Das beste Video KI-Modell kommt aus Deutschland
Black Forest Labs veröffentlicht FLUX 3. Das Modell generiert Videos mit Ton und steuert sogar Roboter.
Black Forest Labs hat sein neues KI-Modell FLUX 3 im Early Access veröffentlicht. Es generiert Videos mit nativem Ton und dient parallel als Basis für Robotik-Steuerungen.
Twitter Beitrag - Cookies links unten aktivieren.
Introducing FLUX 3.
— Black Forest Labs (@bfl_ai) July 23, 2026
One multi-modal model for Image, Video, Audio and Action-Prediction. Creations are truer to life in every kind of style.
FLUX 3 Video is now available in early access (link below).
Jointly trained in one unified architecture, our model can be extended to… pic.twitter.com/voQ5iUJJZY
Ein Fundament für alle Medien
Während Entwickler bisher oft getrennte KI-Modelle für unterschiedliche Medientypen trainierten, nutzt FLUX 3 eine einheitliche Architektur. Es lernt gleichzeitig aus Bildern, Videos und Audio. Dadurch erfasst FLUX 3 physikalische Zusammenhänge direkter. Bewegungen verknüpfen sich beim Training automatisch mit der passenden Akustik und räumlichen Strukturen.
Black Forest Labs nennt diesen Ansatz »Self-Flow«. Das Ziel ist eine visuelle Intelligenz, die sowohl in digitalen Umgebungen als auch in der physischen Welt funktioniert.
Quelle: Black Forest Labs
Fokus auf Video und Audio
Die Videogenerierung bildet den Schwerpunkt der ersten Early-Access-Phase. FLUX 3 erstellt in einem einzigen Durchgang bis zu 20 Sekunden lange Clips, die bereits nativen Ton enthalten.
Nutzer steuern die Ausgabe über Textbefehle oder geben eigene Bilder und Videos als Ausgangsmaterial vor. Zu den zentralen Funktionen gehören fließende Übergänge zwischen definierten Schlüsselbildern und die Erstellung mehrsprachiger Dialoge.
Visuelle Referenzen stellen sicher, dass Charaktere über mehrere Szenen hinweg identisch aussehen. Dadurch lassen sich Sequenzen von mehreren Minuten Länge aneinanderreihen.
Laut Herstellerangaben verarbeitet FLUX 3 unterschiedlichste visuelle Stile, von Amateuraufnahmen im Camcorder-Look bis zu kinoreifen Animationen. Gleichzeitig rendert das Modell Typografie und menschliche Gesichtsausdrücke präziser als bisher.
Quelle: Black Forest Labs
Erste Vergleiche mit der Konkurrenz
Black Forest Labs veröffentlichte zum Start eine erste interne Auswertung. Für diese Vorabanalyse generierte das Unternehmen zehn Sekunden lange Text-zu-Video-Clips in einer Auflösung von 720p.
Tester bevorzugten die Ergebnisse von FLUX 3 in den meisten Fällen gegenüber etablierten Konkurrenten. Im direkten Vergleich schnitt das Modell in 69 Prozent der Fälle besser ab als Grok Imagine Video.
Gegenüber Runway Gen-4.5 lag die Präferenz der Tester bei 77 Prozent. Im Vergleich mit Luma Ray 3.2 erreichte FLUX 3 einen Wert von 93 Prozent.
Und selbst die beiden Topmodelle Google Omni Flash und Seedance 2.0 wurde knapp geschlagen.
Quelle: Black Forest Labs
Von der Videogenerierung in die Fabrikhalle
Black Forest Labs testet FLUX 3 bereits in der physischen Welt.
In Zusammenarbeit mit dem Partner mimic robotics entstand die Variante FLUX-mimic. Dieses Video-Action-Modell nutzt die visuelle Basis von FLUX 3, um Handlungsabläufe für Roboter vorherzusagen und zu steuern.
Die Technologie läuft bereits produktiv auf Anlagen beim Automobilhersteller Audi. Medienproduktion und physische Robotik-KI nutzen somit dasselbe technische Fundament.
Weitere Funktionen in Vorbereitung
Das Unternehmen plant einen schrittweisen Ausbau der Plattform in den kommenden Wochen. Neben der Videofunktion folgen eine erweiterte Bildgenerierung sowie der direkte Zugang für Entwickler.
Ein erster Blick auf die kommende Bildgenerierung bestätigt Fortschritte bei der Textverarbeitung. FLUX 3 Image setzt komplexe Textvorgaben fehlerfreier um und rendert Wörter in mehreren Sprachen direkt in die Bilder.
Für Entwickler stellt Black Forest Labs bald eine offene Version namens »FLUX 3 Dev« bereit. Sie gewährt direkten Zugriff auf die Modellgewichte für alle drei Modalitäten.
