FLUX 3 macht Video mit Ton — aus einem einzigen Modell
FLUX 3 ist da, vorerst im Early Access. Der Unterschied zu bisherigen Generationen liegt nicht in der Bildqualität, sondern darin, was das Modell überhaupt alles kann.
Ein Modell statt einer Werkzeugkette
Bisher lief eine Video-Produktion mit KI ungefähr so: ein Modell für das Bild, ein zweites für die Bewegung, ein drittes für die Stimme, ein viertes für Musik oder Geräusche. Vier Werkzeuge, vier Konten, vier Stellen, an denen der Stil auseinanderläuft.
FLUX 3 erzeugt Bild, Video und Ton aus denselben Gewichten. Videoclips bis 20 Sekunden mit nativem Audio, aus Text, aus einem Bild oder aus vorhandenem Material. Dazu, und das ist die eigentliche Überraschung, Bewegungsvorhersagen für Roboter — dasselbe Modell, das dein Produktvideo macht, kann einem Greifarm sagen, wie er nach einer Tasse fasst.
Warum das zusammengehört
Der gemeinsame Nenner ist: Das Modell hat gelernt, wie sich Dinge in der Welt verhalten. Ob daraus ein Video wird oder eine Roboterbewegung, ist fast eine Frage des Ausgabeformats. Genau deshalb klingt der Ton auch passender — er entsteht nicht getrennt und wird darübergelegt, sondern kommt aus derselben Vorstellung von der Szene.
Was heißt das für dich?
Wenn du Content machst: Die Tonspur war bisher der Bruch. Ein KI-Video mit aufgesetzter Stimme wirkt fast immer eine Spur daneben, und man merkt es, ohne sagen zu können warum. Nativer Ton löst genau das. Für kurze Clips — Produktszenen, Hintergrundmaterial, Übergänge — wird eine Werkzeugkette überflüssig.
Wenn du nur mitliest: Merk dir die Richtung, nicht das Produkt. Getrennte Spezialwerkzeuge werden zu einem Modell, das mehreres kann. Das ist dasselbe Muster wie bei Text, wo Übersetzer, Zusammenfasser und Chatbot inzwischen dasselbe Modell sind.
Die ehrliche Einschränkung: Early Access heißt Early Access. Die Ergebnisse schwanken, die Rechte-Lage für kommerzielle Nutzung solltest du im jeweiligen Tarif nachlesen, und 20 Sekunden sind ein Clip, kein Film. Wer heute zuverlässig produzieren muss, bleibt vorerst bei dem, was funktioniert.
Passend dazu: unser Guide zu KI-Bildern und Video.