FLUX 3 Max Text to Video API

blackforestlabs/flux-3-max/text-to-video
720p / 1080p · 5–20 sec

FLUX 3 Max Text to Video 将一段镜头描述转化为 5–20 秒的 720p 或 1080p 视频,自带原生音频,提供 21:9 到 9:16 共八种画幅。它会按提示词中的运镜、光线与声音描述生成画面和音轨,一次请求即可得到声画完整的成片。

输入
480
输出示例
8 秒 × $0.170/秒 = $1.360
继续使用

FLUX 3 Max Text to Video

FLUX 3 Max 是 fal 与 Black Forest Labs 合作、在 FLUX 3 视频基础模型上后训练得到的视频模型,于 2026 年 10 月发布。Text to Video 仅凭提示词构建完整镜头:主体、动作、运镜、光线,以及同一次生成得到的音轨。输出 5–20 秒、720p 或 1080p,适合概念镜头、社媒竖版和需要首稿即带声音的提案短片。

为什么选择 FLUX 3 Max Text to Video API?

  • 一次请求得到画面与声音默认与视频同步生成音频,提示词中描述的环境声、音效和简短对白会出现在同一个文件里。

  • 单条最长 20 秒可在 5–20 秒间任选整数时长,足够容纳完整运镜或一段短场景,无需拼接。

  • 八种画幅21:9 与 2:1 适合电影感镜头,16:9 与 4:3 适合屏幕播放,1:1、3:4 与 9:16 适合信息流与移动端。

  • 两档分辨率,计费简单720p 每秒 34 点数用于草稿,1080p 每秒 58 点数用于交付,音频不额外收费。

参数说明

参数要求说明
prompt必填

描述主体、动作、运镜、光线以及希望出现的声音。首尾空白会被去除,去除后不能为空。

默认值—
duration可选

输出时长,5–20 秒的整数。

默认值5
resolution可选

720p 或 1080p,分辨率决定每秒费率。

默认值720p
aspect_ratio可选

auto、21:9、2:1、16:9、4:3、1:1、3:4 或 9:16。auto 输出 16:9。

默认值auto
sound可选

在同一次生成中输出原生音轨;设为 false 得到无声画面,价格不变。

默认值true

使用方法

  1. 写出镜头用一两句话写清主体、动作、运镜与光线,再补充希望听到的声音。

  2. 选择时长与画幅将 duration 设为 5–20 秒并选择画幅;auto 输出 16:9。

  3. 选择分辨率与声音先用 720p 打样,定稿后切换 1080p;保持 sound 开启,或设为 false 获得无声画面。

  4. 提交并获取视频提交请求并保存 task_id,轮询状态接口或使用 callback_url,直到返回 data.files[].file_url。

用量与计费

FLUX 3 Max Text to Video 按所选分辨率和输出秒数计费,声音不额外收费。

计费项目费率详情
720p34 credits / 秒$0.17 / 秒。5 秒视频 170 点数($0.85),20 秒 680 点数($3.40)。
1080p58 credits / 秒$0.29 / 秒。10 秒视频 580 点数($2.90),20 秒 1,160 点数($5.80)。

适用场景

  • 概念与提案镜头把文字创意变成带环境声的 21:9 镜头,用于方案或客户提案。

  • 竖版社媒短片直接生成带声音的 9:16 短片,可立即放进信息流预览审看。

  • 氛围与空镜素材生成带自然声的风景、城市或天气镜头,用于剪辑素材与背景。

  • 从草稿到成片在 720p 下反复调整措辞,确认后用同一提示词以 1080p 重跑。

实用技巧

  • 每条视频描述一个连续动作,并写明运镜方式,例如缓慢推轨或低机位跟拍。
  • 把声音写成具体事件:水面风声、关门声,或用引号写出一句简短对白。
  • 时长较长时,描述镜头随时间的推进,让多出的秒数有新的动作。
  • 交付格式固定时请明确设置 aspect_ratio;本端点 auto 固定输出 16:9。

注意事项

  • 在 input 中发送 prompt、duration、resolution、aspect_ratio 与 sound;图片或关键帧字段属于同系列其他端点。
  • 费用为 duration × 分辨率费率,提交任务时预扣。
  • 提交成功返回 task_id,可轮询状态接口或设置 callback_url 获取结果。

相关模型

FLUX 3 Max Text to Video API 常见问题

FLUX 3 Max Text to Video API 是什么?

FLUX 3 Max Text to Video 是 fal 与 Black Forest Labs 合作推出、用于文本生成视频的模型。它将提示词转化为 5–20 秒、720p 或 1080p 的视频,自带原生音频并提供八种画幅。模型基于 FLUX 3 视频底座后训练,在保留你描述的主体、运镜与光线的同时,同步生成动作和匹配的音轨。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

FLUX 3 Max Text to Video 如何生成声音?

sound 默认开启,模型会根据提示词中的声音描述与画面同步生成音轨。需要自行配乐时把 sound 设为 false 即可得到无声画面,两种方式价格相同。

FLUX 3 Max Text to Video 最长能生成多少秒?

duration 可设为 5–20 之间的任意整数秒,默认 5 秒。生成较长视频时,在提示词中描述动作或运镜的推进效果更好。

FLUX 3 Max Text to Video 每秒多少钱?

720p 每输出秒 34 点数($0.17),1080p 每秒 58 点数($0.29)。8 秒 720p 视频为 272 点数,开启声音不改变价格。

FLUX 3 Max Text to Video 选择 auto 时输出什么比例?

文生视频没有可参考的图片,auto 输出 16:9。交付格式固定时,请明确选择 21:9、2:1、4:3、1:1、3:4 或 9:16。

FLUX 3 Max Text to Video 应该用 720p 还是 1080p 打样?

建议先用 720p 调整提示词,每秒费用约低 40%,确认后再用同一提示词以 1080p 生成交付版本。两档分辨率的字段完全相同。

FLUX 3 Max Text to Video 和 FLUX 3 Text to Video 有什么区别?

FLUX 3 Max 是 FLUX 3 视频模型的后训练版本,由 fal 针对提示词遵循和渲染速度进行优化,每秒费率与 FLUX 3 相同。如果流程需要视频延长或首尾帧端点,可使用 Vidgo 上的 FLUX 3 系列。