FLUX 3 Video Mở API: Clip 20 Giây Có Âm Thanh Và Lời Thoại, Giá Từ 0,17 USD Mỗi Giây
Black Forest Labs đưa FLUX 3 Video ra phát hành rộng rãi đầu tháng 8/2026. Mô hình tạo clip tối đa 20 giây ở HD hoặc Full HD, kèm âm thanh sinh cùng khung hình — gồm lời thoại khớp khẩu hình ở hơn 14 ngôn ngữ, hiệu ứng và tiếng nền. Giá công bố: 0,17 USD mỗi giây HD, 0,29 USD mỗi giây Full HD, và 0,
Phần lớn công cụ tạo video bằng AI cho tới nay đưa ra video câm — bạn tự tìm nhạc, tự lồng tiếng, tự khớp khẩu hình. FLUX 3 Video của Black Forest Labs, vừa mở API đầu tháng 8/2026, sinh âm thanh cùng lúc với khung hình: lời thoại khớp khẩu hình ở hơn 14 ngôn ngữ, hiệu ứng và tiếng nền. Với doanh nghiệp làm nội dung marketing, đây là thay đổi về quy trình chứ không chỉ về chất lượng.
1. Chính Xác Thì Có Gì?
FLUX 3 Video là nhánh video trong họ mô hình đa phương thức FLUX 3 mà Black Forest Labs giới thiệu khoảng mười hai ngày trước đó. Nay nó được phát hành rộng rãi qua API của BFL và một số đối tác. Các khả năng được công bố:
- Clip tối đa 20 giây trong một lần tạo, ở độ phân giải HD hoặc Full HD.
- Âm thanh gốc sinh cùng khung hình — gồm lời thoại, hiệu ứng âm thanh và tiếng nền môi trường.
- Lời thoại khớp khẩu hình ở hơn 14 ngôn ngữ.
- Nhiều cảnh và nhiều góc máy trong cùng một clip — không phải ghép nhiều lần tạo lại với nhau.
- Các chế độ đầu vào: text-to-video, image-to-video, keyframes và nối tiếp video.
- Khả năng dựng chữ (typography) trong khung hình và bám sát các prompt phức tạp.
Một điểm các nguồn không thống nhất
Về ngày phát hành rộng rãi, MLQ và Digital Applied ghi 4/8/2026, trong khi The Decoder ghi 5/8/2026. Chênh lệch một ngày này nhiều khả năng đến từ múi giờ hoặc thời điểm mỗi bên ghi nhận. Trang chủ của Black Forest Labs mô tả tính năng nhưng không nêu ngày cụ thể. Chúng tôi ghi nhận cả hai mốc thay vì chọn bừa một.
2. Bảng Giá Đầy Đủ
Đây là phần quan trọng nhất để lập ngân sách, và cũng là phần dễ hiểu nhầm nhất — vì giá tính theo giây video đầu ra, không phải theo lần gọi API. Các con số dưới đây lấy từ tài liệu chính thức của Black Forest Labs:
| Chế độ | HD | Full HD |
|---|---|---|
| Text-to-video / Image-to-video | 0,17 USD/giây | 0,29 USD/giây |
| Nối tiếp video (continuation) | 0,43 USD/giây | 0,54 USD/giây |
| Nháp — text/image-to-video | 0,06 USD/giây | không có |
| Nháp — nối tiếp video | 0,12 USD/giây | không có |
Hai lưu ý về độ chính xác. Thứ nhất, âm thanh đã nằm trong giá — không có phụ phí riêng cho phần tiếng. Thứ hai, với mức giá nối tiếp video, tài liệu chính thức ghi 0,43 và 0,54 USD/giây, còn The Decoder ghi khoảng 0,41–0,53 USD/giây; chúng tôi lấy theo tài liệu chính thức và ghi nhận có chênh lệch nhỏ giữa các nguồn.
Chế độ nháp render ở HD và, theo tài liệu, tốn khoảng một phần ba chi phí của bản render đầy đủ. Đây là chi tiết đáng giá nhất trong toàn bộ bảng giá — xem phần 4.
3. Về Con Số "Vượt Seedance 2.0"
Black Forest Labs công bố điểm Elo 1.135 cho text-to-video và 1.051 cho image-to-video, xếp FLUX 3 Video trên Seedance 2.0. Con số nghe thuyết phục, nhưng cần đọc kèm ba điều kiện:
- Đây là thử nghiệm nội bộ của chính nhà sản xuất, không phải đo lường độc lập.
- Chưa có bên thứ ba xác minh các con số này tại thời điểm chúng tôi viết bài.
- Phương pháp đo chưa được công bố chi tiết — không rõ ai chấm, trên tập prompt nào, và với bao nhiêu lượt so sánh.
Điều đó không có nghĩa con số sai. Nó có nghĩa đây là số liệu do nhà cung cấp công bố, và bạn nên đối xử với nó như vậy. Với một khoản chi 3,40 USD cho hai mươi giây, cách kiểm chứng rẻ nhất là tự chạy thử trên đúng loại nội dung bạn định làm — sản phẩm của bạn, giọng của bạn, tiếng Việt của bạn.
4. Chi Phí Thật Cho Một Video Marketing
Hãy tính cụ thể cho một tình huống quen thuộc: một clip giới thiệu sản phẩm dài 20 giây, có lời thoại tiếng Việt.
