Flux 3란 무엇인가: 소리를 ‘붙이는’ 시대에서 ‘이해하는’ 시대로
비디오 생성 AI 경쟁은 오랫동안 시각적 품질에 집중되어 왔습니다. 더 긴 장면, 더 선명한 디테일이 최우선 목표였습니다. 그러나 Black Forest Labs가 발표한 Flux 3는 근본적으로 다른 질문을 던집니다. “온전한 현실감이란 무엇인가?” Flux 3는 이미지, 비디오, 오디오를 각각 별도 모델로 처리하지 않고, 하나의 통합 아키텍처 안에서 공동 학습한 다중 모드 기초 모델입니다. 이 구조가 단순한 멀티모달 모델과 Flux 3를 구분짓는 핵심입니다.
시각과 청각을 하나의 흐름으로 통합하다
기존 영상 생성 모델은 대부분 소리를 ‘덧붙이는’ 방식을 취합니다. 영상을 완성한 뒤, 별도 오디오 모델이 화면에 맞는 소리를 추정해 붙이죠. Flux 3는 이 과정을 근본적으로 바꿉니다. 비디오를 예측하는 동일한 처리 과정에서 오디오도 함께 생성됩니다. 비디오 예측에 전체 컴퓨팅 비용의 95% 이상이 투입되지만, 오디오는 전체 토큰의 0.5% 미만을 차지할 만큼 가볍습니다. 그 결과 비디오 학습이 완료되는 시점에 이르면, 입 모양과 음성, 물리적 사건과 효과음 간의 인과관계가 자연스럽게 학습됩니다1.
이러한 통합 구조 덕분에 Flux 3는 최대 20초 길이의 네이티브 오디오가 포함된 비디오를 직접 생성할 수 있습니다. 텍스트-비디오 변환은 물론, 이미지-비디오, 비디오-비디오 변환, 그리고 키프레임 기반 전환까지 지원합니다. 나아가 다국어 대사를 포함한 여러 클립을 에이전트 방식으로 연결해 수 분 길이의 시퀀스로 확장하는 것도 가능합니다2.
초기 평가에서 Flux 3는 10초 720p 영상 기준으로 경쟁 모델 대비 높은 선호도를 기록했습니다. Luma Ray 3.2 대비 93%, Runway Gen-4.5 대비 77%, Grok Imagine Video 대비 69% 의 평가자가 Flux 3 결과물을 선택했습니다3. 다만 이 수치는 자체 평가 결과이므로, 독립적인 제3자 검증은 아직 이루어지지 않았다는 점을 염두에 둘 필요가 있습니다.
영상 제작과 로봇 행동이 같은 기반을 공유하는 이유
Flux 3의 더 깊은 차별점은 콘텐츠 생성과 물리적 행동 예측을 단일 모델로 수행한다는 데 있습니다. Black Forest Labs는 Flux 3의 비디오 백본 위에 로봇 행동 디코더를 결합한 FLUX-mimic을 mimic robotics와 협력해 개발했습니다4.
그 원리는 직관적입니다. 현실감 있는 영상을 만들려면 물체 간 접촉, 질량, 움직임, 그리고 원인과 결과에 대한 이해가 필수적입니다. 하나라도 어긋나면 결과물이 즉시 부자연스러워집니다. 이렇게 학습된 물리 세계에 대한 내부 표상은, 로봇이 ‘어떻게 행동해야 하는지’ 파악하는 문제와 구조적으로 동일합니다. 실제로 Flux 3에 행동 예측 기능을 추가했을 때, 비디오 생성 품질이 일시적으로 10% 하락했지만 불과 3,500스텝 만에 완전히 회복되었습니다. 하나의 백본이 두 가지 과제를 모두 해낼 수 있음을 보여준 셈입니다1.
이러한 구조는 현장 적용에서도 성과로 이어지고 있습니다. FLUX-mimic은 Audi 생산 현장에서 기존 자동화 시스템이 다루기 어려웠던 케이블, 실링 등 부드러운 소재 조작 작업에 투입되어 테스트 중입니다. 주목할 점은 작업별로 필요한 시연 데이터가 약 30분에 불과하다는 사실입니다. 이는 기존 방식에서 30시간 이상 필요했던 것과 비교하면 데이터 효율이 약 60배 향상된 수치입니다4.
하나의 물리적 현실을 향한 통합 모델
Flux 3의 출시 계획은 단계적으로 진행됩니다. 현재 Video와 Action 기능이 얼리 액세스로 제공되고 있으며, Image 기능은 향후 몇 주 내로 출시될 예정입니다. 콘텐츠 제작과 행동 예측을 모두 지원하는 오픈 웨이트 버전 Flux 3 Dev 역시 올해 안에 공개됩니다2.
Flux 3가 주목받는 이유는 단순히 ‘더 긴 영상’이나 ‘더 나은 화질’ 때문만이 아닙니다. 더 근본적인 의미는, 이미지·소리·움직임·행동이 모두 하나의 물리적 현실을 가리키는 서로 다른 센서 데이터일 뿐이라는 가설을 실제 제품으로 증명해 보였다는 데 있습니다. Flux 3는 영상 제작과 로봇 제어라는 두 개의 분리된 영역이 하나의 기반 모델에서 출발할 수 있음을 구체적으로 제시합니다. 멀티모달 AI가 단순한 콘텐츠 도구를 넘어 현실을 이해하는 범용 백본으로 진화하는 전환점이 바로 지금입니다.
1FLUX 3 - Real World Models: Towards Multimodal Flow Models as the Backbone of Visual Intelligence
2FLUX 3 x mimic: The Next Generation of Video-Action Models
4Black Forest Labs Unveils FLUX 3, A New Multimodal Frontier Model For Visual Intelligence
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.