Videomodelle im Vergleich

Eine einzige Bestenliste führt in die Irre: die Arena wertet vier Mal getrennt — Text→Video und Bild→Video, jeweils mit und ohne Ton — und der Spitzenreiter kippt zwischen den Wertungen.

Quelle: Artificial Analysis Video Arena Stand — 21 Modelle ⚠ Nur eine belastbare Quelle ↔ Sprachmodelle (LLMs)

FL Pro Consultingfl-pro-consulting.de

Eine Zahl reicht nicht: vier getrennte Wertungen

Text→Video (T2V) und Bild→Video (I2V) werden getrennt gewertet, jeweils mit und ohne Ton. Je Wertung führt ein anderes Modell. ⚠ Mit-Ton und Ohne-Ton sind getrennte Elo-Pools — die Zahlen sind nicht achsenübergreifend vergleichbar.

Was sich zuletzt verschoben hat (Abruf 02.10.2026):

Neue Skala bei Text→Video: Artificial Analysis hat beide Text→Video-Pools im September neu verankert (Kling 3.0 1080p Pro = 1.000) und auf aktuelle Modelle beschränkt. Alle T2V-Werte liegen deshalb rund 80 bis 100 Punkte unter dem Stand vom 16.09. — die Reihenfolge ist vergleichbar, die Zahlen nicht. Die Bild→Video-Pools sind unverändert skaliert.
An der Spitze: Wan 3.0 führt beide Text→Video-Wertungen, Gemini Omni Flash Bild→Video ohne Ton. Bei Bild→Video mit Ton liegt ein fal-Nachtraining von MiniMax H3 („H3 Max“) vorn, das Original folgt auf Platz 2.
Neu gelistet: FLUX 3 (Black Forest Labs, Freiburg) steigt auf Platz 6 bei Text→Video mit Ton ein — das erste deutsche Modell im Spitzenfeld, vorerst nur per API. Seedance 2.5 (ByteDance) hat jetzt Arena-Werte (Platz 3 mit Ton) und mit $34,12/min den teuersten Arena-Preis der Liste.
Raus aus den Pools: Sora 2 wird seit dem API-Ende (24.09.2026) in keiner Wertung mehr geführt; Hailuo 2.3 ist aus dem Text→Video-Pool gefallen und hält nur noch den Bild→Video-Wert ohne Ton.

Alle Modelle vergleichen

Wertung und Filter gelten für alle drei Ansichten. Die Leiste bleibt beim Scrollen stehen und sagt, was gerade gezeigt wird.

Wertung

T2V · mit Ton I2V · mit Ton T2V · ohne Ton I2V · ohne Ton

Typ

Alle Open-Weight Gehostet

Herkunft

Alle China USA Andere

DSGVO

nur EU-hostbar

Detailgrad

Spaltenköpfe klicken zum Sortieren. Die Elo-Spalte zeigt immer die oben gewählte Wertung — die übrigen Wertungen stehen in der Karten-Ansicht, weil sie eigene Elo-Pools sind. „Technisch“ blendet Lizenzen und Specs ein.

China USA Andere EU-hostbar (DSGVO) noch ohne Wertung

Wie das Diagramm zu lesen ist

X = Qualität (belegter Headline-Elo: T2V mit Ton, sonst I2V/ohne Ton). Y = Preis ($/Sek. generiertes Video, logarithmisch, teuer oben). Farbe = Herkunft, grüner Ring = in der EU hostbar. Rechts (ab ~1.100 Elo) liegt das Spitzenfeld: grün unten = Sweet Spot (stark und günstig), violett oben = Premium.

Souverän & EU-hostbar

Wer Videogenerierung DSGVO-konform betreiben will, braucht offene, in der EU hostbare Modelle — bei denen die Lizenz EU-Hosting auch wirklich erlaubt. Diese kommen dafür in Frage:

Self-Hosting offener Videomodelle ist anspruchsvoll: GPU, Pipeline, Betrieb. Was davon realistisch auf eigener Hardware läuft, steht direkt darunter.

Läuft das auf meiner GPU?

Grafikkarte

Welches Modell wofür

Drei Fälle, drei Antworten — vollständig aus den Daten oben abgeleitet, nicht separat gepflegt.

Und wenn kein eigenes Infrastruktur-Team da ist? Den souveränen Weg gibt es auch ohne eigene GPU-Farm: über eine DSGVO-konforme Plattform wie Auxdata. Wie ein betriebsfertiger Server dafür aussieht, steht unter Lokale KI / On-Prem — wir beraten dazu.

Nachschlagen

Releases, Begriffe und die vollständige Methodik — aufklappen, wenn Du es brauchst.

Releases & Meilensteine — neueste zuerst, nach Monat gruppiert

Begriffe — Elo, T2V/I2V, Open-Weight, VRAM, Quantisierung

Elo. Punktzahl aus paarweisen Blindvergleichen (höher = öfter bevorzugt). Relativ, kein absolutes Qualitätsmaß — und tagesaktuell schwankend.

T2V / I2V. Text→Video erzeugt aus einem Prompt; Bild→Video animiert ein Startbild.

mit / ohne Ton. Getrennte Wertungen, weil nativer synchroner Ton ein eigenes Qualitätsmerkmal ist.

Elo-Pools. Mit-Ton- und Ohne-Ton-Leaderboards sind getrennte Wertungen mit eigenen Elo-Pools — die Zahlen sind nicht achsenübergreifend vergleichbar.

Open-Weight. Modellgewichte herunterladbar und selbst betreibbar. „Open-Weight“ heißt aber NICHT automatisch OSI-Lizenz, nicht automatisch EU-erlaubt und schon gar nicht „läuft bei mir“. Drei Fälle auf dieser Seite: HunyuanVideo und MiniMax H3 sind offen, schließen die EU aber per Territory-Klausel aus. LTX-2.3 ist EU-erlaubt, hat aber eine eigene Lizenz mit Umsatzgrenze. MAGI-2 (Apache 2.0) und Cosmos 3 Super (OpenMDW-1.1) sind ohne Einschränkung EU-tauglich — brauchen aber Rechenzentrums-GPUs. Auf einer Consumer-Karte läuft von allen offenen Modellen nur Wan 2.2.

VRAM. Speicher auf der Grafikkarte. Er begrenzt, welches Modell überhaupt hineinpasst — und damit Auflösung und Cliplänge. Nicht zu verwechseln mit dem Arbeitsspeicher des Rechners, der zusätzlich gebraucht wird, wenn Teile des Modells ausgelagert werden.

Quantisierung / GGUF. Gewichte werden gröber gespeichert (fp16 → fp8 → int8 → GGUF Q8 bis Q3), damit das Modell in weniger VRAM passt. Das kostet Bildqualität. GGUF ist das Format, das auf älteren Karten ohne fp8-Einheiten funktioniert — etwa auf der RTX 3090.

CPU-Offload. Teile der Pipeline (meist der Text-Encoder) liegen im Arbeitsspeicher statt auf der Grafikkarte. Spart VRAM, kostet Zeit — und setzt genug System-RAM voraus.

Diffusion / DiT. Bauart aktueller Videomodelle (Diffusion Transformer) — eine eigene Modellklasse, nicht mit Sprachmodellen vergleichbar.

„Alibaba-ATH“. Pseudonymes Leaderboard-Label (HappyHorse-1.0/1.1) — als Label zitiert, keine bestätigte Eigentümerschaft.

Methodik & Vorbehalte — eine Quelle, getrennte Elo-Pools, „—“ ist keine Schätzung