- Bản nháp HD: 20 × 0,06 = 1,20 USD mỗi lần thử.
- Bản cuối HD: 20 × 0,17 = 3,40 USD.
- Bản cuối Full HD: 20 × 0,29 = 5,80 USD.
Con số quan trọng không phải 3,40 USD, mà là tổng chi phí tới bản dùng được. Không ai ra đúng ý ngay lần đầu. Nếu bạn thử năm lần rồi mới render bản cuối, quy trình hợp lý là: 5 × 1,20 USD (nháp) + 5,80 USD (bản cuối Full HD) = 11,80 USD. Nếu bạn render Full HD ngay từ lần đầu và thử năm lần, con số là 6 × 5,80 = 34,80 USD — gấp gần ba lần cho cùng một kết quả.
Quy tắc thực hành: chốt ý bằng bản nháp
Dùng chế độ nháp cho mọi vòng lặp về nội dung — bố cục, nhịp, lời thoại, góc máy. Chỉ chuyển sang render đầy đủ khi bạn đã hài lòng với bản nháp. Đây là cách đơn giản nhất để giảm chi phí xuống khoảng một phần ba mà không đánh đổi chất lượng bản cuối, và nó hiệu quả vì bạn đang trả tiền theo giây đầu ra, không phải theo lần thử.
5. Doanh Nghiệp Việt Nam Dùng Được Vào Việc Gì?
Giới hạn 20 giây định hình rất rõ những gì công cụ này hợp và không hợp. Nó không thay thế được một TVC dài hay một video hướng dẫn nhiều phút. Nhưng có vài việc nó làm tốt:
- Video ngắn cho mạng xã hội. Định dạng 15–20 giây đúng với chuẩn của TikTok, Reels và YouTube Shorts. Đây là điểm khớp tự nhiên nhất.
- Thử nhiều phương án trước khi quay thật. Với 1,20 USD một bản nháp, bạn dựng thử năm hướng kịch bản rẻ hơn nhiều so với một buổi quay.
- Nội dung đa ngôn ngữ. Lời thoại khớp khẩu hình ở hơn 14 ngôn ngữ có ý nghĩa thực tế với doanh nghiệp xuất khẩu hoặc bán hàng xuyên biên giới. Cần lưu ý: chúng tôi chưa kiểm chứng được chất lượng cụ thể của tiếng Việt trong danh sách này — hãy tự thử trước khi cam kết với khách hàng.
- Ảnh sản phẩm thành video. Chế độ image-to-video cho phép biến ảnh sản phẩm sẵn có thành clip động mà không cần dựng cảnh lại.
Nếu bạn đang dùng Locaith Design Studio để làm bộ nhận diện — CV, brochure, slide — thì đây là mảnh ghép kế tiếp cho phần nội dung động: giữ nguyên hình ảnh và thông điệp đã chuẩn hoá, mở rộng sang định dạng video ngắn. Cần nói rõ đây là hai công cụ riêng biệt, không tích hợp sẵn với nhau.
Cuối cùng, một lưu ý pháp lý đáng nhớ trong bối cảnh Việt Nam: nội dung âm thanh, hình ảnh và video do AI tạo ra thuộc diện phải dán nhãn theo định hướng quản lý AI đang được áp dụng. Nếu bạn dùng FLUX 3 Video cho nội dung thương mại, hãy đưa việc ghi nhãn vào quy trình ngay từ đầu thay vì xử lý sau.
Nguồn tham khảo:
- Black Forest Labs — Pricing (tài liệu chính thức) (nguồn gốc: toàn bộ mức giá theo giây, chế độ nháp, ghi chú "nháp tốn khoảng một phần ba bản render đầy đủ")
- Black Forest Labs — FLUX 3: One Multimodal Model (nguồn gốc: mô tả khả năng — clip 20 giây, âm thanh và giọng nói đa ngôn ngữ sinh cùng khung hình, nhiều cảnh trong một lần tạo)
- The Decoder — Black Forest Labs makes FLUX 3 Video generally available and claims it beats Seedance 2.0 (điểm Elo và cảnh báo đây là thử nghiệm nội bộ của BFL)
- Digital Applied — FLUX 3 Video Goes GA: 20-Second Clips, Native Audio (mốc ngày phát hành rộng rãi và khoảng cách mười hai ngày so với công bố họ FLUX 3)
Toàn bộ mức giá lấy từ tài liệu chính thức của Black Forest Labs; mô tả tính năng lấy từ trang sản phẩm chính thức. Điểm Elo 1.135 / 1.051 là số liệu do nhà cung cấp tự công bố, chưa có bên thứ ba xác minh và chưa công bố phương pháp đo. Các nguồn không thống nhất về ngày phát hành rộng rãi (4/8 hoặc 5/8/2026) và có chênh lệch nhỏ ở giá nối tiếp video. Chất lượng tiếng Việt cụ thể trong danh sách hơn 14 ngôn ngữ chưa được chúng tôi kiểm chứng. Các phép tính chi phí trong bài do Locaith thực hiện bằng cách nhân giá công bố với thời lượng. Tổng hợp và phân tích bởi Ban Biên Tập Locaith, ngày 8/8/2026.