FLUX 3 Video: 20-Sekunden-Clips mit nativem Audio

Kurze Antwort: FLUX 3 Video rendert Bild und Ton zusammen, also muss der Prompt beides inszenieren. Schreibe eine FORMAT-Zeile, gib den Keyframes ihre Zeitstempel, beschreibe den STARTING STATE, lege eine TIMELINE mit einer sichtbaren Handlung pro Beat an, fixiere CAMERA und CONTINUITY und schreibe das AUDIO als Partitur — wer spricht, in welcher Sprache, in welcher Sekunde, plus Effekte und Raumton. Rendere zuerst einen Draft für 0,06 $ pro Sekunde, dann verbessere ihn.

Was FLUX 3 Video ist

FLUX 3 ist das multimodale Modell von Black Forest Labs — ein Backbone für Bilder, Video und Audio —, angekündigt am 23. Juli 2026 im Early Access. Sein Videomodus erreichte die BFL-API und ausgewählte Partner am 4. August 2026. Die Schlagzeile ist nicht die Länge, sondern der Ton: Sprache in über einem Dutzend Sprachen mit Lip-Sync, Effekte und Atmosphäre entstehen mit den Frames, nicht nachträglich.

Die Briefing-Struktur

Dasselbe Regie-Briefing-Muster von 2026, das für Seedance 2.5 und Kling 3.0 funktioniert, funktioniert auch hier, mit zwei FLUX-spezifischen Blöcken: KEYFRAMES mit Zeitstempeln statt Referenzrollen und eine AUDIO-Zeile, die auf die Sekunde durchkomponiert ist.

1. FORMAT — Länge, Seitenverhältnis, hd oder fhd, ein Take oder Shots, Audio an oder aus.
2. KEYFRAMES — welches Bild in welcher Sekunde sitzt und was zwischen ihnen identisch bleiben muss.
3. STARTING STATE — Subjekt, Kamera und Licht bei 0 s.
4. TIMELINE — Sekundenbereiche, eine sichtbare Handlung pro Beat, wo die letzte Bewegung zur Ruhe kommt.
5. CAMERA — eine Bewegung, Brennweite, was verboten ist.
6. CONTINUITY — Invarianten: Produkt, Gesicht, Kleidung, Licht.
7. AUDIO — Effekte mit Zeitstempeln, Raumton, Dialog in Anführungszeichen mit Sprecher, Sprache und Sekunde, Musik oder ausdrücklich keine.
8. CONSTRAINTS — was nicht passieren darf.

Ein komplettes Beispiel (12 s, 9:16, Produkt mit gesprochener Zeile)

FORMAT: 12 s, 9:16, fhd, one continuous take, audio on.
KEYFRAMES: [0, image1] the glass bottle on the marble counter, cap on, morning light from the left; [8, image2] the same bottle with the cap off and one drop on the rim. Keep the label, the cap and the marble identical between the two.
STARTING STATE: the bottle stands centred, still; a hand is out of frame to the right.
TIMELINE:
0-4 s - the light slides slowly across the marble; a hand enters from the right and lifts the cap.
4-8 s - close on the rim: one drop forms and falls in real time; the hand sets the cap down out of frame.
8-12 s - the camera eases back to a hero angle and holds; the bottle settles centred for the last second.
CAMERA: locked-off macro at 100 mm for the first eight seconds, then a slow pull-back; no whip, no zoom.
CONTINUITY: same bottle, label and lighting throughout; the hand has short nails and no rings.
AUDIO: a soft cap click at 3.5 s, a single drop at 6 s, quiet room tone throughout; at 9 s a calm female voice (English, British) says "Made in one drop."; no music.
CONSTRAINTS: no on-screen text, no second product, no logo changes, no slow motion, no watermark.

