FLUX 3 Video-Bewertung: Multimodale Leistung, 20-Sekunden-Clips und ehrliche Einschränkungen

KI-Überblick

Was ist FLUX 3 Video und wer hat es entwickelt?

FLUX 3 Video ist das einheitliche multimodale Modell von Black Forest Labs für Video, Audio, Bilder und Aktionen. Im Juli 2026 angekündigt, erzeugt seine Video-Version Text-zu-Video- und Bild-zu-Video-Clips mit einer maximalen Länge von 20 Sekunden sowie natives Audio.

Wie gut ist die FLUX 3 Video-Qualität im Vergleich zu anderen Modellen?

FLUX 3 überzeugt besonders bei animierter Typografie, breiten visuellen Stilen, Dialogszenen und natürlich wirkenden einfachen Szenen. MiniMax H3 bleibt die sicherere Wahl für gehostete 2K-Auslieferung, schwierige Physiksimulationen und langfristige Objektkonsistenz.

Wie viel kostet FLUX 3 Video?

Die Partner-API-Preise liegen bei etwa 0,17 USD pro Sekunde bzw. rund 1,70 USD für 10 Sekunden. Black Forest Labs listet keine einfache öffentliche Preisangabe pro Sekunde, daher sollten Sie den aktuellen Anbieterpreis vor einer Batch-Verarbeitung prüfen.

Kann ich FLUX 3 Video lokal in ComfyUI ausführen?

Noch nicht mit offiziell für Verbraucher herunterladbaren Gewichten. Gehostete API-Workflows könnten in ComfyUI oder Comfy Cloud erscheinen; eine lokale Selbsthosting-Lösung hängt jedoch von der geplanten FLUX 3 Dev Open-Weight-Veröffentlichung ab, deren Termin bisher nicht bestätigt ist.

Was FLUX 3 Video tatsächlich ist – Ein Modell für alles

FLUX 3 ist kein reines Video-Checkpoint-Modell, dem nachträglich separate Sprach- und Sound-Tools angehängt wurden. Es handelt sich vielmehr um ein multimodales Grundlagenmodell, das gemeinsam auf Bildern, Videos, Audio und Aktionen innerhalb einer einzigen Architektur trainiert wurde. Der Self-Flow-Ansatz synchronisiert diese Modalitäten so, dass eine generierte Wirkung den Ton beeinflussen, eine gesprochene Zeile die Mundbewegung steuern und ein Bildbezug spätere Videoframes leiten kann.

Dieses Design stellt den zentralen Vorteil des Produkts dar. Ein Creator kann nahtlos zwischen Text, einem Einstiegsbild, Keyframes, vorhandenem Filmmaterial, Dialog und Umgebungsgeräuschen wechseln, ohne jedes Asset als isolierte Aufgabe behandeln zu müssen. Der damit verbundene Kompromiss ist ebenso wichtig: Eine breit angelegte Grundlage schlägt ein spezialisiertes Video-Modell nicht automatisch bei jeder Bewegung, jeder Auflösung oder jedem Konsistenztest.

Der obige offiziell generierte Frame illustriert FLUX 3s visuelle Bandbreite besonders gut: Eine einzelne Figur in einem glänzenden roten Mantel steht in einer fluoreszierend grünen Waschstraße. Das zentrierte Motiv, die wiederholten kreisförmigen Maschinen und der starke komplementäre Farbkontrast erzeugen sofort einen grafischen Blickfang, ohne die Szene unleserlich zu machen.

Was FLUX 3 Video kann – Funktionen und Spezifikationen

Die aktuelle Generierungsversion bietet eine umfangreichere Steuerung als ein einfaches Text-zu-Video-System:

• Bis zu 20 Sekunden: Eine Generierung kann einen kompletten Dialogabschnitt oder eine kurze Werbeszene umfassen, statt bereits nach fünf oder zehn Sekunden abzubrechen.
• Natives Audio: Dialog, Effekte und Umgebungsgeräusche werden zusammen mit den Frames generiert, nicht separat als Voiceover hinzugefügt.
• Text-, Bild- und Keyframe-Eingaben: Beginnen Sie mit einer Prompt-Angabe, animieren Sie ein Ausgangsbild, definieren Sie ein Endbild oder verbinden Sie mehrere Keyframes.
• Video-Fortsetzung: Geben Sie bis zu vier Sekunden vorhandenes Video und Audio vor und setzen Sie Bewegung, Kameraverhalten, Dialog und Ton nahtlos fort.
• Mehrere Shots: Wechseln Sie innerhalb einer einzigen Generierung zwischen Szenen oder Kamerawinkeln, während die Sequenz thematisch zusammenhängt.
• Typografie: Rendern Sie Titel, Schilder, Bildschirmgrafiken und animierte Schriftzüge direkt als Teil der Szene.
• Stilvielfalt: Wechseln Sie mühelos zwischen dokumentarischem Camcorder-Stil, Animation, Werbeaufnahmen, Nostalgie oder hochwertigem Kinostil.
• Auflösung: Die Generierung erfolgt in HD; Full-HD-Ausgabe ist durch Upscaling verfügbar; 1080p darf nicht mit nativer 2K-Rendering verwechselt werden.

Ein offizielles FLUX 3-Ergebnis, das drei vorgegebene Keyframes zu einer zehnsekündigen Sequenz verbindet. Die Zeitachse macht die Steuerungsmethode leichter verständlich als ein isolierter Endframe.

Offizielles FLUX 3-Ergebnis · animierte Typografie mit nativem Audio

Das Typografiebeispiel ist ein echter generierter Clip, kein gestalteter Mockup. Um ein vergleichbares Konzept vor der Auswahl eines Produktionsmodells zu testen, beginnen Sie mit dem Seedance Text-zu-Video-Workflow und verwenden Sie denselben Brief, dieselbe Dauer und dasselbe Seitenverhältnis.

Qualität im praktischen Einsatz – Wo FLUX 3 führt und wo es an Grenzen stößt

Der deutlichste Vorteil von FLUX 3 liegt bei bewegtem Grafikmaterial. Terminaltexte, Titelkarten, Beschilderung und gestaltete Schriftzüge bleiben klarer und absichtsvoller als die verschwommenen oder unleserlichen Zeichen, die viele Video-Modelle erzeugen. Zudem wechselt es mühelos zwischen dokumentarischem, retro, animiertem und kommerziellem Stil. Dialogszenen profitieren vom gemeinsamen Audio-Video-Modell: Sprache, Mimik und Raumklang werden gemeinsam geplant.

Offizielles FLUX 3-Ergebnis · 20-Sekunden-Dialogszene mit nativem Audio