Co potrafi FLUX 3 Video: 8 moich klipów z promptami i wynikami

👁 121 przeczytań

Co naprawdę potrafi FLUX 3 Video, model wideo Black Forest Labs z 6. miejsca rankingu Artificial Analysis? Wygenerowałem nim 8 klipów do różnych zastosowań - od reklamy po polsku, przez napis na tablicy, po ożywienie zdjęcia - i przy każdym podaję pełne polecenie, parametry, koszt i to, co wyszło, a co nie. Na końcu dokładam sześć materiałów producenta z funkcjami, których sam nie testowałem. Ceny, ranking i instrukcja są w przewodniku FLUX 3 Video.

1. Reklama lokalnego biznesu po polsku

Zastosowanie: krótki spot do social mediów dla piekarni, kawiarni, warsztatu - z osobą, która mówi do kamery po polsku.

Polecenie:

Short TV commercial for a Polish bakery. Medium shot of a smiling female baker in her fifties in a small sunlit bakery, holding a fresh loaf of rye bread toward the camera. She says clearly in Polish: "Chleb na zakwasie, upieczony dziś o piątej rano." Behind her, shelves full of bread and a window with a quiet street. Sound: her voice, soft crackle of the crust, quiet street outside, no music. Realistic, warm light, no subtitles, no on-screen text.

Komentarz: Whisper przepisał kwestię jako „Chleb na zakwasie upieczony dziś o 5 rano” - zgodnie z poleceniem, cyfrę zamiast słowa wstawia sam program do transkrypcji. Piekarka podnosi bochenek w stronę kamery, półki są pełne, za oknem cicha ulica.

2. Polska mowa: łamaniec językowy

Zastosowanie: test, czy model nadaje się do polskich dialogów, napisanych z myślą o trudnych głoskach.

Polecenie (scena 2 z Areny wideo):

Medium close-up of a woman in her thirties sitting at a kitchen table, looking straight into the camera. She says clearly and calmly in Polish: "W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę trzydzieści dwa złote." Natural daylight from a window, static camera, realistic, no subtitles, no on-screen text, no music.

Komentarz: Whisper: „W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę 32 zł.” - zero błędów w słowach. Dla porównania Seedance 2.5 w tej samej scenie miał co drugie słowo źle (WER 0,583), a Wan 3.0 dostał 7,5/10. Całe zdanie mieści się w 5 sekundach klipu.

3. Napis w kadrze: tablica szkolna

Zastosowanie: szyldy, tablice, nazwy produktów - wszystko, co ma być czytelne w filmie.

Close-up of a green school chalkboard in a sunlit classroom. A hand finishes writing with white chalk. The chalkboard clearly shows exactly two lines of text in capital letters: first line "ARENA WIDEO 2026", second line "ŻÓŁTA ŁÓDŹ". Static camera, realistic, chalk dust in the light, no other text.

Komentarz: wzorowo. Ręka kończy pisać ostatnią literę „Ź”, a oba wiersze są dokładnie takie jak w poleceniu - z kropką nad Ż, kreską nad Ó i Ź oraz ukośnikami w Ł. W Arenie poprawne polskie litery miały wcześniej tylko Wan 3.0 i MiniMax H3 Max. Seedance 2.5 napisał „ŻÖLTA LÖDŽ”, Kling 3.0 i Veo 3.1 Lite gorzej.

4. Ruch kamery: orbita wokół motocykla

Zastosowanie: prezentacja produktu dookoła, ujęcia samochodów, motocykli, mebli.

A smooth 180-degree camera orbit around a vintage red motorcycle parked on a wet cobblestone street in an old European town at blue hour. The camera circles steadily from the front of the motorcycle to its back at a constant speed. Street lamps reflect in the puddles, light drizzle. The motorcycle keeps its exact shape and details. Realistic cinematic footage, real-time motion, no text, no logos.

Komentarz: kamera robi pełne pół okrążenia od przodu do tyłu w stałym tempie, a motocykl zachowuje kształt baku, chromu i lampy. Latarnie odbijają się w mokrym bruku. Minus: mżawki prawie nie widać. 8,5/10, tyle samo co Wan 3.0 i Kling 3.0 w Arenie.

5. Fizyka: woda nalewana aż do przelania

Zastosowanie: reklama napojów, ujęcia kuchenne, każda scena z płynem.

Static close-up on a wooden kitchen table in daylight. Water is poured from a glass pitcher into an empty clear drinking glass. The stream splashes, bubbles rise, the water level rises steadily until the glass overflows and water spills onto the table and spreads into a puddle. Real-time speed, no slow motion, realistic physics, no text.

Komentarz: cała sekwencja we właściwej kolejności: pusta szklanka, bąbelki, rosnący poziom, przelanie i kałuża na blacie. W Arenie wcześniej udało się to tylko Wan 3.0. Pod koniec strumień spływa po zewnętrznej ściance szklanki trochę jak żel - stąd 8,5, a nie 9.

6. Packshot z dźwiękiem: ekspres do kawy

Zastosowanie: reklama produktu z warstwą dźwiękową (ASMR, odgłosy urządzenia).

