- FLUX 3 Max یک مدل ویدیوساز است که ۲۷ مهر ۱۴۰۵ (۱۹ اکتبر ۲۰۲۶) از طریق پلتفرم fal عرضه شد؛ مدل پایه را Black Forest Labs ساخته و تیم fal Research آن را پس‌آموزش (post-training) داده است.
- ادعای اصلی سرعت است: ساخت یک ویدیوی ۱۰ ثانیه‌ای در حدود ۱۱ تا ۱۲ ثانیه، آن هم طبق بنچمارک خود fal.
- قیمت API در بازه‌ی تخفیفی تا ۱۶ آبان ۱۴۰۵ (۷ نوامبر) برای ۷۲۰p حدود ۰٫۰۴۲۵ دلار در ثانیه است؛ بعد از آن ۰٫۱۷ دلار در ثانیه.
- برای یوتیوبر ایرانی، این مدل بیشتر به درد کلیپ‌های کوتاه، B-roll و تست ایده می‌خورد، نه جایگزین کامل تدوین و فیلم‌برداری.
اگر مدتی است دنبال یک ویدیوساز FLUX 3 Max می‌گردید تا بفهمید این مدل تازه واقعاً چیست، چقدر خرج دارد و به دردِ کانال شما می‌خورد یا نه، این مقاله دقیقاً برای همین نوشته شده است. اعلام عمومی مدل در ۱۹ اکتبر ۲۰۲۶ بود و هنوز چند روز بیشتر از عمرش نگذشته؛ برای همین سعی کرده‌ام هر عدد را از منبع اصلی بگیرم و جاهایی که اعداد با هم نمی‌خوانند، صریح بگویم.
FLUX 3 Max دقیقاً چیست؟
اسم FLUX را احتمالاً از مدل‌های تصویرساز Black Forest Labs می‌شناسید؛ آزمایشگاهی که بنیان‌گذارانش از سازندگان اولیه‌ی Stable Diffusion هستند. FLUX 3 نسل تازه‌ی همین خانواده است و برخلاف نسخه‌های قبلی که عمدتاً تصویر می‌ساختند، یک مدل چندرسانه‌ای برای ویدیو، تصویر و صدا معرفی شده است.
نکته‌ای که معمولاً در تیترها گم می‌شود این است: FLUX 3 Max خودِ مدل پایه نیست. طبق اطلاعیه‌ی منتشرشده، تیم fal Research مدل پایه‌ی FLUX 3 را با یادگیری تقویتی و بهینه‌سازی استنتاج (inference) پس‌آموزش داده تا کیفیت بصری، پیوستگی حرکت و پیروی از پرامپت بهتر شود. خود fal هم می‌گوید این نسخه‌ی اول است و پس‌آموزش ادامه دارد. یعنی چیزی که امروز می‌بینید، نسخه‌ی نهایی نیست و ممکن است هفته‌های آینده تغییر کند.
این مدل سه حالت ورودی را معرفی می‌کند: متن به ویدیو، تصویر به ویدیو و کیفریم به ویدیو (تعیین تصویر اول و آخر). با این حال در صفحه‌ی محصول تا لحظه‌ی بررسی من فقط دو endpoint اول فهرست شده بود و حالت کیفریم را باید منتظر ماند یا مستقیم در API بررسی کرد.
مشخصات فنی؛ آنچه تأیید شده
صفحه‌ی مدل در fal جزئیات خوبی دارد. برای حالت تصویر به ویدیو، فهرست ورودی‌ها این است:
- تصویر اول (image_url): فرمت PNG، JPEG یا WebP؛ و یک تصویر پایانی اختیاری.
- مدت ویدیو: بین ۵ تا ۲۰ ثانیه؛ پیش‌فرض ۵ ثانیه.
- نسبت تصویر: خودکار، ۱۶:۹، ۹:۱۶، ۱:۱، ۴:۳، ۳:۴، ۲۱:۹ و ۲:۱ — یعنی هم ویدیوی افقی یوتیوب و هم عمودی شورتس پوشش داده می‌شود.
- صدای بومی: گزینه‌ی generate_audio به‌صورت پیش‌فرض روشن است.
- سطح استدلال: low یا high؛ در حالت high مدل پرامپت شما را بازنویسی و گسترش می‌دهد.
- seed: برای تکرارپذیری نتیجه.
خروجی نمونه در صفحه، یک MP4 با ابعاد ۱۲۸۰×۷۰۴ و نرخ ۲۴ فریم بر ثانیه است. گزینه‌ی ۱۰۸۰p هم در پلتفرم وجود دارد، ولی اعداد بنچمارک و اطلاعیه برای ۷۲۰p است؛ پس هر مقایسه‌ای را با همین در نظر بگیرید.
