KI-Influencerin lokal erstellen: 5 Modelle im Praxis-Test
Typische KI-Bilder glänzen durch künstliche Perfektion. In meinem Praxistest auf der RTX 4090 zeige ich, wie Sie eine glaubwürdige KI-Influencerin lokal erstellen, ohne in die typische Slop-Falle zu tappen.
👁 111 Aufrufe
Wenn Sie eine glaubwürdige KI-Influencerin lokal erstellen möchten, scheitert das Vorhaben oft am typischen Plastik-Look mit glattgebügelter Haut und übertriebener Studiobeleuchtung. In meinem Labor habe ich 125 Bilder auf Basis von fünf fiktiven Persönlichkeiten generiert, um zu prüfen, wie sich fünf aktuelle Bildmodelle ohne künstlichen Kitsch schlagen. Alle Hintergründe zu Bild-, Sprach- und Videowerkzeugen finden Sie in meiner Übersicht über lokale KI-Modelle für Text, Bilder und Video.
Stand: 17. Oktober 2026
- 5 erfundene Charaktere: Läuferin aus Danzig (34), Foodbloggerin aus Breslau (27), Kleingärtnerin aus Lodz (62), Hardware-Testerin aus Krakau (29), Bergführerin aus Zakopane (24).
- 5 lokale Bildmodelle im Vergleich: FLUX 3 Klein, Qwen-Image 2.1 Turbo, Qwen-Image 2.1, Z-Image Turbo und FLUX.2 Klein 4B mit identischem Prompt und Seed.
- Messung auf eigener Hardware (RTX 4090 24 GB, Windows 11): 7 bis 20 Sekunden pro Porträt im Hochformat (1024×1280 Pixel).
- Kommerzielle Nutzung: Nur Z-Image Turbo und FLUX.2 Klein 4B stehen unter der Apache-2.0-Lizenz, während Qwen auf reine Forschungszwecke beschränkt bleibt.
Slop versus realer Mensch: Warum der typische KI-Look entsteht
Der berüchtigte KI-Slop entsteht fast immer durch falsche Signalwörter im Prompt. Wer Formulierungen wie „beautiful hiking influencer girl in the mountains, perfect face, flawless skin, epic view, cinematic lighting, 8k, ultra detailed, masterpiece“ eingibt, zwingt das Modell in starre Werbe-Klischees. Das Resultat ist überzeichnetes Katalog-Material: goldene Lichtkanten, makellose Hautstrukturen und künstliche Posen. Bei der fiktiven Bergführerin aus Zakopane erzeugte Z-Image Turbo mit diesem Standardbefehl lediglich ein generisches Selfie-Model im bauchfreien Top.
Verwendet man stattdessen präzise Alltagsbeschreibungen mit Wind, geröteten Wangen, Gebirgsnebel und echten Wetterbedingungen, verschwindet dieser Plastik-Effekt schlagartig. Ohne individuelle Typbeschreibungen verfallen Modelle zudem in ihre internen Standardmuster: Im Test machte Z-Image aus der Danziger Läuferin Kasia prompt eine ostasiatische Kunstfigur.

KI-Influencer lokal anleiten: 6 Regeln für natürliche Prompts
Nach 125 Testbildern auf meiner GeForce RTX 4090 haben sich sechs Kernregeln herauskristallisiert, die über alle fünf Architekturen hinweg zuverlässig funktionierten:
- Name, Alter und Tätigkeit nennen: Eine Formulierung wie „34-jährige Hobbyläuferin“ generiert eine völlig andere Gesichtsstruktur als die Floskel „beautiful woman“.
- Gezielte Makel einbauen: Sommersprossen, eine leicht schiefe Nase, eine Zahnlücke, Aknenarben oder eine Lesebrille an einer Kette lassen sich von modernen Diffusionsmodellen präzise rendern.
- Alltägliche Unordnung im Hintergrund: Beschreibungen wie „gemietete Küche in Breslau, schmutziges Geschirr und ein Wasserkocher im Hintergrund“ brechen den sterilen KI-Look wirkungsvoller auf als jedes Qualitäts-Schlagwort.
- Kameraperspektive festlegen: Die Angabe „Selfie mit der Smartphone-Frontkamera“ oder „vom Enkel aus wenigen Metern Entfernung aufgenommen“ definiert Blickwinkel, Schärfentiefe und Bildfehler naturgetreu.
- Gewöhnliche Lichtverhältnisse vorgeben: Bewölkter Himmel, Neonröhren oder Deckenlampen wirken organisch. Vermeiden Sie gezielt „Cinematic Lighting“ und „Golden Hour“.
- Verzichten Sie auf Slop-Wörter: Begriffe wie „8k“, „masterpiece“, „hyperrealistic“ oder „flawless“ führen unweigerlich zu unnatürlich glatter Haut.
Ein zusätzlicher Absatz über feine Porenstrukturen und Smartphone-Kompression half punktuell, machte jedoch weniger Unterschied als eine detaillierte Szenenbeschreibung. Die konkrete Situationsbeschreibung trug rund 90 Prozent zur Gesamtwirkung bei.
