Was kann FLUX 3 Video? 8 eigene Clips mit Prompts im Test

👁 121 Aufrufe

Was leistet FLUX 3 Video, das Videomodell von Black Forest Labs von Platz 6 des Artificial-Analysis-Rankings, in der Praxis? Ich habe damit 8 Clips für unterschiedliche Szenarien generiert - vom Werbespot über Textanzeigen im Bild bis zur Belebung eines Fotos. Zu jedem Clip finden Sie den englischen Original-Prompt, die Parameter, die Kosten sowie eine Analyse, was funktioniert hat und was nicht. Ergänzend zeige ich sechs Beispiele des Herstellers mit Funktionen, die ich nicht selbst getestet habe. Preise, Ranking und Anleitung finden Sie im Leitfaden zu FLUX 3 Video.

1. Lokale Unternehmenswerbung mit Sprecherin

Anwendung: Kurzer Social-Media-Spot für eine Bäckerei, ein Café oder eine Werkstatt - mit einer Person, die frontal in die Kamera spricht (getestet mit polnischer Sprachausgabe).

Verwendeter Prompt (Original auf Englisch mit polnischem Zitat; deutsche Übersetzung des gesprochenen Satzes: „Sauerteigbrot, heute um fünf Uhr morgens gebacken.“):

Kurzer Fernsehwerbespot für eine polnische Bäckerei. Halbnahaufnahme einer lächelnden Bäckerin in ihren Fünfzigern in einer kleinen sonnigen Bäckerei, die einen frischen Laib Roggenbrot in Richtung Kamera hält. Sie sagt deutlich auf Polnisch (deutsche Übersetzung des polnischen Originals: „Sauerteigbrot, heute um fünf Uhr morgens gebacken.“). Hinter ihr Regale voller Brot und ein Fenster zu einer ruhigen Straße. Ton: ihre Stimme, leises Knuspern der Kruste, ruhige Straße draußen, keine Musik. Realistisches, warmes Licht, keine Untertitel, kein Bildschirmtext.

Analyse: Whisper transkribierte die gesprochene Zeile exakt wie angewiesen (mit Ziffer statt Wort durch das Transkriptionsmodell). Die Bäckerin hält das Brot in die Kamera, die Regale im Hintergrund sind gefüllt, und durch das Fenster sieht man eine ruhige Straße.

2. Sprachausgabe: Zungenbrecher

Anwendung: Belastungstest für Dialoge mit phonetisch anspruchsvollen Konsonantenkombinationen (getestet mit einem polnischen Zungenbrecher).

Verwendeter Prompt (Original auf Englisch aus Szene 2 der Video-Arena; deutsche Übersetzung des gesprochenen Satzes aus dem Polnischen: „In Szczebrzeszyn summt ein Käfer im Schilf, und ich zahle zweiunddreißig Einheiten der polnischen Währung.“):

Halbnahaufnahme einer Frau in ihren Dreißigern, die an einem Küchentisch sitzt und direkt in die Kamera blickt. Sie sagt deutlich und ruhig auf Polnisch (deutsche Übersetzung des polnischen Originals: „In Szczebrzeszyn summt ein Käfer im Schilf, und ich zahle zweiunddreißig Einheiten der polnischen Währung.“). Natürliches Tageslicht von einem Fenster, statische Kamera, realistisch, keine Untertitel, kein Bildschirmtext, keine Musik.

Analyse: Die Whisper-Transkription ergab null Wortfehler. Im Vergleich dazu verfehlte Seedance 2.5 in derselben Szene fast jedes zweite Wort (WER 0,583), während Wan 3.0 eine Bewertung von 7,5/10 erzielte. Der gesamte Satz passt sauber in die 5-sekündige Laufzeit.

3. Textanzeige im Bild: Schultafel

Anwendung: Schilder, Hinweistafeln, Produktnamen - Text, der im Bild klar lesbar bleiben muss.

Verwendeter Prompt (Original auf Englisch mit polnischem Testtext):

Nahaufnahme einer grünen Schultafel in einem sonnendurchfluteten Klassenzimmer. Eine Hand beendet das Schreiben mit weißer Kreide. Die Tafel zeigt deutlich genau zwei Textzeilen in Großbuchstaben (deutsche Übersetzung des polnischen Originals: erste Zeile „VIDEO-ARENA 2026“, zweite Zeile „GELBES BOOT“). Statische Kamera, realistisch, Kreidestaub im Licht, kein weiterer Text.

Analyse: Einwandfrei. Die Hand beendet den letzten Buchstaben, und beide Zeilen stimmen buchstabengetreu mit der Vorgabe überein - einschließlich aller diakritischen Sonderzeichen. In früheren Durchläufen der Video-Arena gelang diese Genauigkeit nur Wan 3.0 und MiniMax H3 Max, während andere Modelle Sonderzeichen fehlerhaft darstellten.