قیمت: چقدر برای یک کلیپ پول می‌دهید؟
قیمت‌گذاری بر اساس ثانیه‌ی ویدیوی تولیدشده است و حداقل خرید یا اشتراک ماهانه ندارد. طبق صفحه‌ی fal:
| کیفیت | قیمت تخفیفی (تا ۷ نوامبر) | قیمت عادی | یک کلیپ ۱۰ ثانیه‌ای (تخفیفی / عادی) |
|---|---|---|---|
| ۷۲۰p | ۰٫۰۴۲۵ دلار در ثانیه | ۰٫۱۷ دلار در ثانیه | ۰٫۴۲۵ / ۱٫۷۰ دلار |
| ۱۰۸۰p | ۰٫۰۷۲۵ دلار در ثانیه | ۰٫۲۹ دلار در ثانیه | ۰٫۷۲۵ / ۲٫۹۰ دلار |
تخفیف ۷۵ درصدی تا ۷ نوامبر ۲۰۲۶ (۱۶ آبان ۱۴۰۵) اعتبار دارد. حساب سرانگشتی: اگر برای یک ویدیوی یوتیوب ۱۰ کلیپ ۱۰ ثانیه‌ای بسازید و از هر کلیپ سه تلاش بگیرید تا یکی خوب دربیاید، با قیمت عادی ۷۲۰p حدود ۵۱ دلار خرج می‌کنید و با قیمت تخفیفی حدود ۱۲٫۸ دلار. این عدد برای B-roll یک ویدیو منطقی است، اما اگر قرار است هر هفته چند ویدیو بسازید، همان قیمت عادی را مبنای بودجه بگذارید، نه تخفیف را.
برای مخاطب ایرانی یک مانع جدی هم هست: پرداخت دلاری و تحریم‌ها. در منابعی که بررسی کردم درباره‌ی دسترسی از ایران چیزی نیامده بود، پس این بخش را «تأییدنشده» بدانید و قبل از برنامه‌ریزی، با یک حساب آزمایشی بررسی کنید که ثبت‌نام و پرداخت برایتان ممکن است یا نه.
ادعای سرعت و کیفیت؛ کجا اعداد با هم نمی‌خوانند
عنوان تبلیغاتی مدل «سریع‌ترین در غرب» است و از ساخت ویدیوی ۱۰ ثانیه‌ای در ۱۲ ثانیه حرف می‌زند. وقتی منابع را کنار هم گذاشتم، چند ناهمخوانی دیدم که بهتر است بدانید:
- زمان تولید: اطلاعیه‌ی مطبوعاتی ۱۰٫۹۵ ثانیه می‌گوید و صفحه‌ی محصول ۱۲٫۴۵ ثانیه. هر دو در بنچمارکِ خود fal ثبت شده‌اند، نه آزمون مستقل.
- «۲۲ برابر سریع‌تر از Seedance 2.5»: با همان اعداد اطلاعیه (۲۷۷٫۸ ثانیه تقسیم بر ۱۰٫۹۵) نسبت حدود ۲۵ برابر درمی‌آید، نه ۲۲. احتمالاً از دو عدد متفاوت استفاده شده است.
- رتبه‌ی کیفیت: fal می‌گوید در Artificial Analysis Video Arena امتیاز Elo مدل ۱۱۳۹ است و آن را در جمع بهترین‌ها در تصویر به ویدیو قرار می‌دهد. اما جدول رتبه‌بندی در زمان بررسی من ۱۱۳۸ (با خطای ±۱۵) را نشان می‌داد و مدل را کمی پشت MiniMax H3 با ۱۱۴۰ قرار می‌داد. چون بازه‌ی خطا همپوشانی دارد، «مساوی بودن» ادعای بی‌پایه‌ای نیست، ولی «شماره‌ی یک» هم نیست. خودِ اطلاعیه هم نتایج را «مقدماتی» توصیف می‌کند.
برداشت من: مدل واقعاً در رده‌ی بالای ویدیوسازها قرار می‌گیرد و امتیازش از FLUX 3 اولیه حدود ۵۰ واحد Elo بالاتر است (۱۰۸۹ به ۱۱۳۹)، اما برتری قاطع روی رقبا اثبات نشده است. مقایسه‌ی سرعت‌ها هم تا وقتی کسی مستقل تکرارشان نکرده، ادعای فروشنده است.
