動画生成AIの発表を読んでいたはずが、話はいつのまにかAudiの工場の床へ降りていきます。柔らかいドアシールを掴むロボットと、音のついた動画を作るモデルが、同じ土台を共有しているというのです。この2つが本当に地続きなら、動画生成AIをどう見るかを、少し組み替える必要がありそうです。
Black Forest Labsは2026年7月23日、マルチモーダル基盤モデル「FLUX 3」をアーリーアクセスで公開した。画像・動画・音声を統一アーキテクチャで同時に学習し、同社のSelf-Flowを基盤とする。1回の生成で音声付き最長20秒の動画を作成できる。
720p・10秒の音声付きクリップによる初期評価では、Luma Ray 3.2に93%、Runway Gen-4.5に77%、Grok Imagine Videoに最大69%、Kling v3 Proに60%、Seedance 2.0とGemini Omni Flashに52%の比較で選好された。行動予測ではmimic roboticsとvideo-actionモデル「FLUX-mimic」を開発し、Audiの生産タスクで検証している。今後はFLUX 3 Video、FLUX 3 Action、FLUX 3 Image、オープンウェイトのFLUX 3 Devを順次提供する。
From: 
FLUX 3 – Real World Models: Towards Multimodal Flow Models as the Backbone of Visual Intelligence.
【編集部解説】
FLUX 3の発表を「動画生成モデルがまた1つ増えた」と受け取ると、この発表のいちばん重要な部分を取り逃がします。
Black Forest Labsが今回示したのは、動画を生成するモデルと、ロボットを動かすモデルは、同じ世界理解を土台にできるという主張です。同社はそこへ至る道筋を2つ示しました。FLUX 3自体に行動予測を組み込む経路と、動画バックボーンを基盤に専用の行動モデルを載せる経路です。今回Audiの生産ラインで動いているのは後者にあたります。
次の1フレームを予測することと、次の1動作を予測すること
理屈はこうです。ある映像の「次の瞬間」を説得力をもって描けるモデルは、物が落ちる速さも、布がたわむ形も、衝突したときに鳴る音も、暗黙のうちに学んでいなければなりません。
その学習内容は、ロボットが「この手を動かしたら世界はどう変わるか」を予測するために必要な知識と、かなりの部分が重なります。
同社がSelf-Flowと呼ぶのは、生成する能力と表現を獲得する能力を、同一のアーキテクチャの中で同時に育てる手法です。2026年3月6日にarXivプレプリントとして公開されており、FLUX 3はその約4か月半後に、この土台の上で計算資源とデータを大幅に拡大して動画・画像・音声を同時学習させたモデルにあたります。その検証の結果として、映像生成と行動予測は別々の基盤を必要としないという見通しを得たと同社は説明しています。ただしこれは同社の実験が示した可能性であり、一般に証明された結論ではありません。
「30分」という数字が示すもの
具体的な成果は、mimic roboticsと共同開発したFLUX-mimicに表れています。
タスクの難易度によりますが、ロボットに新しい作業を覚えさせるために必要なデータが、従来の30時間以上から30分程度に減ったと両社は説明しています。mimic roboticsはこれを、導入サイクルが数か月から数週間へ短縮される改善だとしています。なお、ここでいう30分は追加学習に投入するロボットデータの収録時間であり、学習計算に要する時間ではありません。
Audiの生産現場では、シール材やケーブルといった、従来の自動化が苦手としてきた軟体物のハンドリングに使われています。海外報道は、具体例として柔軟なドアシールの取り付け作業を挙げています。同社のChristoph Schneider氏は、従来のロボティクスでは不可能だった作業を解いていると述べています。
速度面も詰めてあります。バックボーンが入力から世界表現を作るまでがGPU 1枚（RTX 5090）で80ミリ秒未満。アクションデコーダの最適化や、予測と実行を重ねるリアルタイム・チャンキングまで含めて詰めた結果、自己完結したロボットシステムとしての反応時間は101ミリ秒とされています。人間の視覚反応時間と同じオーダーです。
評価数値の読み方
一方で、比較評価の数値には注意が必要です。
Luma Ray 3.2に93%、Runway Gen-4.5に77%という選好率は目を引きますが、これらはすべて開発元による自己申告であり、同社自身が「暫定的」と明記しています。ベンチマークの完全な結果と手法は一般提供の開始にあわせて公開するとされており、現時点で第三者による公開検証は確認できていません。
比較対象の顔ぶれにも背景があります。
Happy Horseは、Artificial Analysis上で開発元が「Alibaba-ATH」と表示されているAlibaba系の動画生成モデルです。開発組織については、ATHのAI Innovation Unitや淘天集団のFuture Life Labとの関係が二次資料で報じられていますが、Alibabaの公式資料で詳細を確認できてはいません。2026年4月、開発元を明かさないままArtificial Analysisのブラインド評価に登場し、当時のテキスト→動画と画像→動画の双方で首位に立った経緯を持ちます。
