FLUX 3 Video napisał „ŻÓŁTA ŁÓDŹ” i mówi po polsku. Mój test

👁 122 przeczytań

„ŻÓŁTA ŁÓDŹ” - te dwa słowa od 8 października oddzielają w mojej Arenie wideo modele, które umieją polski, od tych, które tylko udają. Z sześciu sprawdzonych wtedy generatorów napisały je poprawnie dwa. 11 października dołączył trzeci: FLUX 3 Video od Black Forest Labs. Za pierwszym razem napisał oba wiersze kredą na tablicy, a w osobnym klipie powiedział łamaniec o chrząszczu w Szczebrzeszynie bez jednego błędu. W średniej z pięciu scen wyprzedził o 0,1 punktu dotychczasowego lidera, Wan 3.0. Pełny przewodnik: FLUX 3 Video.

Skąd ten test

8 października zrobiłem Arenę wideo: sześć modeli dostało te same pięć poleceń - orbita kamery wokół motocykla, kobieta mówiąca po polsku, napis na tablicy, woda nalewana do szklanki aż do przelania i ta sama postać w dwóch ujęciach. Wynik ustalał się szybko: Wan 3.0 8,8/10, MiniMax H3 Max 8,4/10, dalej Kling 3.0, Seedance 2.5, Veo 3.1 Lite i Runway Gen-4.5.

FLUX 3 Video był wtedy 6. w rankingu tekstu na wideo Artificial Analysis (1128 Elo), ale nie wiedziałem, jak radzi sobie z polskim. 11 października dałem mu dokładnie te same polecenia przez OpenRouter: 5 sekund, 16:9, jedno podejście, 720p (niższej rozdzielczości model nie ma). Pięć klipów kosztowało 4,25 USD.

Wyniki scena po scenie

• Napis: „ARENA WIDEO 2026” i „ŻÓŁTA ŁÓDŹ” z kropką, kreskami i przekreślonymi Ł. Seedance 2.5 napisał w tej scenie „ŻÖLTA LÖDŽ”, mieszając niemieckie i czeskie znaki.
• Mowa: Whisper przepisał zdanie jako „W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę 32 zł.” - zero błędów w słowach. Sprawdziłem też drugą transkrypcją modelu Gemini: wynik ten sam.
• Woda: pełna sekwencja aż do kałuży na stole - drugi model w Arenie po Wan 3.0, któremu się to udało.
• Kamera i postać: równe 8,5 - orbita bez deformacji motocykla i ten sam wygląd bohaterki po cięciu.

Drugi polski test: reklama piekarni

Żeby wykluczyć szczęśliwy traf, zrobiłem przez fal.ai jeszcze jeden klip: piekarka podnosi bochenek i mówi „Chleb na zakwasie, upieczony dziś o piątej rano”. Whisper: „Chleb na zakwasie upieczony dziś o 5 rano.” Znowu bez błędu. To ciekawe, bo polskiego nie ma na liście języków, którą Black Forest Labs podało przy premierze - jest angielski, chiński, hiszpański, francuski, niemiecki, japoński i kilka innych, a lista kończy się na „i więcej”.

Gdzie FLUX 3 przegrał

• Cena w tej rozdzielczości: mój klip przez OpenRouter kosztował 0,85 USD, a Wan 3.0 w 480p 0,21 USD. Na fal.ai FLUX 3 kosztuje połowę - 0,425 USD za 5 sekund.
• Dźwięk na zamówienie: w reklamie ekspresu prosiłem o syk maszyny i nalewanie kawy, a dostałem tylko ptaki w tle.
• Szczegóły: mżawki w scenie z motocyklem prawie nie widać, a strumień wody pod koniec spływa po ściance szklanki trochę jak żel.

Co to znaczy dla twórców z Polski

Do tej pory polskie dialogi i napisy w kadrze najpewniej robił Wan 3.0. Teraz są co najmniej dwa modele, które robią to za pierwszym razem i są dostępne przez API: Wan 3.0 i FLUX 3 Video, a do samej mowy także MiniMax H3 Max. FLUX 3 dokłada do tego tryb szkicu (na fal.ai 0,03 USD za sekundę), dzięki któremu można przejrzeć kilka pomysłów, zanim zapłaci się za pełną jakość. Różnica 0,1 punktu w mojej Arenie to remis - wybór między FLUX 3 a Wan 3.0 zależy od ceny, długości klipu (20 kontra 30 s) i tego, czy potrzebujesz 480p.

Wszystkie klipy z poleceniami są w tekście Co potrafi FLUX 3 Video, porównanie z rywalami w FLUX 3 vs Wan 3.0 vs Seedance 2.5, a o tym, ile kosztuje sekunda w innych modelach, piszę w zestawieniu cen wideo AI.