Letzte Woche habe ich mir ein 10-sekündiges Kochvideo angesehen, in dem ein asiatischer Koch mit messerscharfer Technik einen Wok-Pfannkuchen zubereitete, die Flammen im Takt eines Knister-Soundtracks emporschlugen, den niemand extra aufgenommen hatte. Das Video hatte Audio. Echtes Audio. Dann wurde mir klar, dass das Ganze auf einer einzigen Grafikkarte generiert worden war, und der Ersteller hatte nie ein Mikrofon angerührt.
Wir haben im August 2026 eine Grenze überschritten, und fast niemand außerhalb der AI-Community hat es bemerkt. Zwei Open-Weight-Modelle, LTX-2.5 von Lightricks und MiniMax H3 von Hailuo, erschienen innerhalb weniger Tage. Beide generieren Video und Audio gemeinsam. Beide laufen lokal. Beide arbeiten mit Referenzbildern, Videoclips und Audiosamples. Und beide sind so gut, dass ich bei einigen Demo-Clips, die ich diese Woche gesehen habe, ernsthaft nicht mehr zwischen gedreht und synthetisiert unterscheiden konnte.
Ich möchte zeigen, was jedes Modell kann, wie die Hardware-Rechnung aussieht, die Dinge, über die offiziell niemand reden will, und wohin die Reise geht. Daher los gehts mit LTX-2.5 vs MiniMax H3!
LTX-2.5: das Geschwindigkeitsgenie mit Multishot
Lightricks hat LTX-2.5 am 11. August 2026 veröffentlicht und es als „Open World Model“ bezeichnet. Die Marketingsprache ist dicht, also übersetze ich, was tatsächlich zählt.
Das Hauptfeature ist native Multishot-Generierung. Vorherige LTX-Versionen produzierten einen durchgehenden Shot pro Durchlauf. LTX-2.5 kann mehrere verbundene Shots in einem einzigen Durchlauf erzeugen und hält Charakter-Identität, Umgebung, Beleuchtung, Stimme und visuellen Stil über die Schnitte hinweg konstant. Das ist ein echter Durchbruch für jeden, der versucht hat, AI-Clips zu etwas Kohärentem zusammenzufügen. Das Kontinuitätsproblem war monatelang der Flaschenhals, und das hier adressiert es direkt.
Unter der Haube nutzt LTX-2.5 einen 22-Milliarden-Parameter-Transformer mit einem speziellen Gemma-4-12B-Text-Encoder. Lightricks hat den Video-Decoder komplett neu gebaut und nennt die Technologie „Diffusion Fidelity Rendering.“ Statt jede Szene auf eine Kompressionsrate festzulegen, allokiert das Modell Rechenleistung dynamisch nach Szenenkomplexität. Der praktische Effekt: schärfere Gesichter, lesbarer Text im Bild, weniger von diesen verschmolzenen Textur-Artefakten, die „AI-Video“ aus der Ferne verraten.
Das Modell wird außerdem mit einem Prompt-Enhancer ausgeliefert, der kurze Prompts in detaillierte cineastische Anweisungen umwandelt, und einem optionalen Auto-Duration-Predictor, der anhand der beschriebenen Aktion ermittelt, wie lang der Clip sein soll. Kleine Details, aber sie entfernen die nervigsten Teile des Prompt-Engineering-Workflows.
LTX-2.5 unterstützt natives 4K-HDR mit bis zu 50 FPS. Und es generiert synchronisiertes Audio neben dem Video über eine eigene Audio-VAE. Kein separater Audio-Generierungsschritt nötig.
Das destillierte Modell muss man separat betrachten. Es nutzt einen festen 8-Schritt-Zeitplan mit CFG=1, was bedeutet, dass es etwas Qualität gegen dramatische Geschwindigkeitsgewinne tauscht. Auf Lightricks‘ eigener Hardware (2x GB200) dauert ein 10-sekündiger Image-to-Video-Clip 6,8 Sekunden. Das ist schneller als Echtzeit. Auf einer Consumer-Karte mit quantisierten Gewichten redet man über Minuten, nicht Stunden.
MiniMax H3: die omni-modale Referenz-Maschine
MiniMax H3 kam wenige Tage früher und verfolgt einen anderen philosophischen Ansatz. Wo LTX-2.5 ein Videomodell mit Audio ist, ist H3 von Grund auf als Allzweck-Omni-Modal-System konzipiert.
