InVideo vs. lokale KI-Videogenerierung: Die eine kostet 0 $ plus Ihr Wochenende – die andere kostet 17 $

Der proprietäre Videomarkt war chaotisch. OpenAI stellte die Sora-Consumer-App im März 2026 ein, weniger als sechs Monate nach dem Start, nachdem die Downloads gegenüber ihrem Höchststand um rund 66 % gefallen waren (die API bleibt separat aktiv). ByteDances Seedance 2.0 geriet im selben Monat in Hollywood-Klagen und einen pausierten globalen Rollout, nach Unterlassungsschreiben von Disney, Paramount und Warner Bros. – es bleibt in China zugänglich, birgt aber Rechtsrisiken für die internationale kommerzielle Nutzung. Alibabas HappyHorse-Modell führte im April 2026 die Qualitäts-Ranglisten an – und wurde nie öffentlich zugänglich gemacht.

Genau dieses Chaos macht beide Türen attraktiv. Offene lokale Modelle machen Sie unabhängig vom Anbieter-Drama. Und InVideo nimmt Ihnen das Drama ab: Das Abonnement bündelt Zugang zu über 200 Modellen – darunter Kling 3, Veo 3.1 und Seedance 2.5 –, sodass Ihr Workflow nichts davon bemerkt, wenn ein Modell verschwindet oder verklagt wird.

Drei Open-Weights-Systeme dominieren derzeit die lokale Videogenerierung, gemessen an Downloads, Community-Aktivität und Benchmark-Ergebnissen. Alle drei laufen über ComfyUI, eine knotenbasierte Oberfläche, die auf Ihrem eigenen Rechner installiert wird – kein Chat-Tool wie Ollama. Es handelt sich um Diffusionsmodelle, nicht um LLMs.

Wan 2.2 ist das am weitesten verbreitete offene Videomodell: Allein das I2V-A14B-Repository verzeichnete in einem einzigen Monat rund 4,24 Millionen Hugging-Face-Downloads, dazu Hunderte von Community-Derivaten. Es erscheint in drei Varianten – T2V-A14B und I2V-A14B (Mixture-of-Experts, 27B gesamt / 14B aktive Parameter) sowie ein kompaktes TI2V-5B, das sowohl Text- als auch Bild-zu-Video mit nur 6–8 GB VRAM verarbeitet. Die 14B-Stufe benötigt 15 GB (GGUF Q3) bis 25 GB (FP8); der offizielle unquantisierte Befehl verlangt 80 GB. Die Lizenz ist Apache 2.0 – wirklich kostenlos, uneingeschränkte kommerzielle Nutzung, keine Umsatzschwellen, keine Gebietsausschlüsse.

Geschwindigkeit, konkret: Ein einzelner 5-Sekunden-Clip dauert auf einer RTX 4090 rund 4–9 Minuten (eine unabhängig berichtete Zahl – Wan 2.2 gibt nativ keine längeren Clips in einem Durchgang aus). Für eine 20-sekündige Sequenz würden Sie 4 separate 5-Sekunden-Clips generieren und zusammenfügen – das sind grob 16–36 Minuten reine Generierungszeit, plus manuellen Schnitt für einen sauberen Übergang. Diese Spanne ist eine Hochrechnung aus der Pro-Clip-Zahl, kein direkt gemessener 20-Sekunden-Benchmark.

LTX-2 ist das einzige offene Modell dieses Trios, das synchronisierten Ton und Bild in einem einzigen Durchgang generiert – Schritte, Umgebungsgeräusche und Effekte kommen zusammen mit dem Bild. Es ist außerdem das schnellste der drei und das nachsichtigste bei der Hardware. Die Architektur ist ein 22B-Diffusions-Transformer; LTX-2.3 (März 2026) wird weiterhin vollständig unterstützt, parallel zur aktuellen LTX-2.5-Version. Die Lizenz ist die LTX Community License – kostenlos für kommerzielle Nutzung, wenn der Gesamtumsatz Ihres Unternehmens unter 10 Mio. $ pro Jahr liegt, darüber ist eine kostenpflichtige kommerzielle Lizenz erforderlich. (Einige Drittanbieter-Artikel nennen es fälschlich Apache 2.0 – die offizielle Lizenzseite ist die einzig verlässliche Quelle.) Der Hardware-Bedarf liegt bei 18–20 GB VRAM quantisiert, 32 GB+ bei voller Präzision; auf 12-GB-Karten bleibt das ältere LTX-Video 0.9.5 die praktische Wahl.

