Fitur dan kemampuan Flux 3
Flux 3 adalah model fondasi multimodal dari Black Forest Labs. Alih-alih memakai model terpisah untuk tiap output, Flux 3 mempelajari gambar, video, dan audio sekaligus, sehingga satu prompt saja menghasilkan sebuah shot yang bergerak, bersuara, dan bereaksi seperti dunia nyata.
Black Forest Labs mengumumkan Flux 3 pada 23 Juli 2026, lalu merilis fitur video secara umum pada 4 Agustus 2026. Klip berdurasi 5 sampai 20 detik pada resolusi HD 720p atau Full HD 1080p, tersedia dalam tujuh rasio aspek dari 21:9 hingga 9:16, dengan audio yang dihasilkan bersama gambar secara default. Semua panduan di bawah ini mengikuti dokumentasi prompting resmi dari Black Forest Labs.
| Fitur | Fungsinya | Cocok untuk |
|---|---|---|
| Video audio native | Menghasilkan klip dan suaranya yang sinkron dalam satu proses | Adegan bersuara, dialog, efek suara |
| Fisika dunia nyata | Gerakan mengikuti massa dan momentum; suara sesuai benturan | Video produk, aksi, konten edukasi |
| Keyframe | Menginterpolasi satu shot melalui hingga 10 gambar diam yang disematkan | Transisi terkontrol, storyboard |
| Lanjutan video (continuation) | Memperpanjang klip yang sudah ada dari frame terakhirnya | Adegan lebih panjang, menyelamatkan take yang bagus |
| Dialog multibahasa | Berbicara dalam 13+ bahasa di kamera dengan lip-sync | Video lokal, presenter, iklan |
| Generasi multi-shot | Menyusun beberapa sudut kamera dalam satu generasi | Film pendek, iklan, reveal produk |
| Mode draft | Preview cepat, lalu render penuh yang sesuai dengan preview itu | Menjajaki arah kreatif sebelum render final |
Video audio native
Yang jadi andalan Flux 3: gambar dan suara datang bersamaan. Setiap klip dihasilkan lengkap dengan audio native yang sinkron dalam proses yang sama, jadi benturan, langkah kaki, atau dialog sudah menyatu dengan aksinya, bukan ditempel belakangan. Sebutkan suara yang Anda inginkan langsung di prompt, dan tentukan bahasanya kalau adegan itu punya dialog.
Fisika dunia nyata
Flux 3 mempelajari gerakan, massa, dan suara sebagai satu sistem, sehingga bobot, momentum, dan benturan mengikuti kaidah fisika yang wajar, sementara material tetap terlihat konsisten saat kamera bergerak. Jelaskan bagaimana gerakan itu berkembang sepanjang shot, dan hasilnya akan terasa seperti footage asli, bukan simulasi yang melenceng.
Keyframe dan continuation
Ada dua cara mengendalikan gerakan. Sematkan gambar diam sebagai keyframe, dan Flux 3 akan menginterpolasi satu shot berkelanjutan melalui gambar-gambar itu: satu gambar menentukan frame pembuka, dua gambar menetapkan awal dan akhir, sementara hingga sepuluh gambar yang disematkan pada timestamp mengubah klip jadi storyboard yang harus diikuti model secara berurutan. Atau, serahkan footage yang sudah Anda punya, dan continuation akan melanjutkan dari frame terakhirnya, membawa momentum, gaya kamera, dan lapisan audio menyeberangi sambungan tanpa terasa terpotong.
Dialog multibahasa dan tipografi
Kutip kalimatnya, sebutkan bahasanya, jelaskan gaya penyampaiannya, dan Flux 3 akan mengucapkannya di kamera dengan aksen serta lip-sync yang sesuai. Bahasa yang didukung mencakup Inggris beserta dialeknya, Mandarin, Spanyol, Prancis, Jerman, Jepang, Portugis, Rusia, Italia, Indonesia, Turki, Hindi, dan Punjabi. Tipografi dirender sebagai bagian dari adegan dan tetap terbaca saat kamera bergerak, sehingga judul maupun signage tidak rusak oleh gerakan.
