Auf die Schnelle

Black Forest Labs hat am 23. Juli 2026 FLUX 3 vorgestellt, ein multimodales Modell, das Bild, Video, Audio und Aktionsvorhersage aus einem einzigen Netz erzeugt. Video läuft bis zu 20 Sekunden je Generierung, mit nativ mitgeneriertem Ton, erste Auswertungen liefen bei 720p. Als Eingabe funktionieren Text, Bilder, Keyframes und Referenzclips, Szenen lassen sich fortsetzen und Figuren über mehrere Aufnahmen hinweg beibehalten. Der Video-Early-Access ist offen, der Zugang muss aber von BFL freigegeben werden, Bilder sollen in den Wochen danach folgen. Angekündigt ist außerdem FLUX 3 Dev mit offenen Gewichten, ohne Termin. Black Forest Labs hat Standorte in Deutschland und den USA.

Black Forest Labs war bisher der Anbieter, dessen Bildmodelle in halb Europa in Marketingabteilungen laufen, ohne dass viele den Namen kannten. Mit FLUX 3, vorgestellt am 23. Juli 2026, verlässt das Unternehmen das reine Bildgeschäft und macht Video, Audio und Aktionsvorhersage in einem einzigen Modell.

Was FLUX 3 anders macht

Der technische Anspruch steckt im Wort multimodal, und zwar strenger gemeint als üblich. Das Modell lernt laut Anbieter gemeinsam aus Bildern, Videos und Audio innerhalb einer einheitlichen Architektur und kombiniert diese Modalitäten dann bei der Erzeugung. Es ist also kein Bildmodell mit angeflanschtem Videoteil.

Dazu kommt Aktionsvorhersage. Das Modell soll auch Bewegungsabläufe für Robotik vorhersagen können, was zunächst weit weg klingt vom Marketingvideo eines Handwerksbetriebs. Für die Bewertung des Anbieters ist es trotzdem interessant, weil es zeigt, wohin das Unternehmen zielt.

Video entsteht bis zu 20 Sekunden am Stück, mit nativ erzeugtem Ton in derselben Generierung. Für die ersten Auswertungen lief das bei 720p.

Wie man damit arbeitet

Als Eingabe funktionieren Text, Bilder, Keyframes und Referenzclips. Das ist der praktisch wichtigste Teil. Wer ein Produktfoto hat, kann daraus eine Bewegtaufnahme erzeugen, statt eine Szene aus dem Nichts zu beschreiben und dann festzustellen, dass das Produkt darin falsch aussieht.

Vorhandene Aufnahmen lassen sich fortsetzen, Bild und Ton gemeinsam. Zentrale Elemente wie eine Figur können in neue Szenen übernommen werden, sodass dieselbe Person über mehrere Aufnahmen hinweg erkennbar bleibt. Dialoge sind mehrsprachig möglich, und einzelne Clips lassen sich zu längeren, mehrteiligen Sequenzen verketten.

Genau daran ist KI-Video bisher gescheitert. Einzelne schöne Clips konnte fast jedes Modell. Eine Folge von Aufnahmen, in denen dieselbe Person dasselbe Gesicht und dieselbe Jacke behält, konnten die wenigsten.

Dass Ton in derselben Generierung entsteht, ist der zweite Punkt, an dem sich Arbeitszeit entscheidet. Wer Bild und Ton getrennt erzeugt, muss beides hinterher zusammenbringen, und spätestens bei gesprochenem Text passt die Lippenbewegung nicht. Ein Modell, das beides gemeinsam ausgibt, spart den Schritt, an dem in der Praxis die meiste Zeit verloren geht.

Zugang, offene Gewichte und was noch fehlt

Der Video-Early-Access ist offen. Bewerben kann sich grundsätzlich jeder, freigeben muss Black Forest Labs. Der Early Access für Bilder soll in den Wochen danach folgen.

Angekündigt ist außerdem FLUX 3 Dev, ein multimodales Backbone mit offenen Gewichten für Inhalteerstellung und Aktionsvorhersage. Ein Termin dafür steht nicht fest. Für Betriebe, die aus Datenschutzgründen lieber selbst hosten, ist das die interessanteste Ankündigung des ganzen Pakets, auch wenn sie bisher nur eine Ankündigung ist.

Was fehlt, gehört genauso in die Bewertung. Es gibt bisher keine veröffentlichten Preise, keine allgemeine Programmierschnittstelle und kein öffentliches Modell-Repository. Der Anbieter hat angekündigt, dass der Zugang über eine Schnittstelle nach der Early-Access-Phase folgen soll. Wer heute einen Produktionsablauf darauf bauen will, plant auf Sand.

Warum der Standort zählt

Black Forest Labs hat Standorte in Deutschland und in den USA. Für die meisten Anwendungsfälle ist das eine Randnotiz, für einige nicht.