H3 ist ein 33-Milliarden-Parameter-Modell, das Text, Bilder, Video und Audio als einen einzigen vereinheitlichten Kontext behandelt. So beschreibt MiniMax es: Du kannst ihm ein Referenzvideo für die Kamerabewegung geben, ein Bild eines Charakters und ein Audio-Clip von jemandem, der singt, und ihm sagen, es soll alle drei kombinieren. „Übernimm die Hitchcock-Kamerabewegung aus Video 1, lass den Charakter aus Bild 2 singen, mit der Stimme aus Audio 3.“ Das sind keine drei separate Pipeline-Schritte. Das ist ein Prompt.
Die Architektur erklärt, warum das funktioniert. H3 nutzt einen Qwen3-VL-32B als Encoder und speist Hidden States aus dessen 50. Schicht in den sogenannten H3-Omni-Transformer. Dieser Transformer sagt Video- und Audio-Latents in einem einzigen Durchlauf vorher. Die visuelle VAE komprimiert mit f16t4d24 (16x räumlich, 4x zeitlich, 24 Latent-Kanäle), und die Audio-VAE verarbeitet 32kHz-Stereo mit 40Hz Latent-Rate.
Das Referenzsystem ist, wo H3 gerade an allem anderen vorbeizieht. Der „Ref2VA“-Modus akzeptiert bis zu 9 Bilder, 3 Videoclips und 3 Audioclips gleichzeitig, mit maximal 12 gemischten Dateien. Du kannst ihm ein Charakter-Design, eine Bewegungsreferenz und eine Stimmprobe in derselben Generierung übergeben.
H3 ausgibt standardmäßig in 768p und kann durch das, was MiniMax „In-Context Regeneration“ nennt, auf 2K regenerieren. Statt eines konventionellen Super-Resolution-Passes liest das Basismodell seine eigene Niedrigauflösungs-Ausgabe zusammen mit dem ursprünglichen Kontext und regeneriert in höherer Auflösung. Der Vorteil: Es kann Details wiederherstellen, bei denen traditionelle Upscaler nur raten können, wie kleiner Text und feine Muster.
Der Output liegt bei 24 FPS, bis zu 15 Sekunden, mit nativem 32kHz-Stereo-Audio. H3 unterstützt 11 Sprachen für Dialog-Generierung: Arabisch, Chinesisch, Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch.
Ein wichtiger Haken: H3s Vorverarbeitungssystem (H3-Context-IR) ist nicht Open Source. Es ist ein gehosteter Service. Man kann die API nutzen, um den offiziellen Workflow zu reproduzieren, oder MiniMax‘ Prompting-Leitfaden folgen, um ein eigenes Vorverarbeitungssystem zu bauen. Für rein lokale Nutzer bedeutet das, dass die vollständige offizielle Pipeline einen Internet-Aufruf für die Kontextverarbeitung erfordert.
Hier ein Beispiel für H3, das ein animiertes Menü mit nativem Audio generiert:
Was natives Audio verändert
Ich möchte einen Moment darauf eingehen, weil ich denke, die Leute unterschätzen das.
Zwei Jahre lang war AI-Video stumm. Man generierte einen Clip, jagte ihn dann durch ein separates Text-to-Audio-Modell und versuchte, beides zu synchronisieren. Das Ergebnis war immer leicht daneben. Schritte passten nicht ganz zu Schritten. Lippenbewegungen drifteten von der Sprache ab. Atmosphärischer Sound wirkte aufgeklebt.
Sowohl LTX-2.5 als auch H3 generieren Audio im selben Durchlauf wie das Video. Das Audio ist strukturell synchronisiert, weil es aus demselben Latent-Raum kommt. Wenn ein Glas im Video zerbricht, ist das Geräusch des berstenden Glases im Audio. Wenn jemand spricht, bewegt sich der Mund.
H3 geht noch weiter und produziert Stereo-Audio, nicht Mono. Die Links-Rechts-Raumabbildung ist in die Generierung integriert. Bei einer Marktszene mit einem Verkäufer links und einem Kunden rechts kommen die Stimmen aus der richtigen Richtung. Das ist der Unterschied zwischen „AI-Video, das halbwegs echt aussieht“ und „AI-Video, das sich wie eine Aufnahme anfühlt.“ Die Audio-Synchronisation ist es, was dein Gehirn austrickst.