Praxiserprobtes Prompt-Template
Dieses englische Prompt-Muster diente im Test als Basis. Sie müssen lediglich Namen, Alter, optische Details und Szenerie austauschen:
Photo of Halina, a 62-year-old Polish woman with a grey chin-length bob, reading glasses on a beaded chain, laugh lines and age spots on her hands. She takes a slightly awkward selfie from a low angle on her allotment garden in Łódź, squinting in the sun, wearing a straw hat and a faded floral apron, tomato plants, a rusty watering can and a wooden shed behind her, phone front camera. Unretouched smartphone photo: natural, not exaggerated skin texture with pores and small imperfections, no beauty filter, no makeup glow. She looks like an ordinary real person, not a model, wearing practical everyday clothes, nothing revealing. Slightly imperfect framing, a bit of phone HDR and JPEG softness, like a real Instagram post. Anatomically correct, one head per person.
Englisch liefert über alle getesteten Architekturen hinweg die konsistenteste Befolgung der Parameter, selbst wenn reale Ortsnamen wie Danzig-Brzeźno oder Lodz im Text verbleiben.
Modellvergleich: Welches Modell eignet sich für welchen Einsatzzweck?
Die getesteten Bildgeneratoren setzen unterschiedliche Schwerpunkte bei Hautstruktur, Anatomie und Prompt-Treue. Details zur Einrichtung der Qwen-Architektur finden Sie im separaten Beitrag über Qwen-Image 2.1 im RTX 4090 Benchmark.
| Modell | Stärken | Schwächen | Lizenz |
|---|---|---|---|
| FLUX.2 Klein 4B | Authentischer Smartphone-Look, Schweiß und Rötungen, 8 s | Fügt gelegentlich fremde Gesichter am Rand ein | Apache 2.0 |
| Qwen-Image 2.1 | Höchste Prompt-Treue, detailreicher Hintergrund, saubere Hände | Gesichter wirken leicht verschönert, 20 s | Nur Forschung |
| Qwen-Image 2.1 Turbo | Nahe an Qwen 2.1 bei halber Rechenzeit | Ebenfalls leichte Verschönerung | Nur Forschung |
| FLUX 3 Klein | Kräftige Hautstruktur, niedriger Speicherbedarf | Übertreibt Texturen teils, Anatomiefehler | FLUX Kommunity |
| Z-Image Turbo | Hohe Schärfe, saubere Beleuchtung | Tendiert stark zu Model-Posen, ignoriert Kleidungsvorgaben | Apache 2.0 |
Für kommerzielle Social-Media-Projekte empfehle ich klar FLUX.2 Klein 4B aufgrund der Apache-2.0-Lizenz und der überzeugenden Smartphone-Optik. Wer Entwürfe und komplexe Szenen ausarbeiten will, greift für maximale Präzision zu Qwen-Image 2.1.
Gemessene Generierungszeiten und VRAM auf der RTX 4090
Alle Werte stammen aus dem ersten Durchlauf über 10 Bilder pro Modell (Auflösung 1024×1280 Pixel) unter ComfyUI, gestartet mit dem Parameter --disable-smart-memory, wodurch der Text-Encoder für jeden Durchgang neu geladen wurde.
| Modell | Median (1024×1280) | Kürzeste Zeit | VRAM-Spitze |
|---|---|---|---|
| FLUX 3 Klein | 7,4 s | 7,0 s | 14,4 GB |
| FLUX.2 Klein 4B | 8,3 s | 6,0 s | 19,7 GB |
| Qwen-Image 2.1 Turbo | 11,0 s | 8,0 s | 18,7 GB |
| Z-Image Turbo | 18,0 s | 9,0 s | 23,6 GB |
| Qwen-Image 2.1 | 20,0 s | 18,0 s | 17,9 GB |
Bleibt der Text-Encoder im Speicher geladen, verkürzen sich diese Zeiten spürbar. Qwen Turbo erreichte in isolierten Testreihen Renderzeiten von 3 bis 4 Sekunden pro Bild. Wer seine generierten Figuren später animieren möchte, findet vertiefende Messwerte im Leitfaden über lokale KI-Influencer-Videos mit Kandinsky 6 und Wan 2.2 oder im Artikel zu LTX-Video auf der eigenen GPU.

Konsistente Gesichter über mehrere Bilder hinweg erzielen
Im Basis-Versuch besitzt jedes Bild einen individuellen Seed. Wenn Sie ein dauerhaftes Profil aufbauen möchten, muss das Gesicht über dutzende Postings identisch bleiben. Dafür eignen sich drei bewährte Schritte:
- Erzeugen Sie zunächst ein einzelnes, hochqualitatives Referenzporträt mit sauberer Gesichtsausleuchtung.
- Nutzen Sie Bild-zu-Bild- oder Inpainting-Pipelines mit Referenzbildern. FLUX 3 Klein verarbeitet bis zu 10 Bildreferenzen gleichzeitig; auch Qwen-Image 2.1 unterstützt Referenzpfade, während der Prompt nur Kleidung und Umgebung variiert.