Wenn ein Betrieb erklären muss, wo Bildmaterial von Mitarbeitern, Kunden oder Produktionsanlagen verarbeitet wird, ist ein Anbieter mit europäischer Präsenz leichter zu erklären als einer ohne. Das ersetzt keine Prüfung des konkreten Vertrags und keinen Auftragsverarbeitungsvertrag nach Artikel 28 DSGVO, aber es verkürzt Gespräche.

Der zweite Punkt ist strategisch. Die Debatte über Abhängigkeit von wenigen großen KI-Anbietern läuft in Europa seit Monaten. Ein deutscher Anbieter, der im Bildbereich international mitspielt und jetzt ins Video geht, ist in dieser Debatte ein Datenpunkt, der über Sonntagsreden hinausgeht.

Wichtig ist dabei die Ehrlichkeit in beide Richtungen. Ein deutscher Firmensitz ist kein Datenschutzsiegel. Wo Daten tatsächlich verarbeitet werden, steht im Vertrag und nicht im Handelsregister, und ein Unternehmen mit Standorten in Deutschland und den USA kann Verarbeitung in beiden Ländern vorsehen. Wer den Punkt als Argument nutzt, sollte ihn also belegen können und nicht nur behaupten.

Was das für kleine Betriebe praktisch bedeutet

Kurzfristig: abwarten und beobachten. Ohne Preise und ohne offene Schnittstelle lässt sich nicht kalkulieren, und ein Early-Access-Zugang, den der Anbieter freigeben muss, ist keine Planungsgrundlage.

Mittelfristig verschiebt sich etwas Konkretes. Ein 20-Sekunden-Clip mit Ton und wiedererkennbarer Figur ist genau das Format, das für Social-Media-Werbung, Produktvorstellungen und Stellenanzeigen gebraucht wird. Diese Produktion kostet heute bei einer Agentur einen vierstelligen Betrag oder bindet intern zwei Tage.

Uns fällt bei Teilnehmern auf, dass die Hürde bei Video selten die Technik ist. Sie liegt beim Konzept. Wer nicht sagen kann, was in zwanzig Sekunden passieren soll und für wen, bekommt mit einem besseren Modell nur schneller ein belangloses Video. Die Zeit bis zur allgemeinen Verfügbarkeit ist deshalb gut investiert, wenn man sie nutzt, um drei konkrete Clips zu skizzieren, die man wirklich braucht.

Und ein Hinweis, der ab jetzt für jedes KI-Video gilt: Die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung greifen seit dem 2. August 2026. Künstlich erzeugte oder veränderte Bild-, Ton- und Videoinhalte müssen als solche erkennbar gemacht werden. Wer KI-Video für Werbung einsetzt, plant die Kennzeichnung von Anfang an mit ein.

Quellen

Die genannten Angaben stützen sich auf folgende öffentlich zugängliche Quellen (Stand der Recherche: 3. August 2026):

Häufige Fragen

Was kann FLUX 3?

FLUX 3 erzeugt Bild, Video, Audio und Aktionsvorhersage aus einem einzigen Netz. Video läuft bis zu 20 Sekunden je Generierung mit nativ mitgeneriertem Ton, erste Auswertungen liefen bei 720p. Als Eingabe funktionieren Text, Bilder, Keyframes und Referenzclips.

Kann ich FLUX 3 heute schon nutzen?

Nur eingeschränkt. Der Video-Early-Access ist offen, aber der Zugang muss von Black Forest Labs freigegeben werden. Der Early Access für Bilder soll in den Wochen danach folgen. Eine allgemeine Programmierschnittstelle und Preise sind bislang nicht veröffentlicht.

Gibt es FLUX 3 mit offenen Gewichten?

Angekündigt ist FLUX 3 Dev, ein multimodales Backbone mit offenen Gewichten für Inhalteerstellung und Aktionsvorhersage. Ein Termin dafür steht nicht fest.

Muss ich KI-Videos kennzeichnen?

Seit dem 2. August 2026 greifen die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung. Künstlich erzeugte oder veränderte Bild-, Ton- und Videoinhalte müssen als solche erkennbar gemacht werden. Wer KI-Video für Werbung einsetzt, plant die Kennzeichnung von Anfang an mit ein. Was im Einzelfall gilt, klärt eine Fachanwaltskanzlei.

Video und Bildmaterial mit KI selbst produzieren lernen?

Im kostenlosen KI-Schnupperkurs zeigen wir in fünf Lektionen, wie kleine und mittlere Firmen KI im Alltag nutzen. Tiefer und praxisnah geht es im Vollkurs Digitalisierungsmanager, DEKRA-zertifiziert und förderfähig über den Bildungsgutschein.

Zuletzt aktualisiert: 3. August 2026. Stand der Recherche: 3. August 2026.