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.

src=https://r2.seedance.tv/blog/flux-3-video-review/official-typography-demo-v1.mp4  
poster=https://r2.seedance.tv/blog/flux-3-video-review/official-typography-poster-v1.jpg  
label=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.

src=https://r2.seedance.tv/blog/flux-3-video-review/official-dialogue-demo-v1.mp4  
poster=https://r2.seedance.tv/blog/flux-3-video-review/official-dialogue-poster-v1.jpg  
label=Offizielles FLUX 3-Ergebnis · 20-Sekunden-Dialogszene mit nativem Audio  
```Diese vollständige 20-Sekunden-Probe zeigt den echten Vorteil bei der Dauer. Hören Sie nach dem Aufheben der Stummschaltung zu – achten Sie aber auch während des gesamten Clips auf Blickrichtungen, Gesichtsveränderungen, Mikrofon-Geometrie und Bildstabilität: Eine längere Ausgabedauer ist nur dann von Bedeutung, wenn die letzten Sekunden weiterhin nutzbar bleiben.

Die Einschränkungen werden bei anspruchsvolleren Produktionstests sichtbar. Der native Generierungspfad erfolgt in HD mit Full-HD-Aufskalierung, während H3s gehosteter Workflow einen 2K-Regenerierungspfad erreichen kann. Schnelle Interaktionen, Kollisionen, Berührungen von Requisiten durch Hände sowie persistierende Objekte können weiterhin abdriften. Die Dauer ist auf 20 Sekunden begrenzt; eine Aktion kann jedoch entweder früher enden oder sich unnatürlich dehnen, falls die Anfrage keine zeitliche Steuerung enthält. Die kritische Community-Anmerkung, dass H3 schärfer wirken kann, ist durchaus nachvollziehbar – vorausgesetzt, der Vergleich basiert auf dichter Bewegung und Auslieferungsauflösung, nicht auf einer Typografie-Demonstration.

Die Struktur der Anfrage beeinflusst das Ergebnis nach wie vor. Verwenden Sie eine chronologische Reihenfolge – Subjekt, Aktion, Kamera, Dialog und Ton – statt Adjektive zu stapeln. Der [MiniMax H3-Anfrage-Leitfaden](/de/blog/minimax-h3-prompting-guide) bietet eine übertragbare, szenebasierte Syntax für faire Tests.

## Preisgestaltung – Was $0,17/Sekunde tatsächlich bedeutet

Die häufig zitierte Angabe von $0,17 pro Sekunde stammt aus Partner-API-Listen, nicht aus einer einfachen öffentlichen BFL-Preistabelle. Behandeln Sie diesen Wert als grobe Planungsgrundlage und prüfen Sie vor der finanziellen Verpflichtung den aktuellen Endpunkt.

| Produktionsvolumen | Geschätzte Generierungskosten |
| --- | ---: |
| Ein 10-Sekunden-Clip | Etwa $1,70 |
| Zehn 10-Sekunden-Clips | Etwa $17 |
| Hundert 10-Sekunden-Clips | Etwa $170 |
| Ein 20-Sekunden-Clip | Etwa $3,40 |

Diese Beträge schließen fehlgeschlagene Takes, Wiederholungen, Aufskalierung, Speicherung, Nachbearbeitung und Plattform-Markup aus. Für eine Kampagne, bei der vier Kandidaten pro genehmigtem Clip benötigt werden, sollte das Budget anhand der Anzahl der Kandidaten – nicht anhand der finalen Lieferobjekte – kalkuliert werden. Die veröffentlichten Partnerpreise für MiniMax H3 liegen näher bei $0,08 pro Sekunde, was FLUX 3 im API-Stadium etwa doppelt so teuer macht. Comfy Cloud folgt einem Berechnungs- oder Guthabenmodell – dies stellt einen anderen Kostenpfad dar, nicht kostenlose lokale Inferenz.

Das praktische Fazit: Die aktuelle API-Preisgestaltung ist angemessen für Prototypen, typografieorientierte Werbespots und hochwertige kreative Tests. Für unbeaufsichtigte Hochvolumen-Produktion ist sie jedoch schwer zu rechtfertigen, solange die Genehmigungsraten nicht steigen oder Open-Weights die variablen Kosten zugunsten eigener Infrastruktur verschieben.