Die Audio-Zeile schreiben

• Dialog in geraden Anführungszeichen, mit Sprecher, Sprache und Sekunde: at 9 s a calm female voice (English, British) says "Made in one drop."
• Eine kurze Zeile pro Clip unter 15 s. Sprache braucht etwa drei Sekunden pro Satz plus Stille drumherum; ein 12-Sekunden-Clip trägt eine Zeile, ein 20-Sekunden-Clip zwei oder drei.
• Effekte mit Zeitstempeln, damit sie auf der Handlung landen: „cap click at 3.5 s, drop at 6 s“.
• Den Raumton benennen („quiet room tone“, „rain on the window“) — Stille ohne ihn wird mit einem zufälligen Bett gefüllt.
• „no music“ schreiben, wenn du es so meinst; sonst vertont das Modell den Clip womöglich.
• Der Sprecher muss im Bild sein, wenn die Zeile läuft und du Lip-Sync willst; ein Voice-over ist in Ordnung, wenn niemand im Bild ist.

Keyframes mit Zeitstempeln

Bild-zu-Video nimmt ein bis zehn Bilder. Ein einzelnes Bild ist der Startframe; zwei sind ein Start-Ende-Paar; mehr werden zu Keyframes mit Zeitstempeln, geschrieben als [0, image1], [8, image2]. Das Modell interpoliert die Bewegung dazwischen, also müssen die Bilder in allem übereinstimmen, was sich nicht ändern soll — Produkt, Etikett, Lichtrichtung, Bildausschnitt — und sich nur im Zustand unterscheiden, den du animieren willst. Zwei Produktfotos von derselben Stativposition sind ideal; zwei Fotos aus verschiedenen Winkeln ergeben einen Morph.

Zuerst Draft, dann Enhance

Jede FLUX-3-Video-Anfrage akzeptiert draft: true: eine schnelle 720p-Vorschau für 0,06 $ pro Sekunde statt 0,17 $. Prüfe das Timing der Zeile, das Zur-Ruhe-Kommen am Ende und die Kamerabewegung; korrigiere das Briefing bei Bedarf; sende dann den zurückgegebenen draft_cache mit mode: "draft_enhance" erneut, um den freigegebenen Draft in voller Qualität zu rendern. Ein 12-Sekunden-Clip kostet 0,72 $ als Draft und etwa 2 $ zum Fertigstellen in HD — weit günstiger als drei blinde Vollrenders.

Wo es die anderen schlägt, und wo nicht

• Wähle FLUX 3 Video für 10–20-Sekunden-Produkt-, Marken- und Erklärclips mit gesprochenen Zeilen in vielen Sprachen, Keyframe-Kontrolle und der Draft-Enhance-Schleife.
• Wähle Veo 3.1 für 8-Sekunden-Fotoreal-Hero-Shots mit nativem Audio; das realistischste Licht 2026.
• Wähle Seedance 2.5 für 30-Sekunden-One-Take-Geschichten, gesteuert von bis zu 50 Referenzen mit expliziten Rollen — siehe den Seedance-2.5-Prompt-Guide.
• Wähle Kling 3.0 für geschnittene Szenen mit benannten Sprechern und Shot-Dauern.

Umstieg von Sora? Die Prompt-Struktur oben lässt sich eins zu eins übertragen; der Sora-Migrationsguide hat die Tabelle Funktion für Funktion.

Häufige Fehler

• Dialog als Beschreibung („sie spricht über das Produkt“) — keine Zeile wird gesprochen.
• Zwei Zeilen in einem 8-Sekunden-Clip — die zweite ist gehetzt oder abgeschnitten.
• Keyframes aus verschiedenen Winkeln — das Modell morpht statt zu animieren.
• Bild- und Videoeingabe in einer Anfrage — nicht unterstützt; eins wählen.
• Den Draft überspringen — Vollrenders für 0,17–0,29 $ pro Sekunde summieren sich schnell.
• Spec-Tokens („4K 60fps“) und negative Prompts — stattdessen FORMAT und CONSTRAINTS nutzen.

Häufige Fragen

Das Briefing geschrieben bekommen — Keyframes, Timeline, Kamera, Kontinuität, eine durchkomponierte Audio-Zeile und Constraints? GoldenPrompts baut Briefings für FLUX 3 Video, Veo, Seedance und Kling mit wenigen Klicks. Ausprobieren — 24 Stunden alles kostenlos, ohne Karte.