Geschwindigkeit, konkret: LTX-2 ist qualitativ das schnellste des Trios, mit nahezu Echtzeit-Vorschauen auf High-End-Consumer-Karten – aber es existiert bislang keine unabhängig verifizierte Minuten-pro-Clip-Zahl auf einer RTX 4090, weshalb wir keine erfinden. Die einzige belastbare Zahl stammt aus Lightricks' eigenem Benchmark auf Rechenzentrums-Hardware der Klasse "Nvidia-Superchips" (keine Consumer-GPU): ein 10-Sekunden-Clip in etwa 6,8 Sekunden. Betrachten Sie das als Obergrenze dessen, was die Architektur auf ernsthafter Hardware leisten kann – nicht als das, was Ihr Heim-Rig zeigen wird.

Tencents 8,3B-Modell, veröffentlicht im November 2025, ist ein Community-Favorit für filmische Beleuchtung und Textur und das VRAM-sparsamste des Trios: 14 GB Minimum mit Offloading, 24 GB komfortabel, bei rund 75 Sekunden pro 480p-Clip auf einer RTX 4090. Es generiert nativ 480p/720p, über eingebaute Super-Resolution bis zu 1080p, Clips bis zu 10 Sekunden.

Geschwindigkeit, konkret: Bei ~75 Sekunden pro 5-Sekunden-480p-Clip sind das rund 15 Sekunden Renderzeit pro Sekunde Video. Die native maximale Cliplänge liegt bei 10 Sekunden, sodass eine 20-Sekunden-Sequenz zwei Generierungen mit maximaler Länge bedeutet – hochgerechnet aus der Pro-Sekunde-Rate sind das rund 5 Minuten reine Generierungszeit für 20 Sekunden Filmmaterial, vor dem Zusammenfügen. Dies ist eine Hochrechnung aus der belegten 5-Sekunden-Zahl, kein direkt gemessener 10- oder 20-Sekunden-Benchmark.

Veröffentlicht am 3. August 2026, ist MiniMax H3 ein 33,1B-Omni-Modal-Modell mit nativem Stereo-Ton, ComfyUI-Unterstützung ab dem ersten Tag und quantisierten Versionen, die auf einer RTX 3060 laufen. Zwei Vorbehalte, bevor Sie es als vierte Wahl behandeln: Das lokale Release deckelt bei 768p (die vollständige 2K-Pipeline bleibt nur gehostet verfügbar), und seine Community License trägt Berichten zufolge eigene geografische Einschränkungen sowie eine Umsatzschwelle von 20 Mio. $ – prüfen Sie die offizielle Modellkarte, bevor Sie sich festlegen. Die ersten Anzeichen sind stark, aber drei Wochen alt und produktionsreif sind zwei verschiedene Dinge.

Lokale Videogenerierung ist so kostenlos wie ein Welpe kostenlos ist: Die Modellgewichte kosten nichts, aber die GPU ist der eigentliche Preis des Einstiegs. Verzichten Sie ganz auf lokale Generierung, wenn Ihre GPU unter 12 GB VRAM hat und Sie kein Upgrade planen – keines der drei oben genannten Modelle läuft unterhalb dieser Stufe in brauchbarer Qualität, und eine Cloud-Plattform liefert Ihnen schneller bessere Ergebnisse.

Nicht sicher, was das für Ihre Maschine bedeutet? Diese Leitfäden schlüsseln es auf: VRAM-Rechner für exakte Anforderungen pro Modell, Wie viel VRAM brauchen Sie? für Übersichten über Modellgrößen hinweg, Beste GPUs für lokale KI und Beste Budget-GPUs für Hardware-Empfehlungen sowie GPU vs. CPU vs. Apple Silicon für Plattformvergleiche. Ein ehrlicher Vorbehalt: Diese Leitfäden nutzen die LLM-VRAM-Formel (Parameter × Bits ÷ 8). Video-Diffusionsmodelle skalieren den VRAM-Bedarf zusätzlich mit Auflösung und Cliplänge – behandeln Sie deren Zahlen für Video-Workloads also als Untergrenze, nicht als Obergrenze.

Mit lokalen Modellen installieren Sie kein Videotool – Sie bauen eine Pipeline zusammen.

Das Generierungs-Setup. ComfyUI ist knotenbasiert: Sie bauen einen Workflow-Graphen aus Loadern, Samplern und Decodern selbst auf – oder importieren und debuggen einen bestehenden. Rechnen Sie mit CUDA-Versionskonflikten, PyTorch-Pins und dem gelegentlichen flash_attn-Installationsfehler, bevor Ihr erstes Bild gerendert wird.