4. Kamerabewegung: Orbit um ein Motorrad

Anwendung: 360-Grad-Produktpräsentationen, Aufnahmen von Fahrzeugen oder Möbelstücken.

Verwendeter Prompt (Original auf Englisch; deutsche Übersetzung der Bildbeschreibung: „Sanfter 180-Grad-Kameraorbit um ein klassisches rotes Motorrad auf feuchtem Kopfsteinpflaster…“):

A smooth 180-degree camera orbit around a vintage red motorcycle parked on a wet cobblestone street in an old European town at blue hour. The camera circles steadily from the front of the motorcycle to its back at a constant speed. Street lamps reflect in the puddles, light drizzle. The motorcycle keeps its exact shape and details. Realistic cinematic footage, real-time motion, no text, no logos.

Analyse: Die Kamera vollzieht eine kontinuierliche Halbkreisbewegung von vorne nach hinten bei gleichmäßigem Tempo. Proportionen von Tank, Chromteilen und Scheinwerfer bleiben stabil. Straßenlaternen spiegeln sich im Pflaster. Einziges Manko: Der geforderte Nieselregen ist kaum erkennbar. Wertung: 8,5/10 - auf Augenhöhe mit Wan 3.0 und Kling 3.0.

5. Physiksimulation: Einschenken von Wasser bis zum Überlaufen

Anwendung: Getränkewerbung, Küchenaufnahmen, Flüssigkeitssimulationen.

Verwendeter Prompt (Original auf Englisch; deutsche Übersetzung der Bildbeschreibung: „Statische Nahaufnahme auf einem Küchentisch aus Holz. Wasser wird aus einer Glaskaraffe in ein leeres Trinkglas gegossen, bis es überläuft…“):

Static close-up on a wooden kitchen table in daylight. Water is poured from a glass pitcher into an empty clear drinking glass. The stream splashes, bubbles rise, the water level rises steadily until the glass overflows and water spills onto the table and spreads into a puddle. Real-time speed, no slow motion, realistic physics, no text.

Analyse: Die gesamte Handlungsabfolge läuft in korrekter Reihenfolge ab: leeres Glas, Luftbläschen, steigender Pegel, Überlaufen und Pfützenbildung auf der Platte. Gegen Ende fließt das Wasser an der Glasaußenseite leicht zähflüssig herab, weshalb ich 8,5 statt 9 Punkten vergeben habe.

6. Packshot mit Audio: Siebträgermaschine

Anwendung: Produktwerbung mit begleitender Tonspur (Geräuschkulisse, ASMR).

Verwendeter Prompt (Original auf Englisch; deutsche Übersetzung der Bildbeschreibung: „Filmische Produktwerbung. Nahaufnahme einer mattschwarzen Espressomaschine…“):

Filmischer Produktwerbespot. Nahaufnahme einer mattschwarzen Espressomaschine auf einer Marmorküchenarbeitsplatte bei Sonnenaufgang. Heißer Espresso strömt in eine kleine weiße Tasse, Dampf steigt durch einen goldenen Lichtstrahl auf, die Kamera fährt langsam heran. Ton: das Zischen der Maschine, fließende Flüssigkeit, Satzfragment im polnischen Original - unvollständige Satzstruktur. Untertasse, leises morgendliches Vogelgezwitscher im Hintergrund. Realistisch, geringe Tiefenschärfe, kein Text, keine Logos.

Analyse: Visuell entspricht das Ergebnis professionellen Werbeaufnahmen: Marmoroberfläche, Morgenlicht, Dampf, Crema und eine ruhige Kamerafahrt. Die Tonspur überzeugte dagegen nur teilweise: Zu hören sind Vogelgezwitscher und leises Ticken im Hintergrund, das Zischen der Maschine und das Fließen des Kaffees fehlen. Zudem ist der Pegel recht leise (durchschnittlich -38,6 dB). Für solche Clips empfiehlt sich weiterhin eine Nachvertonung im Schnitt.

7. Bild-zu-Video: Café-Innenraum animieren

Anwendung: Architekturvisualisierungen, Präsentationen für Gastronomie und Innenarchitektur.

Ausgangsbild: Meine Café-Grafik aus dem Test zu Innenraum-Visualisierungen mit FLUX 3 Image.

Verwendeter Prompt (Original auf Englisch; deutsche Übersetzung der Bildbeschreibung: „Die Kamera fährt langsam durch das Café auf den geschwungenen Tresen zu…“):

The camera slowly dollies forward through the cafe toward the curved terracotta counter. The barista behind the counter grinds coffee, a customer walks past the counter, the woman at the left table lifts her cup and laughs with her friend. The pendant lamps hang still. Sound: cafe ambience, a coffee grinder, soft chatter, cups clinking. Realistic, natural motion, no text.