مقایسه با رقبا روی کاغذ
جدول زیر اعداد صفحه‌ی fal است (بنچمارک خودِ آن‌ها، پس تفسیرش را با احتیاط انجام دهید):
| مدل | امتیاز Elo | زمان تولید ۱۰ ثانیه ویدیو |
|---|---|---|
| FLUX 3 Max | ۱۱۳۹ | حدود ۱۱ تا ۱۲ ثانیه |
| MiniMax H3 (۷۶۸p) | ۱۱۴۱ | حدود ۸۳ ثانیه |
| Gemini Omni Flash 1.1 | ۱۱۳۴ | حدود ۴۷ ثانیه |
| Wan 3.0 | ۱۱۲۷ | حدود ۱۸۰ ثانیه |
| FLUX 3 (نسخه‌ی اولیه) | ۱۰۸۹ | حدود ۱۲۶ ثانیه |
اگر این اعداد درست باشند، یعنی کیفیت FLUX 3 Max تقریباً هم‌سطح بهترین‌هاست ولی چند برابر سریع‌تر است. برای یک خالق محتوا، سرعت فقط راحتی نیست؛ تعداد دفعاتی که می‌توانید یک پرامپت را اصلاح و دوباره امتحان کنید را مستقیماً بالا می‌برد. وقتی هر تلاش ۱۲ ثانیه طول بکشد به‌جای سه دقیقه، آزمون‌وخطا واقعاً قابل‌تحمل می‌شود.
این مدل به چه کار یوتیوبر می‌آید؟
من برای خالق محتوا چهار کاربرد واقع‌بینانه می‌بینم:
۱. B-roll و نماهای پوششی
فرض کنید ویدیوی شما درباره‌ی سفر فضایی یا یک شهر آینده است و فیلم آرشیوی مناسب پیدا نمی‌کنید. کلیپ‌های ۵ تا ۱۰ ثانیه‌ای دقیقاً همان چیزی است که برای نماهای پوششی لازم دارید. اینجا کیفیت ۷۲۰p هم معمولاً بعد از ادیت و ترکیب با فوتیج واقعی قابل‌قبول است.
۲. تبدیل تامبنیل یا تصویر ثابت به حرکت
حالت تصویر به ویدیو به شما اجازه می‌دهد یک تصویر طراحی‌شده را زنده کنید؛ مثلاً اینترو یا پس‌زمینه‌ی متحرک برای شورتس. اگر هنوز با ابزارهای تصویرساز برای تامبنیل کار نکرده‌اید، راهنمای ابزارهای هوش مصنوعی تامبنیل نقطه‌ی شروع خوبی است.
۳. تست سریع ایده پیش از تولید واقعی
قبل از اینکه برای یک صحنه تجهیزات بیاورید یا ساعت‌ها انیمیشن بسازید، چند کلیپ ارزان بسازید تا ببینید ایده روی صفحه چطور حس می‌شود. به نظرم این بی‌سروصداترین و ارزشمندترین کاربرد این مدل‌هاست.
۴. شورتس عمودی
نسبت ۹:۱۶ پشتیبانی می‌شود و صدای بومی هم دارد. اما اینجا باید هوشیار باشید؛ سیاست‌های اصالت محتوای یوتیوب برای کانال‌هایی که انبوه محتوای تکراری و ماشینی منتشر می‌کنند سخت‌گیرانه شده است. جزئیاتش را در آپدیت اصالت محتوا در شورتز یوتیوب نوشته‌ام. خلاصه‌اش: ویدیوی هوش مصنوعی به‌عنوان یک ابزار در دل محتوایی که نگاه و روایت شما را دارد مشکلی ندارد، ولی کانالی که فقط خروجی خام مدل را پشت هم آپلود می‌کند در خطر است.
یک روش کار پیشنهادی، قدم‌به‌قدم
- نماها را از قبل بنویسید. قبل از باز کردن هر ابزاری، فهرستی از نماهایی که واقعاً لازم دارید بنویسید (مثلاً شش نما، هر کدام ۵ تا ۸ ثانیه). تولید بی‌هدف سریع‌ترین راه سوزاندن اعتبار است.
- اول با تصویر شروع کنید. تصویر اول را با یک مدل تصویرساز یا طراحی خودتان بسازید و بعد با حالت تصویر به ویدیو حرکتش دهید. کنترل کادر و سبک بصری با این روش بسیار بهتر از متن‌به‌ویدیوی خام است.
- پرامپت را روی حرکت بنویسید. طبق راهنمای خود fal، پرامپت باید حرکت و دوربین را توصیف کند و محتوای تصویر را تکرار نکند. مثلاً «دوربین آرام به سمت عقب می‌رود و ابرها از چپ به راست می‌گذرند».
- اول ارزان و کوتاه تست کنید. با ۵ ثانیه و ۷۲۰p شروع کنید. فقط نمای نهایی‌شده را با کیفیت بالاتر دوباره بسازید.
- با seed کار کنید. وقتی نتیجه‌ی خوبی گرفتید seed را یادداشت کنید تا بتوانید با تغییر کوچک در پرامپت همان حس را نگه دارید.
- صدا را بررسی کنید. صدای بومی را دست‌کم یک بار گوش بدهید. صدای تولیدشده را بی‌دقت در ویدیوی نهایی نگذارید و در صورت نیاز با صدا و موسیقی خودتان جایگزین کنید.
