FLUX 3 動画モデル実測：テキストから動画、動画延長まで、音楽MVクリエイターが知っておくべきこと

深夜2時、Sunoで作った新曲のサビの空気感がようやく決まった、と思ったら今度は絵作りで手が止まる。モデルAが出す画は映画のような質感なのに前のカットとつながらない。モデルBはつながるのに主人公の顔が変わってしまう。音楽MVを作る人が動画モデルに求めるのは、「一つのカットが綺麗かどうか」ではなく「MV全体としてつながるかどうか」だ。

Black Forest Labs（FLUX画像モデルを手がけるチーム）が2026年に発表したFLUX 3 動画モデルは、まさに「つながること」を売りにしている。通常のテキストから動画・画像から動画に加えて、先頭フレームと末尾フレーム、キーフレームシーケンス、動画延長をネイティブにサポートする。2026年8月5日時点で、FLUX 3はすでにSunoMVの動画モデルセレクターに追加されている——本記事では私たち自身の実測データをもとに、何ができるのか、どれくらい速いのか、いくらかかるのか、そしてどんな場面で選ぶべきかを解説する。

FLUX 3とは？

FLUX 3はBlack Forest Labsが発表した動画生成モデルシリーズで、テキストから動画、画像から動画、先頭・末尾フレームからの動画生成、キーフレームからの動画生成、動画延長という5つの生成方式を一度に開放している。出力は720pまたは1080p、1カットの長さは5〜20秒で、ネイティブな音声生成にも対応する——つまり映像と音がひとつの生成で同時に作られる。

音楽MVの場面で言えば、この5つの方式はそれぞれ異なる実際のワークフローに対応する。

能力	入力	向いているMVシーン
テキストから動画	文章による説明	ゼロから雰囲気カットを作る（イントロ、間奏）
画像から動画	画像1枚	歌詞に合わせた1枚絵を「動かす」
先頭・末尾フレームから動画	先頭フレーム＋末尾フレームの2枚	歌詞の2つのシーン間のトランジション
キーフレームから動画	時系列に並べた最大10枚の画像	絵コンテ通りに1つの長回しを精密にコントロール
動画延長	既存の動画（15秒以内）	よく撮れたカットを自然に伸ばす

Image: a cinematic music-video frame generated with SunoMV

実用ルール： 先頭・末尾フレームとキーフレームは粒度が違うだけで同じ仕組みだ——トランジションだけなら先頭・末尾フレームで十分で、「途中でどんな絵を通過させるか」までコントロールしたいときだけキーフレームが必要になる。

実測スピードと価格：5秒クリップが約104秒で出力

2026年8月5日、私たちは同一のMVレベルのテスト指示（人物、リズム、逆光の屋上シンガーのシーンを含む）で実測を行った。5秒・720p、音声オフのテキストから動画クリップは、送信から出力まで104秒。複数回のテストでは100〜125秒の範囲に収まった。動画延長タスクはやや遅く、実測で約174秒だった。

これが実測のサンプル映像だ（プロンプトの指示：人物の顔とマイクを持つ指を安定させる、動きをビートに合わせる、ゴールデンアワーの逆光、周回するカメラワーク）。

サンプル映像：SunoMVチームが2026-08-05にFLUX 3のテキストから動画で実測生成（5秒／720p）

価格については、fal.aiに掲載されているFLUX 3公式APIの価格によると、生成系の能力は1秒あたり0.17米ドル（720p）、1秒あたり0.29米ドル（1080p）。動画延長エンドポイントはさらに高く、720pで1秒あたり0.41米ドル——これは入力された元の動画を先に「理解」する必要があるためだ。SunoMVではこうしたAPIの詳細を気にする必要はない。FLUX 3のトランジションはセグメント単位で課金され、エディター内でモデルを選ぶ時点でそのセグメントに必要なcreditsが表示される。

実用ルール： 動画延長の単価は通常の生成の約2.4倍——まずは最初の生成を狙い通りに仕上げること（プロンプトに人物、ライティング、カメラワークをしっかり書き込む）を優先し、延長は「すでに気に入っているが長さが足りない」カットのために取っておこう。