Download-Größe und VRAM: die echten Kosten
Hier ist der Vergleich, den niemand in seine Pressemitteilung schreibt.
Für LTX-2.5 liegt der praktische ComfyUI-Download (int8 quantisiert, destillierter Transformer) bei etwa 36 GB. Das umfasst den DiT, Text-Encoder, Video-VAE, Audio-VAE und räumlichen Upscaler. Wer den vollen bf16-Dev-Transformer will: der DiT allein kommt auf etwa 44 GB. Eine NVFP4-Variante für Blackwell-GPUs schrumpft den DiT auf rund 11 GB.
Für MiniMax H3 kommt das ComfyUI-Paket von Comfy-Org auf insgesamt etwa 42,5 GB. Eine aufgeräumte NVFP4-Variante aus der Community liegt bei rund 43 GB. Das vollständige bf16-Modell mit dem Qwen3-VL-32B-Encoder würde weit über 100 GB bringen, weshalb das niemand lokal betreibt.
Die VRAM-Situation ist differenzierter, als die Spezifikationen suggerieren. Lightricks empfiehlt offiziell 32 GB VRAM (A100- oder H100-Territorium), aber die eigene Vergleichstabelle spricht von 16 GB Minimum, und Community-Berichte bestätigen brauchbare Läufe auf 12-GB-Karten mit GGUF-Quantisierung. Ein Reddit-Nutzer generierte 2,5K (2560×1408) 10-Sekunden-Clips auf einer RTX 5070 Ti mit 16 GB VRAM und 64 GB System-RAM in 11 Minuten.
H3 skaliert am unteren Ende aggressiver. Nutzer haben Clips auf einer RTX 2060 mit 6 GB VRAM generiert, was 10 bis 15 Minuten für kurze, qualitativ reduzierte Clips dauerte. Eine 12 bis 16 GB-Karte produziert merklich sauberere Ergebnisse in kürzerer Zeit. 24 GB geben dir Spielraum für LoRA-Training neben der Generierung. 32 GB und darüber (RTX 5090, RTX 6000) ist die Ebene, auf der H3 seine beabsichtigte Qualität mit 15-Sekunden-Clips bei höherer Auflösung erreicht.
Auf dem Mac läuft H3 über eine 4-Bit-NF4-Quantisierung durch Community-Tools, mit nur 8 GB Unified Memory. Die Qualität fällt bei komplexen Szenen spürbar ab.
Fazit: Wenn du eine 16-GB-Consumer-Karte aus den letzten drei Jahren hast, kannst du beide Modelle laufen lassen. Wenn du 24 GB oder mehr hast, kannst du sie gut laufen lassen.
Im direkten Vergleich
| Spec | LTX-2.5 | MiniMax H3 |
|---|---|---|
| Parameter | 22B (DiT) | 33B (BF16) |
| Max. Auflösung | 4K HDR, 50 FPS | 2K (per Regeneration), 24 FPS |
| Max. Dauer | 10s+ (Auto-Duration) | 15 Sekunden |
| Natives Audio | Ja (Mono, via Audio-VAE) | Ja (32kHz Stereo) |
| Multishot | Ja, nativ | Ja, nativ |
| Referenz-Inputs | Bild, Video, Audio | Bis zu 9 Bilder, 3 Videos, 3 Audio (12 gesamt) |
| ComfyUI-Download | ~36 GB (int8 destilliert) | ~42,5 GB (Comfy-Pack) |
| Min. VRAM (nutzbar) | 12-16 GB | 6-12 GB (reduziert) |
| Empfohlene VRAM | 32 GB+ (offiziell), 16 GB (Community) | 32 GB+ (RTX 5090-Klasse) |
| Text-Encoder | Gemma 4 12B (custom) | Qwen3-VL-32B (50. Schicht) |
| Lizenz | LTX-2.x Community (unter 10M Umsatz) | MiniMax H3 Community License |
| Modell eingeschränkt? | Ja (HuggingFace-Zugangsanfrage) | Nein (offener Download) |
Das Elefanten-Problem im Raum
Ich werde nicht so tun, als gäbe es diesen Abschnitt nicht, denn jeder, der diese Woche Zeit in den ComfyUI- und Stable-Diffusion-Communities verbracht hat, weiß bereits Bescheid.