Use case Flux 3
Adegan dengan audio native
Klip yang Anda dapat sudah lengkap dengan suaranya, jadi efek atau dialog langsung menyatu dengan aksi, tanpa perlu ditambal belakangan seperti take bisu.
Video produk dan konten jualan
Pantulan cahaya, bobot, dan material tetap terlihat wajar saat kamera bergerak, jadi tuangan, putaran, atau jatuhnya produk terasa seperti footage asli, cocok untuk konten UMKM dan jualan online.
Rangkaian multi-shot
Susun beberapa sudut kamera dalam satu generasi, atau perpanjang klip dengan continuation, sambil menjaga satu karakter tetap konsisten di setiap potongan, cocok untuk konten serial di TikTok atau Reels.
Video untuk pasar lokal
Dialog multibahasa dan teks di layar yang akurat memungkinkan satu adegan tayang dalam beberapa bahasa sekaligus, termasuk Bahasa Indonesia, tanpa perlu proses judul atau sulih suara terpisah.
Draft dulu, baru render final
Coba satu arah kreatif secara cepat dan murah, nilai hasilnya, lalu render versi yang Anda setujui dalam kualitas penuh dengan subjek, komposisi, dan gerakan yang sama.
Konten edukasi dengan fisika akurat
Gravitasi, benturan, dan gerakan mengikuti kaidah fisika yang wajar, jadi video how-it-works tetap akurat sekaligus enak ditonton.
Cara membuat prompt Flux 3
Arahkan sebuah adegan, jangan cuma mendeskripsikan tumpukan objek. Panduan resmi Black Forest Labs meminta Anda menyebutkan apa yang terjadi, bagaimana subjek bergerak, bagaimana kamera berperilaku, dan seperti apa bunyi shot itu, dengan kata benda dan kata kerja konkret yang benar-benar bisa ditangkap kamera. Kata sifat yang kabur cuma menyerahkan hasilnya pada untung-untungan.
Pilih format prompt
Flux 3 menerima empat format, dan panjang bukan tujuannya. Mulai dari yang singkat untuk eksplorasi, baru perpanjang saat Anda memang butuh kontrol lebih.
| Format | Pakai saat | Contoh |
|---|---|---|
| Frasa singkat | Eksplorasi cepat, satu subjek jelas, hasil tak terduga yang menarik | Petani menyeberangi sawah berkabut saat matahari terbit, telefoto |
| Kalimat bahasa natural | Pilihan default sehari-hari untuk satu shot | Sebuah tracking shot rendah mengikuti ojek melaju di jalanan Jakarta yang basah saat senja |
| Field berlabel | Mengatur satu elemen secara spesifik tanpa mengubah yang lain | Shot kamera: lebar, sudut rendah. Subjek: seorang nelayan mendayung perahu menyeberangi sungai |
| Timestep | Aksi harus tepat di momen tertentu | 0.0–1.5 dtk statis lebar pelabuhan. 1.5–3.0 dtk mulai push-in perlahan |
Format kalimat natural punya pola yang gampang diingat: shot [kamera] dari [subjek] [aksi] di [lingkungan], lalu tambahkan detail visual dan gerakan pendukung. Jaga agar beat timestep tetap realistis, dua atau tiga beat untuk klip lima detik, dan tandai potongan tegas setiap kali sudut kamera berganti.