FLUX 3 vs Seedance 2.0 vs Kling O3 vs Hailuo 03：どう選ぶか

この4つのモデルはすべてSunoMV内で直接選択できる。結論を一言で言えば、FLUX 3は1カットの完成度（20秒の上限＋ネイティブな動画延長）に強く、Seedance 2.0はカットをまたいだキャラクターの一貫性（最大9枚の参照画像で顔を固定）に強い。

項目	FLUX 3	Seedance 2.0	Kling O3 Pro	Hailuo 03
1カットの長さ	5〜20秒	4〜15秒	3〜15秒	5〜15秒
最大解像度	1080p	720p（別途4K専用プランあり）	1080p	2K
先頭・末尾フレームのトランジション	✅	✅	✅	✅
キーフレームシーケンス	✅（最大10フレーム）	❌	❌	❌
ネイティブな動画延長	✅ 独立した機能	⚠️ 参照動画方式で実現	❌	❌
キャラクター固定用参照画像	❌	✅ 最大9枚	✅ 最大4枚	✅ 最大9枚
ネイティブ音声	✅	✅	✅（オプション）	❌

Image: cross-shot character consistency — a key factor when picking a video model

長さはカットレベルのレバー、参照容量はシリーズレベルのレバーだ——連載コンテンツはカットの質ではなく、キャラクターのブレによって死ぬ。

この基準で見ると、あなたのMVが「ワンカット的な雰囲気重視の作品」（歌詞の絵がイメージ寄りで、固定の主人公に依存しない）なら、FLUX 3の20秒という上限とキーフレームコントロールはカットレベルの強力なレバーになる。一方、あなたのMVに全編を貫く主人公がいるなら、カットをまたいだ顔の固定は1カットの長さよりずっと重要で、この場合はSeedance系がより安定したデフォルトの選択肢であり続ける。私たちがこの選択をそのままエディターに委ねているのも、この2種類のニーズが実際に併存しているからだ。

SunoMVでFLUX 3を使って音楽MVを作る：3ステップ

1. suno.biを開き、あなたのSunoの楽曲リンクを貼り付ける（または音声をアップロードする）と、AIが歌詞に合わせて1行ずつ絵を生成する。
2. エディターのトランジション／エンディング動画の設定で、動画モデルをFLUX 3に切り替える。解像度は720pまたは1080pから選べる。
3. 生成をクリックする——FLUX 3は隣り合う2行の歌詞の絵を先頭フレームと末尾フレームとして、2つのシーンをつなぐ動きのあるトランジションを生成する。1本あたり約2分以内で出力される。

Image: a short-form music video generated with SunoMV

よくある質問

FLUX 3とFLUX画像モデルはどんな関係ですか？ 同じ会社（Black Forest Labs）が手がける2つのプロダクトラインです。FLUX系の画像モデルはディテールと文字のレンダリングに強みがあり、FLUX 3動画モデルは同じ美的センスを受け継ぎながら、時間軸方向のコントロール能力（キーフレーム、延長）を新たに加えています。

FLUX 3で1本の動画を生成できる最長時間はどれくらいですか？ 1回の生成で5〜20秒です。それより長いコンテンツは「動画延長」機能でつなげるか、SunoMV内で歌詞を文単位に分けて複数セグメントとして自動生成できます。

SunoMVでFLUX 3を使うのに追加の設定は必要ですか？ 必要ありません。Seedance、Kling、Hailuoと同じく組み込みモデルなので、モデルセレクターで選ぶだけで、使った分だけcreditsが差し引かれます。

最後に

反証歓迎の予測を一つ。2027年半ばまでには、「ネイティブな動画延長」は今日の先頭・末尾フレームと同じように動画モデルの標準機能になっているはずだ——もしその頃になっても主要モデルの多くにこの機能が欠けていたら、ぜひこの記事を引き合いに私たちを指摘してほしい。ただ、今すぐ作品を仕上げたいクリエイターにとって、FLUX 3は「1カットが十分な長さで撮れない」という具体的な問題をすでに解決している。

SunoMVを開き、あなたのSunoの楽曲を貼り付けて、FLUX 3でトランジションを試してみよう——次のMVは誰かのチュートリアルを待つ必要はない。

SunoMVチーム