Seedance 2.0はByteDanceのモデルで、ハリウッド主要スタジオからの警告を受け、2026年3月に予定されていたグローバル展開が延期されました。後継のSeedance 2.5は、6月23日のイベントで予告されたと報じられていますが、7月24日時点で公式な一般提供は確認できていません。
つまりFLUX 3は、性能で拮抗する中国勢が法務リスクを抱えたまま次世代モデルの投入を準備している市場に、欧州の規制枠組みを前提とした選択肢として投じられた、と読めます。
なぜ「7月23日」だったのか
ここからは私の解釈ですが、発表日そのものに制度上の意味があると見ています。
EU AI法（Regulation (EU) 2024/1689）第50条の透明性義務が適用されるのは、2026年8月2日です。第50条(2)は、生成AIの提供者に対し、合成された音声・画像・動画・テキストを機械可読な形式でマーキングし、AIによる生成・加工物として検出できるようにすることを求めます。これとは別に、第50条(4)は、ディープフェイクを用いる導入者に、人が分かる形での開示を義務づけます。制裁は最大1500万ユーロ、または全世界年間売上高の3%のいずれか高い方。
ここに、見落とせない線引きがあります。
2026年6月29日にEU理事会が最終承認したデジタル・オムニバス（AI法簡素化パッケージ）により、第50条(2)のマーキング義務については、2026年8月2日より前に市場投入された生成AIシステムに限って同年12月2日までの経過措置が置かれました。8月2日以降に市場へ出るシステムには、原則として市場投入時から義務が課されます。
FLUX 3の公開日は7月23日。この線の、10日ぶん手前です。
もっとも、アーリーアクセス提供が法律上の「市場投入」にあたるかどうかは、それ自体が解釈の余地を残す論点であり、断定はできません。ただ、ドイツ・フライブルクに拠点を置く欧州企業が、この時期に動画・音声の生成能力を世に出したという事実は、記録しておく価値があります。
同社はFLUX.2系ですでに、API出力にC2PA規格の暗号署名付きメタデータを付与し、ピクセル層の電子透かしの実装例も公開してきました。ただし画像への署名と、音声つき動画への恒常的な表示は、技術的にも運用的にも難度が違います。仮に7月23日のアーリーアクセス提供が法律上の「市場投入」に該当するなら、2026年12月2日が第50条(2)への対応期限になります。
日本の読者にとっての意味
日本から見たとき、この発表の重心は生成AIよりも製造業にあると私は考えています。
軟体物のハンドリング、多品種少量、頻繁な段取り替え。日本の製造現場でも自動化が難しいとされ、人手で支えられてきた領域です。「新しい作業を教えるコスト」が30時間から30分になるなら、これまで自動化の対象外だった工程が一気に候補に入ってきます。
さらに重要なのが、年内に予定されているオープンウェイト版FLUX 3 Devです。ロボット制御のように低遅延とセキュリティが要求される用途では、クラウドに映像を送れないケースが少なくありません。自社が管理する環境で運用できる基盤モデルが配布される意味は、そこにあります。ただし必要な計算資源やモデルサイズは、まだ公表されていません。
残る不確かさ
とはいえ、今日の時点で手に入るものは限られています。
FLUX 3 VideoとFLUX 3 Actionはアーリーアクセス、FLUX 3 Imageは「数週間のうち」、オープンウェイト版は「年内」。基盤技術の詳細な公開も、これからです。
同社は評価額32億5000万ドル（約5300億円）、累計調達額4億5000万ドル超（約730億円）（1ドル＝163円換算、2026年7月24日時点のレート）。同社発表では従業員100人規模で、Adobe PhotoshopやPicsart、Nous ResearchのHermes Agentといったプラットフォームの生成機能を支えてきました。FLUX 3についてはCanva、Burda、Magnific、Krea、Picsartがすでにテストに入っています。
この規模の企業が示した工程表を、実際に守りきれるかどうか。それが年内の見どころになります。
「知覚・行動・言語を同一モデルに統一する」という同社の次の目標は、生成AIと世界モデル、そしてロボティクスの境界が今後さらに溶けていくことを示唆しています。その入口に立つ発表として、FLUX 3は記録しておく価値があると考えます。
【関連記事】
【解説】EU AI Act発効からまもなく2年｜「AIを規制する」から「規制を実装する」へ
本稿で触れた第50条の透明性義務を、制度の全体像から解説した記事。行動規範の最終版や署名期限も追える。
ソフトバンクと安川電機、NVIDIA基盤でフィジカルAI実証―ワイヤーハーネスの安定ハンドリングを確認
Audiのドアシールと同じ「軟体物ハンドリング」に日本勢が挑んだ実証。国内の現在地がわかる。
MOTOMAN NEXT×Google DeepMind、安川電機が「エージェンティック・ロボットシステム」を開発
基盤モデルを産業用ロボットに載せるもう一つの経路。FLUX-mimicとの設計思想の違いを比べられる。
【編集部後記】