Susun CASTLE untuk karya multi-shot
Saat tampilan dan cerita harus konsisten di beberapa shot sekaligus, Black Forest Labs mendokumentasikan skema enam bagian. Enam bagian itu membentuk singkatan CASTLE, singkatan kami sendiri untuk skema mereka dan bukan nama resmi, tapi ini cara tercepat mengingat apa yang kurang dari sebuah prompt panjang.
| Elemen | Isinya | |
|---|---|---|
| C | Core summary (ringkasan inti) | Satu baris yang mencakup seluruh rangkaian: siapa, di mana, dan alur ceritanya |
| A | Audio | Per shot: lanskap suara, dirender sinkron dengan gambarnya |
| S | Subject (subjek) | Dipertahankan identik kata demi kata di setiap shot, agar identitas tidak bergeser |
| T | Timeline | Per shot, bertimecode: gerakan kamera dan aksi subjek |
| L | Look (tampilan) | Finishing global: level realisme, palet warna acuan, dan grain |
| E | Environment (lingkungan) | Per shot: latar, kualitas cahaya, dan depth of field |
Isi bagian-bagian itu dengan urutan yang Anda suka, lalu susun prompt akhirnya sesuai urutan resmi Black Forest Labs: ringkasan inti, lingkungan, subjek, timeline, audio, tampilan. Menjaga deskripsi subjek tetap identik kata demi kata antar-shot adalah kunci yang mencegah karakter berubah wujud di tengah potongan. Ini trik kontinuitas paling murah dalam seluruh panduan.
Sebutkan suara yang Anda inginkan
Audio dihasilkan bersama gambar, jadi adegan yang secara alami mengisyaratkan suara memberi model lebih banyak bahan dibanding adegan yang abstrak. Langkah kaki, benturan, hujan, mesin, dan keramaian semuanya terbaca jelas. Ada empat lapisan, dan Anda jarang butuh keempatnya sekaligus.
| Lapisan | Yang perlu dideskripsikan | Contoh |
|---|---|---|
| Ucapan | Siapa yang bicara, kata-kata persis dalam tanda kutip, dan cara mengucapkannya | Montir itu berkata, "Coba sekarang." Pelan, apa adanya |
| Ambience | Suasana bunyi dari tempat itu | Hujan menerpa jendela, obrolan pelan di warung makan |
| Efek suara | Bunyi yang terikat pada aksi yang terlihat | Cangkir keramik berdenting pelan saat menyentuh tatakannya |
| Musik | Gaya, tempo, dan posisinya dalam mix | Scoring piano minimalis di bawah adegan, volume rendah dalam mix |
Ada dua kebiasaan yang paling berpengaruh. Sebutkan sumber suara, jangan minta keheningan, karena "suasana ruangan yang sunyi" bisa berubah jadi audio kosong, sementara "hujan menerpa jendela" memberi model sesuatu untuk dirender. Dan untuk dialog, sebutkan apakah pembicara ada di kamera atau suaranya voiceover, kalau tidak, kalimat berkutip bisa malah dianggap teks yang perlu ditampilkan di layar.
Arahkan gaya suara, bukan sekadar vibe
"Profesional, hangat, dan enak didengar" cuma menghasilkan gaya presenter yang sama setiap kali. Acuan yang konkret lebih efektif: usia dan aksen kalau relevan, register suara, kesan medium rekamannya, gaya penyampaian, dan batasan seperti "jangan seperti gaya penyiar". Lalu baca kalimatnya keras-keras sebelum digenerate. Arahan suara tidak bisa menyelamatkan naskah yang kaku.
Kesalahan yang sering terjadi
- Mendeskripsikan gambar diam. Model video butuh gerakan sepanjang waktu, bukan foto yang dituliskan kata-katanya.
- Lupa menyebut suara. Audio dihasilkan secara default, jadi sebutkan efek, ambience, atau dialog yang Anda mau.
- Menumpuk istilah kamera. "Tracking shot rendah" jelas maksudnya; "aerial handheld orbit push-in rendah" tidak.
- Menulis kalimat negatif. Model Flux tidak mendukung negative prompt, jadi sebutkan apa yang Anda inginkan, bukan yang tidak.
- Memaksakan terlalu banyak isi dalam klip pendek. Beberapa pembicara, naskah panjang, dan banyak beat dalam lima detik akan memotong kata terakhirnya. Persingkat kalimatnya atau perpanjang durasinya.
Untuk daftar kemampuan lengkap dan spesifikasi teknis, lihat halaman model Flux 3.