Beide Modelle haben offene Weights. Offene Weights bedeuten, dass jeder sie finetunen kann. Und die Community war schnell.
Für MiniMax H3 ist die Situation intensiver, weil das Modell mit Referenz-Understanding entworfen wurde. Man kann ihm ein Charakter-Bild und eine Stimmprobe übergeben. Kombiniere das mit LoRA-Finetuning, und man erhält ein System, in dem jemand eine LoRA auf das Aussehen einer bestimmten Person trainieren, deren Stimme über das Audio-Referenzsystem klonen und Video dieser Person in jedem Szenario generieren kann.
Es gibt bereits LoRAs auf Civitai und HuggingFace, die explizite erwachsene Inhalte in signifikanter Detailtiefe darstellen. Die „Heretic“-Community-Builds entfernen Sicherheitsschichten aus dem Modell-Stack. Voice-Cloning bedeutet, dass die Charaktere sprechen. Und weil das alles lokal läuft, gibt es keinen API-Anbieter, der Content-Policy durchsetzt.
MiniMax ist sich dessen bewusst. Sie haben begonnen, Takedowns gegen Decensor- und explizite LoRAs auf HuggingFace durchzusetzen. Ob das gegen eine dezentrale Community funktioniert, die alles auf persönliche Server und Torrent-Netzwerke spiegelt, ist eine offene Frage. Basierend darauf, wie das bei Stable Diffusion lief, lautet die Antwort wahrscheinlich nein.
Ich habe keine saubere moralische Position dazu. Die Fähigkeit existiert, weil die Weights offen sind. Offene Weights sind auch das, was legitime kreative Arbeit möglich macht, was Forschern erlaubt, diese Systeme zu studieren, was verhindert, dass eine Handvoll Firmen die gesamte Videogenerierung kontrolliert. Man kann nicht wirklich das eine ohne das andere haben. Aber ich denke auch, dass es ehrlich ist festzustellen: „Jeder kann erwachsene Videos mit Charakteren seiner Wahl erstellen, einschließlich realer Personen, mit geklonten Stimmen, komplett offline“ ist jetzt eine Sache, die wahr ist, und die sozialen und rechtlichen Rahmenwerke dafür existieren noch nicht.
Fürs Protokoll: LTX-2.5 ist bisher weniger davon betroffen, teilweise weil Lightricks das Modell auf HuggingFace eingeschränkt hat (man muss Zugang beantragen) und teilweise weil das Referenzsystem weniger aggressiv multimodal ist als H3s System. Aber die LoRA-Infrastruktur ist dieselbe. Es ist nur eine Frage der Zeit.
Was als Nächstes kommt
Beide Firmen haben ihre Roadmaps signalisiert, und die Community füllt bereits Lücken.
MiniMax listete drei Prioritäten für zukünftige H3-Versionen: die Integration von Fähigkeiten ihrer M-Series-Sprachmodelle für stärkeres multimodales Verständnis, eine Vergrößerung des Modells (sie sagten ausdrücklich „Scaling ist ein klarer Weg nach vorn“) und den Vorstoß zu höheren Auflösungen und visuellem Detailreichtum. Sie versprachen außerdem die Veröffentlichung ihrer Sparse-Attention-Implementierung, die die Inferenzkosten für lange Sequenzen deutlich senken würde. Diese ist im Open-Source-Release noch nicht enthalten, das nur Full Attention mitbringt.
Die Community hat bereits etwas gebaut, das einem Turbo entspricht. Mehrere „MiniMax H3 Turbo LoRA“-Repos erschienen innerhalb von Tagen auf HuggingFace und ermöglichen 4-Schritt-Text-to-Video und Image-to-Video-Generierung. Der Qualitätseinbuße ist real, aber der Geschwindigkeitsgewinn beträchtlich. Offizielle Turbo-Varianten von MiniMax selbst dürften innerhalb von Wochen kommen.