- در ادیت ترکیب کنید. کلیپ‌ها را با فوتیج واقعی، گویندگی و گرافیک خودتان ترکیب کنید. تدوین و روایت همچنان کار شماست.
محدودیت‌ها و ریسک‌ها
چند چیز را قبل از خوشبینی زیاد باید در نظر داشت. اول، همه‌ی اعداد کیفیت و سرعت مقدماتی و بخشی از آن‌ها ادعای فروشنده است. دوم، مدل هنوز در حال پس‌آموزش است و رفتارش ممکن است عوض شود. سوم، خروجی ۷۲۰p برای نمایش در تلویزیون یا پروژه‌های سینمایی کافی نیست. چهارم، طبق اطلاعیه، محتوای تولیدشده طبق شرایط fal در پروژه‌های تجاری قابل‌استفاده است، اما شرایط را خودتان یک بار بخوانید، به‌خصوص اگر قرار است برای مشتری تولید کنید.
و یک ریسک اخلاقی: ساخت ویدیوی واقع‌نما از چهره‌ی آدم‌های واقعی بدون اجازه‌شان، هم مشکل حقوقی دارد هم می‌تواند به کانال شما آسیب بزند. یوتیوب ابزارهایی برای تشخیص جعل چهره دارد که در راهنمای تشخیص دیپ‌فیک یوتیوب توضیح داده‌ام.
اگر رایگان یا ارزان‌تر می‌خواهید
FLUX 3 Max یک سرویس پولی API است و برای شروع و آزمایش، هزینه‌ی کمی دارد، اما رایگان نیست. اگر بودجه‌تان صفر است، راهنمای ساخت ویدیو با هوش مصنوعی رایگان گزینه‌های واقع‌بینانه‌تری را مقایسه کرده است. و برای دیدن تصویر بزرگ‌تر از اینکه هوش مصنوعی کجای چرخه‌ی تولید یوتیوب می‌نشیند، هفت روش عملی کاربرد هوش مصنوعی در یوتیوب را ببینید.
جمع‌بندی: ارزش امتحان دارد؟
به نظر من بله، ولی با انتظار درست. FLUX 3 Max یک جهش «سرعتی» است، نه لزوماً جهش «کیفیتی». اگر کانالتان به B-roll و کلیپ کوتاه نیاز دارد و می‌توانید پرداخت دلاری را حل کنید، در همین دوره‌ی تخفیفی با چند ده سنت می‌شود آن را سنجید. اگر هدف شما ساخت یک فیلم کامل یا جایگزینی تدوین است، هنوز زود است. پیشنهادم این است که قبل از ۱۶ آبان با یک پروژه‌ی کوچک واقعی امتحانش کنید، هزینه‌ی هر کلیپ قابل‌استفاده را حساب کنید و بعد تصمیم بگیرید.
پرسش‌های متداول
FLUX 3 Max را چه کسی ساخته است؟
مدل پایه‌ی FLUX 3 از Black Forest Labs است و نسخه‌ی Max را تیم fal Research با پس‌آموزش روی آن ساخته و از طریق پلتفرم fal عرضه کرده است.
FLUX 3 Max رایگان است؟
خیر. طبق صفحه‌ی fal هزینه بر اساس هر ثانیه ویدیو محاسبه می‌شود: برای ۷۲۰p در دوره‌ی تخفیفی ۰٫۰۴۲۵ دلار و بعد از آن ۰٫۱۷ دلار در ثانیه.
از چه نسبت تصویری پشتیبانی می‌کند؟
در حالت تصویر به ویدیو: خودکار، ۱۶:۹، ۹:۱۶، ۱:۱، ۴:۳، ۳:۴، ۲۱:۹ و ۲:۱؛ بنابراین هم ویدیوی افقی و هم شورتس عمودی ممکن است.
آیا واقعاً شماره‌ی یک ویدیوسازهاست؟
تأیید نشده است. fal آن را در جمع بهترین‌ها می‌داند، اما در جدول Artificial Analysis در زمان بررسی من کمی پایین‌تر از MiniMax H3 بود و نتایج مقدماتی‌اند.
از ایران می‌شود از آن استفاده کرد؟
در منابع بررسی‌شده اطلاعاتی درباره‌ی دسترسی یا روش پرداخت از ایران نبود. این مورد تأییدنشده است و باید با آزمایش مستقیم روشن شود.
منابع
- Unite.AI — Fal Debuts FLUX 3 Max Video Model Post-Trained With Black Forest Labs
- PR Newswire — fal Launches FLUX 3 Max
- fal.ai — FLUX 3 Max (Image to Video) API
- fal.ai — FLUX 3: Video with Native Audio
آخرین بررسی: ۲۸ مهر ۱۴۰۵
دیدگاه خود را بنویسید