## ComfyUI und lokale Einrichtung – Aktueller Stand

Es gibt bislang noch keinen offiziellen FLUX 3 Dev-Checkpoint für die lokale Inferenz durch Endnutzer. Black Forest Labs hat zwar eine Open-Weight-Multimodalvariante angekündigt, hat aber weder ein konkretes Veröffentlichungsdatum noch ein Hardware-Ziel festgelegt. Das bedeutet: Das Herunterladen ähnlich benannter Community-Dateien erzeugt *keinen* offiziellen lokalen FLUX 3 Video-Workflow.

Der verfügbare Weg ist gehostet: Nutzen Sie innerhalb von ComfyUI einen API-Workflow, sobald der entsprechende Partner-Knoten oder Cloud-Katalog verfügbar ist, geben Sie den Provider-Schlüssel an und lassen Sie die entfernte Infrastruktur den Clip zurückliefern. Sie profitieren weiterhin von einem wiederholbaren Knotendiagramm für Anfragen, Referenzen, Nachbearbeitung und Export – das Modell selbst läuft jedoch nicht auf Ihrem Arbeitsplatzrechner.

Falls lokale Kontrolle heute Priorität hat, ist [LTX 2.5 die praktischere Open-Weights-Option](/de/blog/ltx-2-5-review). Auch H3 bietet herunterladbare Gewichte, doch profitiert seine Video-und-Audio-Pipeline von beträchtlichem VRAM, Arbeitsspeicher und schnellem Speicher.

## FLUX 3 Video vs. MiniMax H3 – Welches Modell passt zu Ihrem Workflow?

Die Entscheidung hängt weniger von einem universellen „Gewinner“ ab als vielmehr vom Engpass in Ihrer konkreten Aufgabe. Bevor Sie die Ergebnisse vergleichen, etablieren Sie zunächst eine stabile H3-Basis mit den [besten MiniMax H3-Einstellungen](/de/blog/best-minimax-h3-settings); andernfalls könnte eine schwache Referenzbasis jeden Konkurrenten besser erscheinen lassen, als er tatsächlich ist.

| Dimension | FLUX 3 Video | MiniMax H3 |
| --- | --- | --- |
| Längster Clip | Bis zu 20 Sekunden | Typischerweise 10 Sekunden im verglichenen gehosteten Pfad |
| Höchster Auslieferungspfad | HD-Generierung, Full-HD-Aufskalierung | Gehostete 2K-Regenerierung |
| Native Audio | Ja | Ja, 32 kHz Stereo |
| Typografie / Textanimation | Führende Stärke | Grundlegend |
| Komplexe physikalische Bewegung | Gemischt | Stärker |
| Lokale Open Weights | Geplant: FLUX 3 Dev | Bereits verfügbar |
| Ungefährer Partner-API-Preis | Etwa $0,17/Sekunde | Etwa $0,08/Sekunde |
| Bestmöglicher Einsatz | Markenwerbespots, Textbewegung, multimodale und Langform-Tests | Präzise Bewegung, qualitätsorientierte Auslieferung, kostenkritische Projekte |

Wählen Sie FLUX 3, wenn lesbare Motion-Graphics, eine 20-Sekunden-Szene, vielfältige Ästhetik oder Dialog-in-einem-Durchgang das Konzept tragen. Wählen Sie H3, wenn physische Detailgenauigkeit, gehostete 2K-Fertigstellung, lokale Gewichte oder Generierungskosten im Vordergrund stehen. Für einen umfassenderen Qualitäts- und Workflow-Vergleich siehe [Seedance 2.5 vs. MiniMax H3](/de/blog/seedance-2-5-vs-minimax-h3).

## Fazit

FLUX 3 Video ist eine echte multimodale Grundlagenmodell-Architektur und nicht bloß ein weiteres spezialisiertes Videomodell. Seine Typografie, Stilvielfalt, native Audioausgabe, Keyframes, Fortsetzungsfunktion sowie 20-Sekunden-Clips bieten echte Vorteile; hingegen stellen sein HD-zu-1080p-Auslieferungspfad, die Partnerpreise, schwierige physikalische Simulationen und die noch nicht veröffentlichten lokalen Modelldaten echte Einschränkungen dar. FLUX 3 Dev könnte dieses Gleichgewicht bei seinem Erscheinen verändern. Für heute bereits starke gehostete Qualität und einen einfacheren Produktionsweg: [erstellen Sie Ihr nächstes Video auf Seedance →](/de).