- Für langfristige Accounts empfiehlt sich das Trainieren eines eigenen LoRA-Adapters auf Basis von 20 bis 30 ausgewählten Perspektiven der Figur. FLUX.2 Klein Base und FLUX 3 Klein Base bieten dafür stabile Ausgangspunkte.
Kennzeichnungspflicht und rechtliche Transparenz
Beim Betrieb synthetischer Personas sind klare rechtliche Grenzen zu beachten:
- Erfundene Figuren sind zulässig, das Imitieren realer Personen ohne deren schriftliche Einwilligung verletzt jedoch Persönlichkeitsrechte.
- Der europäische AI Act (Artikel 50) verlangt eine Kennzeichnung von KI-generierten Inhalten, die andernfalls über reale Personen oder Ereignisse täuschen könnten. Plattformen wie Instagram stellen hierfür Standard-Tags bereit.
- Kommerzielle Produktplatzierungen über synthetische Profile erfordern zwingend eine transparente Deklaration im Profiltext, um Vorwürfe irreführender geschäftlicher Handlungen auszuschließen.


Praxisanleitung: Das Setup auf dem eigenen PC
- Installieren Sie ComfyUI Version 0.41 auf Ihrem System. Die Umgebung lässt sich bei Bedarf unkompliziert über Pinokio als 1-Klick-Installer für lokale KI einrichten.
- Laden Sie die Modellgewichte für FLUX.2 Klein 4B oder eine Alternative aus der Tabelle in das Model-Verzeichnis.
- Wählen Sie im Workflow das Social-Media-Seitenverhältnis 4:5 (1024×1280 Pixel).
- Fügen Sie das obige Prompt-Muster ein, passen Sie Alter und Details an und rendern Sie jeweils drei bis vier Varianten pro Seed, um fehlerhafte Renderings auszusortieren.
Wie sich die Betriebskosten einer lokalen Workstation gegenüber Cloud-APIs verhalten, habe ich im Artikel lokales KI-Modell oder API-Kosten detailliert aufgeschlüsselt.
Häufig gestellte Fragen
Wie kann ich eine KI-Influencerin komplett kostenlos erstellen?
Das gelingt vollständig lokal auf der eigenen Hardware. Die benötigten Bildmodelle stehen kostenlos zum Download bereit, und Werkzeuge wie FLUX.2 Klein 4B oder Z-Image Turbo dürfen unter Apache 2.0 sogar kommerziell betrieben werden. Erforderlich ist lediglich ein PC mit einer NVIDIA-Grafikkarte ab etwa 12 bis 24 GB VRAM und ComfyUI.
Warum sehen generierte Influencer oft so künstlich aus?
Hauptursache sind Buzzwords wie „beautiful“, „perfect skin“, „8k“ oder „cinematic lighting“. Sobald Sie diese Begriffe durch konkrete Altersangaben, normale Hautstrukturen, unaufgeräumte Hintergründe und alltägliche Smartphone-Perspektiven ersetzen, verschwindet der typische Plastik-Look.
Welches lokale Modell erzeugt die realistischsten Personen?
In meinem Test erzeugte FLUX.2 Klein 4B die überzeugendsten Smartphone-Schnappschüsse mit sichtbarem Schweiß und Rötungen. Qwen-Image 2.1 setzte Beschreibungen und Hintergründe am präzisesten um, zeichnete Gesichter im direkten Vergleich jedoch minimal gefälliger.
Darf man mit Qwen-Image generierten Influencern Geld verdienen?
Nein, das ist ohne gesonderte Genehmigung nicht gestattet. Die Modelle Qwen-Image 2.1 und Qwen-Image 2.1 Turbo sind unter der Qwen-Research-Lizenz veröffentlicht und ausschließlich für nicht-kommerzielle Forschungs- und Testzwecke freigegeben.
Wie hoch sind die Stromkosten beim lokalen Generieren?
Bei Rechenzeiten von 7 bis 20 Sekunden pro Bild auf einer Grafikkarte wie der RTX 4090 liegen die Stromkosten bei Bruchteilen eines Cents pro Rendering. Das lokale Generieren bleibt bei regelmäßiger Nutzung deutlich günstiger als kostenpflichtige API-Abonnements.
Quellen
- FLUX.2 Klein 4B auf Hugging Face (Apache-2.0-Lizenz)
- Z-Image Turbo auf Hugging Face (Apache-2.0-Lizenz)
- Qwen-Image 2.1 Turbo auf Hugging Face (Qwen-Research-Lizenz)
- FLUX 3 Image Klein auf Hugging Face
- Eigener Benchmark auf NVIDIA GeForce RTX 4090 24 GB, 17. Oktober 2026: 125 Bilder in drei Testrunden.
Geprüft am 17. Oktober 2026.
More on this from WISSNOX
anleitungen·Software-Abo für 100 Euro netto: So prüfen Sie Rabatt und Bruttopreis