。
多くの動画モデルが出力するのは無音のクリップ。音付けはユーザー任せです。Flux 3 Videoは、画面の動きに合った音声を映像と同時に生成します。足が地面に着く瞬間に足音が鳴り、ドアが閉まる瞬間にその音が響き、ショット全体には室内の環境音が流れます。音もプロンプトで演出できるので、後から足すのではなく、最初から書き込めます。
生成の始め方は3つ。すべて同じページで操作できます。プロンプトを書けばテキストから動画を生成。開始フレームを添付すれば画像から動画を生成し、終了フレームも指定すれば、そこへつながる動きを補間します。動画を添付すれば、その続きを生成したり、内容を変化させたりできます。動画の長さは5〜20秒。720pは1秒あたり5クレジット、1080pは1秒あたり9クレジットです。動画の延長は最大15秒で、通常より高いレートが適用されます。
20s
最大動画長
6
アスペクト比
音声
映像と同時に生成
音声は動画と同時に生成されるため、映像から浮くことなく、画面内の出来事にぴたりと合います。環境音、効果音、声まで、プロンプトで演出できます。自分で音楽を付けるときは、トグル1つでオフにできます。
画像と動画の欄を空にすれば、プロンプトから動画を生成します。開始フレームを添付すれば、その画像が動き出します。動画を添付すれば、続きを生成します。ページもプロンプト欄も1つ。モード選択を間違える心配はありません。
開始フレームと終了フレームを指定すると、その間をつなぐ動きをモデルが生成します。狙いどおりに被写体を見せる演出、2枚のレンダリング画像をつなぐマッチカット、始点と終点を正確に決めたい変形表現に役立ちます。
1本の動画で5〜20秒を生成できます。展開のある構成も、商品CMを丸ごと1本作ることも、余韻を楽しむ情景ショットも可能です。動画の延長は1回あたり最大15秒。さらに延長を重ねることもできます。
アナモルフィックな映像やタイトルシーケンスには21:9、標準的な横長映像には16:9、クラシックな画面構成には4:3と3:4、SNS向けの正方形には1:1、縦型には9:16。動画モデルでは珍しいウルトラワイドにも、切り抜きではなくネイティブで対応しています。
720pで試し、1080pで仕上げる。高解像度では、空気感のある映像、商品の素材感、画面内の小さなディテールを支える繊細な質感まで表現できます。人物やアクションが中心なら、通常は720pでも十分に見せられます。
各作例には、生成に使ったプロンプトをそのまま掲載しています。どのプロンプトもワンクリックでコピーできます。
21:9ウルトラワイド・音声オン
Ultra-wide cinematic drone shot sweeping across a vast desert canyon at golden hour, anamorphic look, dust catching the light, deep engine-less silence broken by wind
広大な被写体を、ひと続きの大きな動きで捉える。そんなショットに21:9が活きます。注目したいのは、プロンプト末尾の音の指定です。静寂を描写し、それを破る音を1つだけ指定すると、単に風の音を求めるよりも、すっきりした音の土台を作れます。
16:9・音声オン
Close-up of an elderly fisherman's weathered face as he looks out to sea at dawn, gentle camera drift, seagulls calling in the distance
クローズアップには、穏やかな動きと具体的な顔の描写が効きます。「風雨に刻まれた顔」「年老いた漁師」という言葉は、長々とした説明より雄弁です。遠くのカモメの声を加えれば、画面に何も足さずに、その場所の気配を伝えられます。
16:9・音声オン
Anime-style schoolgirl running along a cherry-blossom lined river path, petals swirling in the wind, vibrant spring colors, upbeat mood
画風を指定するプロンプトにも、動作を表す動詞が必要です。「走る」と「花びらが渦を巻く」を組み合わせると、動きに2つのレイヤーが生まれます。それが、静止画をパンするだけの映像と、アニメーションの違いになります。
1:1正方形・音声オン
Square product spot of a luxury wristwatch rotating on a black pedestal, dramatic rim lighting sweep, dust particles in the beam, deep ambient tone
商品だけを見せるショットでは、カメラではなく被写体を動かしましょう。回転する台座と移動する照明で、あらゆる角度から商品を見せられます。光の中にほこりを漂わせると、光の筋も見えるようになります。
16:9・音声オン
Northern lights dancing over a snow-covered pine forest, stars visible, slow upward tilt, ethereal ambient tones
空気感を見せる映像は、ゆっくりしたカメラの動き1つと、それ自体が動くもの1つで成立します。カメラが上を向いて空を映し出し、オーロラが動きを生む。画面のどこにも、ただ止まっているだけの要素を残しません。