この記事を書きながら、ずっと引っかかっていたことがあります。私たちは動画生成AIを「映像を作る道具」として見てきましたが、Black Forest Labsの説明を追うほど、それは副産物のほうなのではないか、と思えてくるのです。
次のフレームを描けるということは、世界の振る舞いを知っているということ。だとすれば、その知識でロボットの手を動かすのは自然な延長です。生成AIの話をしていたつもりが、いつのまにか工場の話になっている。この感覚は、しばらく残りそうです。
みなさんの周りに、機械には任せられないと諦めていた作業はありませんか。布を扱う、ケーブルを通す、柔らかいものを掴む。もし「30分で覚える」が本当なら、その線引きは近いうちに引き直されるかもしれません。
いっぽうで、12月2日という日付も静かに近づいています。生成された動画が「AIによるもの」だと、誰が、どこに、どうやって刻むのか。オープンウェイト版が配られたあと、その刻印は誰の手に残るのか。答えが見えたら、また共有させてください。
【用語解説】
マルチモーダル基盤モデル
画像・動画・音声・テキストなど複数の種類のデータを、1つのモデルでまとめて扱う大規模モデルのこと。従来は「画像用」「動画用」と用途別に別々のモデルを作り、後から組み合わせるやり方が広く使われてきた。
Self-Flow
Black Forest Labsが2026年3月6日にarXivプレプリントとして公開した学習手法。生成モデルの内部に表現学習を組み込む自己教師ありのフローマッチングである。中核となるDual-Timestep Schedulingは、トークンごとに異なるノイズ水準を与えて情報の偏りを作り出し、欠けた情報をモデル自身に推測させる。外部モデルによる監督を必要とせず、複数のモダリティにまたがって機能する点が特徴となる。FLUX 3はこの手法の上に構築されている。
フローマッチング（Flow Matching）
ノイズから目的のデータへ至る「変化の流れ」を学習させる生成モデルの手法。拡散過程を特殊なケースとして含む、より一般的な枠組みにあたる。近年の画像・動画生成における主要な手法の一つである。
統一アーキテクチャ（unified architecture）
複数のモダリティを別々の専用モデルに分けず、単一のネットワーク構造の中で同時に学習・生成させる設計思想。各モダリティが互いの学習を補強し合うことが期待される。
ネイティブ音声生成
無音の映像を作ってから音を後付けするのではなく、映像と音声を1回の生成処理で同時に作り出す方式。効果音や台詞が画面上の出来事と同期しやすい。
行動予測（action prediction）
ロボットが次にどう身体を動かすべきかをモデルが出力すること。「次のフレームの映像を予測する」処理と構造的に近い、というのがFLUX 3の設計思想の核にあたる。
video-action model（映像・行動モデル）
映像から世界の動きを理解するモデルに、その内部表現をロボットの動作指令へ変換する「アクションデコーダ」を組み合わせたモデル。FLUX-mimicがこれに該当する。
リアルタイム・チャンキング
動作の予測と実行を時間的に重ね合わせ、途切れを生じさせない制御手法。次の動作を計算している間も現在の動作を継続させることで、ロボットの動きから引っかかりを取り除く。
ファインチューニング
学習済みの汎用モデルに、特定の用途向けの少量データを追加学習させて専門化させること。今回の「30分」は追加学習に用いるロボットデータの収録量を指し、学習計算に要する時間ではない。
オープンウェイト
モデルの重み（学習済みパラメータ）を公開し、自分の環境で動かせるようにする提供形態。ソースコードや学習データまで公開する「オープンソース」とは区別される。利用範囲はライセンス条件による。
アーリーアクセス
一般提供の前に、申請者や提携先に限定して先行提供する段階。フィードバックの収集と安全性の検証を兼ねることが多い。
physical AI（フィジカルAI）
デジタル空間の中だけで完結せず、ロボットなど物理的な身体を通じて現実世界に働きかけるAIを指す総称。世界モデル、シミュレーション、ロボティクスを横断する概念として使われる。
軟体物ハンドリング（soft body manipulation）
布、ゴム、ケーブル、シール材など、形が定まらない柔らかい対象を扱う作業。掴むたびに形が変わるため、従来型の産業用ロボットが苦手としてきた領域の一つである。
選好率（preference rate）
2つのモデルの出力を人間に見比べさせ、どちらが好ましいかを選ばせた際の勝率。50%が両者互角の基準線となる。評価者や評価基準を公開元が設定するため、自己申告の数値は割り引いて読む必要がある。
C2PA
Coalition for Content Provenance and Authenticityの略。コンテンツの出所と編集履歴を、改ざんを検知できる署名付きメタデータとして付与するための業界標準規格である。ファイルへの埋め込みと外部からの参照のいずれもあり得る。
EU AI法 第50条
EUの包括的AI規制（Regulation (EU) 2024/1689）のうち、透明性義務を定めた条項。第50条(2)は提供者に機械可読なマーキングを、第50条(4)はディープフェイクの導入者に人への開示を求める。2026年8月2日から適用される。