Für LTX-2.5 ist das destillierte Modell bereits das Turbo-Äquivalent. Lightricks erwähnte zudem die Anwendbarkeit auf „Physical AI“ und Robotik, was nahelegt, dass sie diese Architektur über kreatives Video hinaus in den Simulationsbereich erweitern sehen. Der LTX-Trainer unterstützt Video-, Audio- und cross-modale Konditionierung in einem einzigen Framework, sodass das Finetuning eigener Versionen unkompliziert ist.
Blickt man auf das breitere Feld: Flux 3 liefert starke Ergebnisse, ist aber reines API ohne angekündigte offene Weights. WAN 3.0 von Alibaba unterstützt 30-Sekunden-Generierungen, ist aber ebenfalls nur API. Seedance 2.5 und Kling 3.0 Pro bleiben geschlossen. Die Lücke zwischen offenen und geschlossenen Modellen hat sich dramatisch verengt, und für lokale Kreative sind LTX-2.5 und H3 die einzigen Modelle, die man tatsächlich besitzt.
Loslegen: ComfyUI-Workflows
Beide Modelle haben offizielle ComfyUI-Workflow-Templates parat.
Für LTX-2.5 liefert ComfyUI drei native Workflows: Text-to-Video, Image-to-Video und First-Last-Frame-to-Video. Man findet sie in der Template Library unter Video oder folgt der Dokumentation auf docs.comfy.org. Der Workflow-Hub hat ebenfalls eigene Seiten auf comfy.org für LTX-2.5 T2V und FLF2V. Suche nach „LTX-2.5 T2V,“ „LTX-2.5 I2V“ oder „LTX-2.5 FLF2V“ im Template-Browser.
Zuvor muss man Zugang zum Lightricks/LTX-2.5-Repository auf HuggingFace beantragen, da das Modell eingeschränkt ist. Nach der Freigabe übernimmt ComfyUIs Modell-Downloader den Rest.
Für MiniMax H3 bietet ComfyUI drei Workflows: Text-to-Video, Image-to-Video und Reference-to-Video. Die Modelldateien liegen im MiniMaxAI/MiniMax-H3-Repository, das nicht eingeschränkt ist. ComfyUI auf Version 0.30.0 oder neuer aktualisieren, Template Library öffnen und nach „MiniMax H3“ suchen. Folge dem offiziellen Tutorial für Setup-Details.
Der Reference-to-Video-Workflow ist, wo H3 glänzt. Ein Bild, ein Bewegungs-Referenzvideo und ein Audio-Clip reinwerfen, dann beschreiben, wie sie kombiniert werden sollen. Der Workflow übernimmt das multimodale Context-Packing automatisch.
Beide Modelle profitieren von Community-LoRAs und IC-LoRAs. Für LTX-2.5 sammelt die LTX-Community-Library auf ltx.io nutzertrainierte Adapter für Stil, Bearbeitung und Audio-Konditionierung. Die meisten auf LTX-2.3 trainierten LoRAs lassen sich ohne Änderungen auf 2.5 übertragen. Für H3 lohnt sich ein Blick in den HuggingFace-Modellbaum, der bereits 49 Finetunes und 9 Adapter-Modelle listet, mit täglich neuen.
Mein ehrliches Fazit nach einer Woche mit beiden
Diese Modelle sind nicht perfekt. H3s 15-Sekunden-Limit ist restriktiv für alles jenseits von Kurzform-Inhalten. LTX-2.5s eingeschränkter Zugang ist nervig. Beide produzieren noch gelegentlich Artefakte, die die Illusion brechen. Keines behandelt komplexe Multi-Charakter-Interaktion zuverlässig.
Aber ich verfolge AI-Video seit den ersten wackeligen ModelScope-Clips, und das ist das erste Mal, dass ich das Gefühl habe, die Lücke zwischen „generiert“ und „gedreht“ ist schließbar. Nicht heute. Aber die Flugbahn ist klar. Vor einem Jahr dauerte es Minuten, einen 5-Sekunden-Clip in 720p ohne Audio zu generieren, und er sah falsch aus. Heute kann ich 10 Sekunden in 2K mit synchronisiertem Stereo-Audio, mehreren Shots und Charakter-Konsistenz generieren, auf Hardware, die unter meinen Schreibtisch passt.
Wer auf AI-Video gewartet hat, bis es gut wird: Der Moment ist gekommen und rollt bereits durch Youtube und TikTok mit einigen Videos.