9:16縦型・音声オン
Vertical shot of a parkour athlete vaulting across rooftop gaps at sunset, dynamic tracking camera, city sprawling below, sneakers scraping concrete
9:16のアクションでは、追従するカメラと接触音を1つ指定します。「スニーカーがコンクリートを擦る音」なら、動作に結び付いた具体的な出来事になります。漠然とした街の環境音よりも、ミックスの中ではっきり伝わります。
Flux 3 Videoは、音の説明がなくても音声を生成します。何も書かなければ、音選びはモデル任せです。プロンプトの末尾に具体的な音を1〜3つ指定して、狙った音の土台を作りましょう。
シネマティックなプロンプトには、意図しない劇伴が付くことがあります。末尾に「音楽なし」と書けば、環境音と効果音だけにできます。編集時に別の音楽を使う動画に最適です。
ゆっくり前進、横移動、クレーンアップ、90度の周回、手持ちで追従。この中から1つを選びます。1つのプロンプトに2つの動きを詰め込むと、動きが混乱します。別の動きも必要なら、もう1本作るか、動画を延長しましょう。
プロンプトは、演技の指示のように書きます。「彼女が息を吐き、窓ガラスを曇らせ、指で円を描くように拭く」なら動きになります。「バスの中で物思いにふける女性」だけでは動かす手掛かりがなく、ほぼ静止画になってしまいます。
20秒の動画には3〜4つの展開が必要です。なければ間延びします。5秒なら1つで十分。プロンプトで埋められない秒数にクレジットを使うのではなく、尺に動作の数を合わせましょう。
1秒あたり5クレジットの720pで、狙いのショットを探ります。動きと音声が決まったら、同じプロンプトを1080pでもう一度生成して、公開用の1本に。同じプロンプト、同じ構成で、ディテールを引き上げます。
開始フレームや元動画を添付すると、その素材のアスペクト比が使われます。画像から21:9の動画を作りたい場合は、アップロード前に画像を21:9に切り抜いてください。
すべてのクリップに編集で同じ楽曲を付けるモンタージュなら、音声をオフにしましょう。後でミュートする音を生成する必要はありません。
1. シーンと被写体。何を、どのくらいの距離から見るのかを書き出します。「夜、雨の筋が伝うバスの窓辺にいる女性のミディアムクローズアップ」なら、画角、被写体、場所、時間帯が1行で決まります。書き出しが曖昧だと、映像もありきたりになります。
2. カメラの動き。動きは必ず1つに絞り、速度も指定します。「カメラは一定の速度で前進し続ける」「ゆっくり90度周回する」「手持ちで追従し、乗り物の動きに合わせて上下する」など。方向と同じくらい速度も重要です。動きを指定しないと、カメラは止まりがちになります。
3. 動作を表す動詞。演技の指示のように、展開を順番に書きます。「彼女が息を吐き、窓ガラスを曇らせ、小さな円を描くように拭いて外を見えるようにする」。5秒なら1つ、15〜20秒なら3〜4つの動作を入れます。動く写真を、演出のあるショットに変える要素です。
4. 音の指定。モデルが音を生成するからこそ、音も演出します。プロンプトの末尾に「遠くで鳴くカモメ」「スニーカーがコンクリートを擦る音」「エンジン音のない深い静寂を破る風の音」など、欲しい音を具体的に書きます。通常は1〜3つで十分です。環境音だけにしたい場合は「音楽なし」も加えます。
5. スタイルとムード。最後に、配色、照明、レンズ、カラーグレーディング、描画スタイルで見た目を整えます。「冷たい青の影に、朝日の暖かな縁取り。アナモルフィックな映画調のカラー」や「フラットなセル塗り、はっきりした線画、暖かなアンバー系の配色」など。スタイルを最後に置くことで、動作の指示を埋もれさせません。
開始フレームを添付すると、Flux 3 Videoがその画像を起点に動画を生成します。被写体、構図、見た目全体は画像が引き継ぐため、アスペクト比の設定は適用されず、画像自体が画面の形を決めます。アップロード前に、画像を希望の比率に切り抜いてください。画像からの動画生成はテキストからの生成と同じ料金で、5〜20秒の全範囲に対応しています。
Flux 3 Video プロンプトガイドの鉄則は、見た目ではなく動きを指示することです。画像から動画を生成するとき、最もよくある失敗がここにあります。シーンの見た目は、すでに画像が伝えています。被写体をあらためて説明すると、モデルが元の画像から離れる原因になります。プロンプトはすべて、何が動くか、カメラがどう動くか、どんな音がするかに使いましょう。
終了フレームを追加すると、モデルが2枚の静止画をつなぐ映像を生成します。両方のフレームが反映され、最後は指定した画像にぴたりと着地します。狙いどおりに被写体を見せる演出、2枚のレンダリング画像をつなぐマッチカット、変化の前後を正確に指定したいビフォーアフターに活用できます。終了フレームには開始フレームが必要です。単独では使えません。
両方のフレームを使うときは、始点や終点ではなく、その間の変化を描写しましょう。「霧が晴れ、光が青から琥珀色へ変わるにつれて、カメラが後ろに引く」と書けば、モデルにそこへ至る動きを伝えられます。どちらかの静止画にすでに写っているものを説明しても、プロンプトを無駄にするだけです。