Analyse: Ruhige Vorwärtsfahrt zum Tresen, ein Gast durchquert den Raum, die Barista mahlt Kaffee, und Kacheln sowie Hängelampen des Standbilds bleiben exakt erhalten. Bei automatischer Seitenverhältnis-Wahl beschnitt das Modell das Bild auf 1088×800 Pixel; wer das Ausgangsformat vollständig beibehalten möchte, sollte das Seitenverhältnis explizit festlegen. Den direkten Modellvergleich mit diesem Ausgangsbild finden Sie in der Gegenüberstellung FLUX 3 vs. Wan 3.0 vs. Seedance 2.5.

8. Charakterkonsistenz über zwei Einstellungen

Anwendung: Kurze Spielszenen, narrative Werbespots, KI-Filmprojekte.

Verwendeter Prompt (Original auf Englisch; deutsche Übersetzung der Bildbeschreibung: „Zwei Einstellungen, getrennt durch einen harten Schnitt. Einstellung 1: Weitwinkel einer jungen Frau mit kurzen roten Haaren im gelben Regenmantel… Schnitt. Einstellung 2: Nahaufnahme derselben Frau…“):

Two shots separated by one hard cut. Shot 1: wide shot of a young woman with short red hair, round black glasses, a yellow raincoat and a black backpack walking along a rainy city street at night with neon reflections on the wet pavement. Hard cut. Shot 2: close-up of the same woman with the same short red hair, the same round black glasses and the same yellow raincoat as she stops under a shop awning and looks up at the rain. Realistic, cinematic, no text.

Analyse: Der harte Schnitt erfolgt exakt an der vorgesehenen Stelle. In der Nahaufnahme stimmen rote Haare, runde schwarze Brille, gelber Mantel und Rucksack überein. In der Totalen bewegt sich die Person von hinten durchs Bild, was dem Modell die Gesichtskonsistenz erleichtert. Neonreflexionen und nasser Asphalt wirken überzeugend.

Hersteller-Demos: Weitere Funktionen im Überblick

Die nachfolgenden Clips stammen aus der Veröffentlichung von Black Forest Labs vom 4. August 2026 und werden direkt von den Servern des Anbieters eingebunden. Diese Szenen habe ich nicht selbst generiert; Prompts wurden von BFL nicht veröffentlicht.

Keyframes: Vom Rohbau zum möblierten Wohnzimmer

Der Modus mit Start- und End-Frame eignet sich insbesondere für Vorher-Nachher-Animationen in der Raumgestaltung: Man übergibt beide Bilder, das Modell berechnet die Kamerafahrt und den Übergang dazwischen. Auf fal.ai liegt dieser Modus preislich auf dem Niveau regulärer Videogenerierung bei ca. 0,076 EUR (0,085 USD) pro Sekunde.

Videoverlängerung: Elch vor der Motorhaube

Das Modell nimmt bis zu 4 Sekunden bestehendes Videomaterial inklusive Tonspur auf und setzt die Sequenz unter Beibehaltung der Kameradynamik fort. Dies ist der kostspieligste Betriebsmodus: ca. 0,37 EUR (0,41 USD) pro Sekunde bei 720p direkt bei BFL.

Mehrere Kameraeinstellungen in einem Clip

Historische Dialogszene

Weltwissen: Freiburg im Breisgau

BFL hebt hervor, dass das Modell Trainingswissen mit Echtzeit-Grounding kombiniert, was für Dokumentationen und Bildungsmaterialien relevant ist.

Entwurfsmodus versus finale Qualität

Der Entwurfsmodus erhält Bildaufbau und Bewegung, sodass sich mehrere Ideen kostengünstig vorfiltern lassen, bevor der finale Render gestartet wird. Auf fal.ai kostet der Entwurf ca. 0,027 EUR (0,03 USD) pro Sekunde.

Fazit

• Stärken: Präzise Sprachausgabe und fehlerfreie Schriftzüge im Bild, glaubwürdige Flüssigkeitsphysik und verlässliche Charakterkonsistenz.
• Verbesserungsbedarf: Audio-Prompting für spezifische Geräusche (wie Maschinengeräusche im Kaffee-Packshot) und die Berücksichtigung aller Umgebungsdetails aus dem Prompt (z. B. Nieselregen oder Bildzuschnitt bei automatischer Formatwahl).
• Preise: Ca. 0,76 EUR (0,85 USD) für 5 Sekunden bei OpenRouter, ca. 0,38 EUR (0,425 USD) bei fal.ai. Das liegt preislich über Wan 3.0 in 480p, liefert aber native 720p-Auflösung.

Einen direkten Modellvergleich finden Sie im Beitrag FLUX 3 Video vs. Wan 3.0 vs. Seedance 2.5. Technische Details zur API-Nutzung erläutert die Anleitung zu FLUX 3 per API ansteuern.

// weiterlesenWarum mich der Comeback-Erfolg des Ryzen 5800X3D an meine eigene Aufruestmuedigkeit erinnertTechnikWan 2.2 lokal: KI-Video auf eigener Grafikkarte - Test RTX 4090BenchmarksGTA 6 Style in AI erstellen: Prompts, eigenes Foto und CoverAnleitungen