Das Prompten. Videomodelle brauchen strukturierte Prompts – Einstellungsgröße, Kamerabewegung, Beleuchtung, Handlung des Subjekts – keine Einzeiler. Es gibt keinen eingebauten Prompt-Helfer und keine System-Prompt-Ebene; Sie schreiben die vollständige Struktur selbst. Unsere Leitfäden zu System-Prompts vs. User-Prompts und Prompt Engineering für lokale Modelle behandeln Grundlagen, die sich direkt auf Video-Prompting übertragen lassen.

Alles rund um den Clip. Lokale Modelle geben rohe, stumme (Ausnahme: LTX) Clips von 5–20 Sekunden aus. Skript, Voiceover, Musik, Stock-Footage, Untertitel und Schnitt sind jeweils separate Werkzeuge, die Sie selbst auswählen, installieren und miteinander verbinden.

Die Kurzversion, auf typische Situationen abgebildet:

InVideo ist vermutlich die bessere Wahl, wenn Sie:

• keine leistungsstarke GPU besitzen
• sofort mit dem Erstellen von Videos beginnen wollen
• ComfyUI, CUDA, Modelle oder Python-Umgebungen nicht installieren und konfigurieren wollen
• einen integrierten Workflow statt der Zusammenstellung mehrerer lokaler Tools bevorzugen
• Skripte, Stimme, Musik, Untertitel und Videogenerierung in einem Workflow brauchen
• fertige Videos wichtiger finden als das Experimentieren mit den zugrunde liegenden Modellen

Lokale KI ist vermutlich die bessere Wahl, wenn Sie:

• bereits passende GPU-Hardware besitzen
• maximale Kontrolle wollen
• mit Modellen und Workflows experimentieren wollen
• über starke technische Fähigkeiten verfügen
• Wert darauf legen, die Generierung lokal unter Kontrolle zu behalten
• sehr große Mengen generieren und die Grenzkosten pro Generierung optimieren wollen

Sie müssen sich nicht auf ein lokales GPU-Setup – oder ein kostenpflichtiges Abonnement – festlegen, nur um den Cloud-Workflow zu bewerten. Bevor Sie Hardware kaufen oder ein Wochenende mit ComfyUI verbringen, lohnt es sich, zunächst fünf Minuten den anderen Weg zu gehen:

1. Testen Sie InVideos kostenlose Version. 2. Erstellen Sie ein kurzes Video. 3. Bewerten Sie die Ausgabequalität und wie sich der Workflow angefühlt hat. 4. Vergleichen Sie diese Erfahrung mit dem Setup-Aufwand einer lokalen Installation.

Das verwandelt den Vergleich von etwas, worüber Sie lesen, in etwas, das Sie selbst testen können – in weniger Zeit, als den Rest dieses Artikels zu lesen braucht.

Gehen Sie lokal, wenn Sie eine GPU ab 12 GB haben (oder kaufen werden), gerne eigene Werkzeuge aufbauen und Privatsphäre sowie unbegrenzte Generierungen für 0 $ höher gewichten als Bequemlichkeit. Wan 2.2 ist die sicherste Grundlage – Top-Qualität, Apache 2.0, kein Kleingedrucktes –, mit LTX-2 als Spezialist für Geschwindigkeit und Ton.

Gehen Sie in die Cloud, wenn Sie die Hardware nicht haben, das Setup nicht wollen oder fertige Videos statt roher Clips brauchen. Für die meisten Menschen, die einfach nur KI-generierte Videos machen wollen, ist die Cloud-Route der einfachere Einstieg: Wenn Sie nicht bereits die Hardware und das technische Interesse mitbringen, die lokale Generierung erfordert, nimmt Ihnen InVideo den Großteil dieser Komplexität in einem einzigen Prompt ab, mit gebündeltem Modell, Assets und Automatisierung – ab 0 $ zum Testen und 17 $/Monat (jährliche Abrechnung), um das Wasserzeichen zu entfernen. Der einfachste Weg herauszufinden, ob es zu Ihrem Workflow passt, ist, die kostenlose Version zu testen.

Beide Türen führen zu KI-Video. Die Frage war nie, welche Technologie besser ist – sondern welcher Workflow zu Ihrer Maschine, Ihrer Geduld und Ihren Zielen passt.