画像の代わりにクリップを添付すると、動画から動画を生成するモードになります。モデルは元の映像を引き継いで続きを生成します。プロンプトでスタイルや舞台の変更を指示すれば、映像を変化させることもできます。このモードでも元のクリップが画面の比率を決めるため、アスペクト比の設定は無視されます。
延長は1回につき最大15秒です。料金は通常より高く、720pでは1秒あたり13クレジット、1080pでは16クレジットです。その分、別途生成した映像を編集でつなぎ合わせるのではなく、元の映像に合う続きを得られます。さらに長くしたい場合は、延長した動画をもう一度延長します。
これまでの展開ではなく、この先の動きを指示しましょう。「カメラがそのまま前進し、峡谷の先に光に照らされた谷が広がる」と書けば、進む方向が明確になります。元のクリップですでに起きたことを説明すると、プロンプトを無駄にするだけでなく、クレジットを使って生成済みの展開をモデルが繰り返す原因にもなります。
フレーム画像と元動画は、同じ生成処理では併用できません。どちらか一方を選んでください。延長映像の最後を特定の静止画に合わせたい場合は、まず延長動画を生成します。その最終フレームを開始フレームにして、開始・終了フレームを使う生成を別途実行してください。
| 設定 | 値 | 備考 |
|---|---|---|
| プロンプト | string (required) | シーン、カメラの動き、アクションの展開、音の指示、スタイル。上記の5項目の構成を参考にしてください。 |
| 開始フレーム | image URL (optional) | 画像からの動画生成に切り替わります。料金はテキストからの動画生成と同じです。画像が画面の比率を決めるため、アスペクト比の設定は無視されます。 |
| 終了フレーム | image URL (optional) | 開始フレームが必要です。モデルが2枚の静止画をつなぐ映像を生成します。 |
| 元動画 | video URL (optional) | 動画延長に切り替わります。クレジット消費は通常より多く、最大15秒です。フレーム画像とは併用できません。 |
| 解像度 | 720p · 1080p | テキストや画像からの動画生成は1秒あたり5または9クレジット。動画延長は1秒あたり13または16クレジットです。 |
| アスペクト比 | 21:9 · 16:9 · 4:3 · 1:1 · 3:4 · 9:16 | テキストからの動画生成でのみ有効です。開始フレームや元のクリップを指定すると、この設定は無視されます。 |
| 動画の長さ | 5 to 20 seconds | 元動画を指定した場合は5秒から15秒です。尺に合わせて、動きや展開の数を調整しましょう。 |
| 音声を生成 | On / Off | 初期設定はオンです。別の音声トラックを使う編集にクリップを組み込む場合は、オフにしてください。 |
はい。映像と音声を同時に生成し、画面内の出来事に合わせるため、効果音がずれずに動作と重なります。プロンプトの最後に欲しい音を書けば、音声も演出できます。トグルをオフにすると、音声なしのクリップになります。
テキストや画像からの動画生成は5秒から20秒で、Fluxファミリーで最長です。動画延長は1回につき最大15秒です。さらに長くするには、生成結果をもう一度延長してください。
テキストや画像からの動画生成は、720pで1秒あたり5クレジット、1080pで9クレジットです。たとえば、720pの10秒クリップは50クレジットになります。動画延長は既存のクリップに合わせる処理が加わるため、720pで1秒あたり13クレジット、1080pで16クレジットです。
はい。特に強力な機能のひとつです。両方を指定すると、最初の静止画から次の静止画へつながる動きを生成し、最後は指定した終了フレームにぴたりと着地します。終了フレームには開始フレームが必要で、どちらも元動画とは併用できません。
開始フレームか元動画が添付されているためです。これらのモードでは、アップロードした素材が画面の比率を決めます。アップロード前に画像やクリップを希望の形にトリミングしてください。比率を指定して生成したい場合は、テキストからの動画生成を使いましょう。
21:9のウルトラワイド、16:9の横長、4:3、1:1の正方形、3:4、9:16の縦長の6種類です。21:9はトリミングではなく、その比率で直接生成します。動画モデルでは珍しい対応で、アナモフィック映像やタイトル映像の制作に役立ちます。
動きや音声を調整する間は720pで試作し、ベストなプロンプトができたら1080pで再生成しましょう。空気感を重視するショット、商品の質感、画面内の細かなディテールを見せる映像では、上位の解像度にクレジットを使う価値があります。動きの速いアクションなら、通常は720pでも十分です。
はい。Canvasでは、画像やプロンプトから動画を生成するFlux 3 Videoと、クリップを延長するFlux 3 Video Extendの2つを使えます。公開APIのエンドポイントは/api/v1/models/flux-3-video/runで、prompt、image、last_frame_image、video、resolution、aspect_ratio、duration、generate_audioの各フィールドに対応しています。