Black Forest Labs, das Berliner KI-Labor hinter der bekannten FLUX-Bildmodellreihe, hat mit FLUX 3 den Sprung ins bewegte Bild vollzogen. Nach der ersten Vorstellung Ende Juli 2026 ist das Modell nun in einem gestaffelten Zugang breiter verfügbar. Das Besondere: FLUX 3 ist kein reines Videomodell, sondern ein multimodales System, das Bild, Video, Audio und sogar die Vorhersage von Roboter-Aktionen über einen einzigen Flow-Matching-Backbone abbildet.
Video bis 20 Sekunden – mit nativem Ton
Für die Videoproduktion sind zwei Punkte entscheidend. Erstens erzeugt FLUX 3 nach Angaben des Anbieters Clips von bis zu 20 Sekunden Länge in einer einzigen Generation – deutlich mehr als die üblichen fünf bis zehn Sekunden vieler Konkurrenzmodelle. Zweitens liefert das Modell natives Audio gleich mit: Dialoge, Soundeffekte und Umgebungsgeräusche entstehen im selben Generierungsschritt wie das Bild, nicht in einem separaten Tonlauf.
Technisch bemerkenswert ist, wie ungleich die Rechenlast verteilt ist: Laut den veröffentlichten Details verbraucht die Videovorhersage über 95 Prozent der Trainingsrechenzeit, während der Audioanteil unter 0,5 Prozent der Tokens ausmacht. Ton ist hier also ein vergleichsweise „günstiges“ Nebenprodukt eines primär auf Video trainierten Systems. Zugrunde liegt eine Architektur, die Black Forest Labs „Self-Flow“ nennt – eine Kombination aus dem üblichen Flow-Matching-Ziel mit einem selbstüberwachten Rekonstruktionsziel.
Wie schlägt sich FLUX 3 im Vergleich?
Black Forest Labs untermauert den Start mit Zahlen aus menschlichen Präferenzvergleichen. Getestet wurde mit zehn Sekunden langen Text-zu-Video-Clips bei 720p inklusive Audio. Die Ergebnisse: In 93 Prozent der Fälle bevorzugten Tester FLUX 3 gegenüber Luma Ray 3.2, in 77 Prozent gegenüber Runway Gen-4.5 und in 69 Prozent gegenüber Grok Imagine Video. Gegen die aktuell stärksten Wettbewerber Seedance 2.0 und Gemini Omni Flash liegt FLUX 3 mit jeweils rund 52 Prozent praktisch gleichauf.
Ein Kopf-an-Kopf-Rennen an der Spitze: Gegen die beiden derzeit besten Modelle gewinnt FLUX 3 knapp – der große Abstand zeigt sich erst gegenüber der zweiten Reihe.
Wichtig zur Einordnung: Es handelt sich um Herstellerangaben, und das 20-Sekunden-Versprechen muss sich im Produktionsalltag erst beweisen. Der Zugang ist zudem gestaffelt – Video und Action starten im Early Access, das reine Bildmodell folgt später, offene Gewichte kommen laut Black Forest Labs zuletzt. Verfügbar ist FLUX 3 zunächst über die BFL-API und ausgewählte Partnerplattformen wie fal.ai, mit nach Qualitätsstufe gestaffelten Preisen.
Was das für eure Projekte bedeutet
Für uns als KI-Videoproduktion ist FLUX 3 aus mehreren Gründen interessant. Die längere Clipdauer von bis zu 20 Sekunden reduziert die Zahl der nötigen Einzelgenerierungen und damit den Schnittaufwand, um durchgängige Szenen zu bauen – gerade bei Dialog- oder Erklärsequenzen. Das native Audio kann frühe Rohschnitte und Moodboards beschleunigen, ersetzt aber keine professionelle Tonspur: Für finale Auslieferungen bleibt eigenes Sounddesign der Qualitätshebel. Da FLUX 3 vorerst nur über API und Partner läuft, lohnt sich ein Test über Anbieter wie fal.ai, bevor man es fest in Workflows verankert. Und weil das Modell mit Seedance 2.0 und Gemini Omni Flash auf Augenhöhe liegt, sollte man es nicht als Ersatz, sondern als weitere Option im Werkzeugkasten sehen – je nach Motiv, Budget und benötigter Cliplänge. Wir behalten die Verfügbarkeit der offenen Gewichte im Blick, da sie über lokale Workflows und Datenschutz entscheiden kann.