デジタル・オムニバス（Digital Omnibus on AI）
EU AI法の一部の適用時期などを調整する一括改正。2026年6月29日にEU理事会が最終承認した。第50条(2)の機械可読マーキング義務について、2026年8月2日より前に市場投入された生成AIシステムに限り、同年12月2日までの経過措置を設けている。
【参考リンク】
Black Forest Labs（公式サイト）（外部）
ドイツ・フライブルクとサンフランシスコに拠点を置く画像・動画生成AIの研究開発企業。2024年8月にFLUX.1とともに公に活動を開始した。
FLUX 3 モデルページ／アーリーアクセス申請（外部）
FLUX 3の製品ページ。現在はComing Soon表示とアーリーアクセスの申請窓口のみで、詳細な提供条件は未掲載である。
Self-Flow（Black Forest Labs 研究ページ）（外部）
FLUX 3の土台となった学習手法の公式解説ページ。生成と表現学習を同一の枠組みで扱う考え方が示されている。
Self-Supervised Flow Matching for Scalable Multi-Modal Synthesis（arXiv）（外部）
Self-Flowを提案したプレプリント。2026年3月6日投稿。中核機構であるDual-Timestep Schedulingの仕組みを詳述している。
Black Forest Labs — Training Data Disclosure（外部）
米カリフォルニア州法AB 2013に基づく学習データ開示ページ。データ取得元の類型とフィルタリング方針が記載されている。
mimic robotics（公式サイト）（外部）
スイス・チューリッヒ拠点のフィジカルAI企業。ETH Zurich発のスピンオフとして2024年に設立され、ロボットハンドを開発する。
Black Forest Labs — Hugging Face（外部）
FLUXシリーズのオープンウェイト版が公開されているページ。モデルカードにC2PA対応や電子透かしの実装例の記載がある。
C2PA（Coalition for Content Provenance and Authenticity）（外部）
コンテンツの出所と編集履歴を検証可能にする技術標準を策定する業界団体の公式サイト。仕様書や実装ガイドを公開している。
EU AI法 第50条 透明性規定の解説（外部）
2026年8月2日から適用される透明性義務と実務対応を整理した解説。行動規範の策定状況も追える。
Happy Horse 1.1（Picsart）（外部）
比較対象に挙がったAlibaba系動画生成モデルの製品ページ。1080p・最長15秒、多言語のリップシンクに対応する。
【参考記事】
Black Forest Labs Unveils FLUX 3, A New Multimodal Frontier Model For Visual Intelligence（外部）
公式プレスリリース全文。30分／30時間の比較、評価額32億5000万ドル、従業員100人規模といった企業データが記載されている。
FLUX 3 x mimic: The Next Generation of Video-Action Models（外部）
FLUX-mimicの技術解説。RTX 5090 1枚で80ミリ秒未満、ロボットシステム全体で101ミリ秒という実測値が示されている。
mimic robotics Introduces FLUX-mimic, Bringing Frontier Video-Action Models to the Factory Floor at Audi（外部）
mimic robotics名義の公式発表。導入サイクルが数か月から数週間へ短縮されるとする記述の出典である。
EU AI Act Omnibus Agreement — Postponed High-Risk Deadlines and Other Key Changes（外部）
デジタル・オムニバスの解説。第50条(2)のマーキング義務に経過措置が設けられた経緯を整理している。
What Actually Comes Due on August 2, 2026: EU AI Act Article 50 Transparency（外部）
8月2日に発効する義務と先送りされた義務を切り分けた解説。以降の新規参入に猶予がない点を明示している。
Black Forest Labs Unveils FLUX 3 AI: Ditches Stills for Video—And Robot Hands（外部）
Audiでの適用例として柔軟なドアシールの取り付け作業を挙げた記事。提供計画の現状も整理している。
ByteDance Seedance 2.5 Launches This Week: 30-Second AI Video Carries Copyright Cloud（外部）
Seedance 2.5が6月23日のイベントで予告された経緯と、7月初旬時点で一般提供に至っていない状況を報じた記事。
Flux 3 generates videos with native audio up to 20 seconds long（外部）
同社にとって初の動画生成モデルという位置づけと、選好率グラフの読み方を整理した記事。
