FLUX 3 Video: clips de 20 segundos con audio nativo

Respuesta corta: FLUX 3 Video renderiza imagen y sonido a la vez, así que el prompt tiene que dirigir ambos. Escribe una línea FORMAT, da a los keyframes sus marcas de tiempo, describe el STARTING STATE, traza una TIMELINE con una acción visible por beat, fija CAMERA y CONTINUITY, y escribe el AUDIO como una partitura: quién habla, en qué idioma, en qué segundo, más los efectos y el tono de sala. Renderiza primero un borrador a 0,06 $ por segundo y luego mejóralo.

Qué es FLUX 3 Video

FLUX 3 es el modelo multimodal de Black Forest Labs — una sola columna vertebral para imágenes, vídeo y audio — anunciado el 23 de julio de 2026 en acceso anticipado. Su modo de vídeo llegó a la API de BFL y a socios seleccionados el 4 de agosto de 2026. El titular no es la duración sino el sonido: la voz en más de una docena de idiomas con sincronía labial, los efectos y el ambiente se crean con los fotogramas, no se añaden después.

La estructura del brief

El mismo patrón de brief de director de 2026 que funciona para Seedance 2.5 y Kling 3.0 funciona aquí, con dos bloques específicos de FLUX: KEYFRAMES con marcas de tiempo en lugar de roles de referencia y una línea AUDIO pautada al segundo.

1. FORMAT — duración, relación de aspecto, hd o fhd, una toma o planos, audio activado o no.
2. KEYFRAMES — qué imagen va en qué segundo y qué debe permanecer idéntico entre ellas.
3. STARTING STATE — sujeto, cámara y luz en el segundo 0.
4. TIMELINE — rangos de segundos, una acción visible por beat, dónde se asienta el último movimiento.
5. CAMERA — un movimiento, objetivo, qué está prohibido.
6. CONTINUITY — invariantes: producto, cara, ropa, luz.
7. AUDIO — efectos con marcas de tiempo, tono de sala, diálogo entre comillas con hablante, idioma y segundo, música o explícitamente ninguna.
8. CONSTRAINTS — qué no debe ocurrir.

Un ejemplo completo (12 s, 9:16, producto con una línea hablada)

FORMAT: 12 s, 9:16, fhd, one continuous take, audio on.
KEYFRAMES: [0, image1] the glass bottle on the marble counter, cap on, morning light from the left; [8, image2] the same bottle with the cap off and one drop on the rim. Keep the label, the cap and the marble identical between the two.
STARTING STATE: the bottle stands centred, still; a hand is out of frame to the right.
TIMELINE:
0-4 s - the light slides slowly across the marble; a hand enters from the right and lifts the cap.
4-8 s - close on the rim: one drop forms and falls in real time; the hand sets the cap down out of frame.
8-12 s - the camera eases back to a hero angle and holds; the bottle settles centred for the last second.
CAMERA: locked-off macro at 100 mm for the first eight seconds, then a slow pull-back; no whip, no zoom.
CONTINUITY: same bottle, label and lighting throughout; the hand has short nails and no rings.
AUDIO: a soft cap click at 3.5 s, a single drop at 6 s, quiet room tone throughout; at 9 s a calm female voice (English, British) says "Made in one drop."; no music.
CONSTRAINTS: no on-screen text, no second product, no logo changes, no slow motion, no watermark.

Cómo escribir la línea de audio

• Diálogo entre comillas rectas, con hablante, idioma y segundo: at 9 s a calm female voice (English, British) says "Made in one drop."
• Una línea corta por clip de menos de 15 s. La voz necesita unos tres segundos por frase más silencio alrededor; un clip de 12 segundos lleva una línea, uno de 20 segundos dos o tres.
• Efectos con marcas de tiempo para que caigan sobre la acción: «cap click at 3.5 s, drop at 6 s».
• Nombra el tono de sala («quiet room tone», «rain on the window»): el silencio sin él se rellena con una cama aleatoria.
• Escribe «no music» cuando lo quieras así; si no, el modelo puede musicalizar el clip.
• El hablante debe estar en pantalla cuando suena la línea si quieres sincronía labial; una voz en off está bien cuando no hay nadie en pantalla.

Keyframes con marcas de tiempo

Imagen-a-vídeo acepta de una a diez imágenes. Una sola imagen es el fotograma inicial; dos son un par inicio y fin; más se convierten en keyframes con marcas de tiempo, escritos como [0, image1], [8, image2]. El modelo interpola el movimiento entre ellos, así que las imágenes deben coincidir en todo lo que no quieres cambiar — producto, etiqueta, dirección de la luz, encuadre — y diferir solo en el estado que quieres animar. Dos fotos de producto tomadas desde la misma posición de trípode son ideales; dos fotos desde ángulos distintos producen un morph.

Primero borrador, luego mejora

Cada petición de FLUX 3 Video acepta draft: true: una vista previa rápida a 720p por 0,06 $ por segundo en lugar de 0,17 $. Comprueba el tiempo de la línea, el asentamiento final y el movimiento de cámara; corrige el brief si hace falta; luego reenvía el draft_cache devuelto con mode: "draft_enhance" para renderizar el borrador aprobado a calidad completa. Un clip de 12 segundos cuesta 0,72 $ en borrador y unos 2 $ para terminarlo en HD, mucho más barato que tres renders completos a ciegas.

Dónde supera a los demás y dónde no

• Elige FLUX 3 Video para clips de producto, marca y explicativos de 10–20 segundos con líneas habladas en muchos idiomas, control de keyframes y el bucle borrador → mejora.
• Elige Veo 3.1 para planos hero fotorrealistas de 8 segundos con audio nativo; la luz más realista de 2026.
• Elige Seedance 2.5 para historias de toma única de 30 segundos dirigidas por hasta 50 referencias con roles explícitos — ver la guía de prompts de Seedance 2.5.
• Elige Kling 3.0 para escenas con cortes, hablantes con nombre y duraciones por plano.

¿Migras desde Sora? La estructura de prompt de arriba se traslada uno a uno; la guía de migración por el cierre de Sora tiene la tabla función por función.

Errores habituales

• Diálogo escrito como descripción («habla del producto»): no se pronuncia ninguna línea.
• Dos líneas en un clip de 8 segundos: la segunda sale apresurada o cortada.
• Keyframes desde ángulos distintos: el modelo hace morph en lugar de animar.
• Combinar entradas de imagen y vídeo en una petición: no está soportado; elige una.
• Saltarse el borrador: los renders completos a 0,17–0,29 $ por segundo suman rápido.
• Tokens de especificación («4K 60fps») y prompts negativos: usa FORMAT y CONSTRAINTS.

Preguntas frecuentes

¿Quieres el brief escrito por ti — keyframes, timeline, cámara, continuidad, una línea de audio pautada y restricciones? GoldenPrompts construye briefs para FLUX 3 Video, Veo, Seedance y Kling en unos pocos clics. Pruébalo — 24 horas de todo gratis, sin tarjeta.