Cinematic product commercial. Close-up of a matte black espresso machine on a marble kitchen counter at sunrise. Hot espresso streams into a small white cup, steam rises through a beam of golden light, the camera slowly pushes in. Sound: the hiss of the machine, liquid pouring, Zdanie jest urwane - brak zakończenia konstrukcji. saucer, soft ambient morning birds. Realistic, shallow depth of field, no text, no logos.

Komentarz: obraz jak z reklamy: marmur, poranne światło, para, crema w filiżance i powolny najazd. Dźwięk wyszedł połowicznie - w ścieżce są tylko ptaki i cykanie w tle, bez syku ekspresu i nalewania, o które prosiłem. Ścieżka jest też cicha (średnio -38,6 dB). Do takiej reklamy dźwięk urządzenia lepiej dołożyć w montażu.

7. Ożywienie zdjęcia: kawiarnia

Zastosowanie: wizualizacje wnętrz, materiały dla architektów i lokali, zdjęcie produktu zamienione w film.

Obraz startowy: moja grafika kawiarni z testu wizualizacji wnętrz w FLUX 3 Image.

The camera slowly dollies forward through the cafe toward the curved terracotta counter. The barista behind the counter grinds coffee, a customer walks past the counter, the woman at the left table lifts her cup and laughs with her friend. The pendant lamps hang still. Sound: cafe ambience, a coffee grinder, soft chatter, cups clinking. Realistic, natural motion, no text.

Komentarz: płynny najazd w stronę lady, klient przechodzi przez kadr, za ladą pojawia się barista przy młynku, a wnętrze zachowuje kafle, lampy i rośliny ze zdjęcia. Przy proporcjach „auto” model przyciął kadr do 1088×800, więc część sufitu i boków znika - jeśli chcesz zachować całe zdjęcie, ustaw proporcje ręcznie. Ten sam obraz i polecenie dałem Seedance 2.5 - wynik jest w porównaniu FLUX 3 vs Wan 3.0 vs Seedance 2.5.

8. Ta sama postać w dwóch ujęciach

Zastosowanie: krótkie fabuły, reklamy z bohaterem, seriale z AI.

Two shots separated by one hard cut. Shot 1: wide shot of a young woman with short red hair, round black glasses, a yellow raincoat and a black backpack walking along a rainy city street at night with neon reflections on the wet pavement. Hard cut. Shot 2: close-up of the same woman with the same short red hair, the same round black glasses and the same yellow raincoat as she stops under a shop awning and looks up at the rain. Realistic, cinematic, no text.

Komentarz: twarde cięcie jest dokładnie tam, gdzie miało być, a w zbliżeniu mamy rude włosy, okrągłe czarne okulary, żółty płaszcz i plecak. W planie ogólnym postać idzie tyłem, więc twarzy i okularów tam nie widać - przy tej scenie to drobne ułatwienie. Neon i mokry asfalt bardzo dobre.

Z materiałów producenta: funkcje, których nie testowałem

Poniższe klipy pochodzą z wpisu Black Forest Labs z 4 sierpnia 2026 i są odtwarzane z serwera producenta. To nie są moje klipy, a BFL nie podaje do nich poleceń.

Klatki kluczowe: z pustego pokoju w urządzony salon

Tryb pierwszej i ostatniej klatki przydaje się w wizualizacjach wnętrz: dajesz zdjęcie „przed” i „po”, a model wymyśla przejście. Na fal.ai kosztuje tyle samo co zwykłe wideo, 0,085 USD/s.

Przedłużanie nagrania: łoś przed maską

Model bierze do 4 sekund istniejącego wideo z dźwiękiem i dopisuje ciąg dalszy, zachowując ruch kamery. To najdroższy tryb: 0,41 USD/s w 720p u BFL.

Kilka ujęć w jednym klipie

Dialog z epoki

Wiedza o świecie: Fryburg w kilku słowach

BFL podkreśla, że model łączy wiedzę z treningu z „ugruntowaniem w czasie rzeczywistym”, co ma się przydać w dokumentach i treściach edukacyjnych.

Szkic kontra pełna jakość

Szkic zachowuje kompozycję i ruch, więc można przejrzeć kilka pomysłów, a dopracować tylko wybrany. Na fal.ai szkic kosztuje 0,03 USD/s.

Wnioski

• Najmocniejsze: polski - zarówno mowa, jak i napisy w kadrze - oraz fizyka i spójność postaci.
• Do poprawy: dźwięk na żądanie (w reklamie ekspresu zabrakło odgłosów urządzenia) i drobne niedociągnięcia w szczegółach polecenia (mżawka, przycięty kadr przy proporcjach „auto”).
• Cena: 0,85 USD za 5 s w OpenRouterze, 0,425 USD na fal.ai. Drożej niż Wan 3.0 w 480p, ale w 720p.

Porównanie z rywalami: FLUX 3 Video vs Wan 3.0 vs Seedance 2.5. Skrypt, którym zrobiłem klipy: poradnik FLUX 3 przez API.

// czytaj dalejCo potrafi HappyHorse 1.1: 7 moich klipów i poleceniaArtykułyGemini Omni i przyszłość video promptingu: od generowania klipów do reżyserowania intencjiAI dla twórcówNano Banana 2.1: 15 promptów z wynikami (PL i EN)Artykuły