H3 Max, Wan 3.0 und GPT Image 2.5: eine Pfütze, fünf Videomodelle

Videomodelle anhand ihrer Launch-Posts zu vergleichen, bringt dich nicht weiter: Jedes ist angeblich „das realistischste“ und „best in class“. Also haben wir es einfacher gemacht. Wir haben einen Prompt genommen, ihn an alle fünf Videomodelle auf ChatPlus geschickt und gemessen, wie lange jedes braucht und was dabei herauskommt.

Der Prompt: „Eine herbstliche Straße nach dem Regen, Golden Hour. Eine junge Frau in einem gelben Regenmantel springt in eine Pfütze, Wasser spritzt hoch, Ahornblätter wirbeln um sie herum. Sie lacht und sagt: ‚Der Herbst ist da!‘ Handkamera, natürliche Straßengeräusche.“

Zwei der fünf Modelle sind neu auf ChatPlus: H3 Max und Wan 3.0. Außerdem haben wir das Standardmodell für Bilder aktualisiert: GPT Image 2.5 läuft jetzt dort, wo bisher GPT Image 2 war. Gehen wir sie der Reihe nach durch — und am Ende schauen wir, welches Modell du wann nehmen solltest.

H3 Max: ein Clip, bevor dein Kaffee kalt wird

Fangen wir mit der Zahl an, die dieses Modell so spannend macht. Elf Sekunden. So lange dauerte es vom Klick auf den Button bis zum fertigen Fünf-Sekunden-Clip mit Ton, inklusive Warteschlange und Dateidownload. Die Generierung selbst braucht auf der GPU nur wenige Sekunden. Die anderen Modelle lagen beim selben Prompt irgendwo zwischen knapp einer Minute und fast vier Minuten.

Woher die Geschwindigkeit kommt: Die Basis ist MiniMax H3, ein Open-Weights-Videomodell des chinesischen Unternehmens MiniMax. Das Team von fal, einer der größten Plattformen für den Betrieb generativer Modelle, hat es nachtrainiert und für die eigenen Server neu aufgebaut. Das Ergebnis wurde Ende August als H3 Max veröffentlicht. Nach ihren Messungen stieg der Durchsatz gegenüber dem ursprünglichen H3 um etwa das 35-Fache, und in Blindvergleichen, bei denen Zuschauer den besseren von zwei Clips wählen, ohne zu wissen, welches Modell welchen Clip erzeugt hat, schlug H3 Max ein Dutzend Wettbewerber.

Tempo ist nicht der einzige Pluspunkt. H3 Max erzeugt immer Ton: Straßengeräusche, Schritte, Lachen, kurze Dialogzeilen. In unserem Test sprang die Frau in die Pfütze, die Blätter wirbelten um sie herum, und der Satz aus dem Prompt war klar zu hören. Einen Ton-Schalter gibt es nicht, und den braucht es auch nicht, weil Audio nichts extra kostet.

H3 Max, 11 Sekunden von der Anfrage bis zur Datei. Schalte den Ton ein für den Satz am Ende.

Jetzt zu den ehrlichen Grenzen. Die Auflösung liegt bei 768p, also unter Full HD. Für Storys, Reels und Entwürfe reicht das völlig, für die große Leinwand eher nicht. Und in komplexen Szenen mit schneller Bewegung ist H3 Max schlichter als die teuren Modelle: Details sind etwas weicher, die Wasserphysik etwas zurückhaltender.

Der Preis macht das wett: 40 Medien-Credits pro Sekunde, ein Fünf-Sekunden-Clip kostet also 200 Credits. Das ist das günstigste Video auf ChatPlus. So würden wir es nutzen: fünf oder zehn Varianten eines Prompts ausprobieren, die Idee finden, die funktioniert, und dann, wenn du möchtest, die finale Version an ein teureres Modell schicken.

Wan 3.0: Video, das aussieht wie mit dem Handy gedreht

Wan ist Alibabas Familie von Videomodellen. Die dritte Generation ging Anfang August 2026 in die Beta und wurde am 24. August für alle verfügbar. Alibaba hat den Fokus auf Menschen gelegt: lebensechte Gesichter aller Art, natürliche Mimik, Bewegung ohne den Plastik-Look, den viele KI-Modelle haben.

Das Modell kann mehr, als wir heute nutzen. Nativ erzeugt es Clips mit bis zu 30 Sekunden Länge und akzeptiert Text, Bilder, Audio und sogar Video als Eingabe. Auf ChatPlus kannst du 5-, 10- oder 15-Sekunden-Clips in 720p erstellen, aus einer Beschreibung oder aus deinem eigenen Foto.

In unserem Test lieferte Wan den alltagsnahesten Clip der fünf Modelle. Kein Werbeglanz: eine ganz normale Straße, Gummistiefel, Blätter, die direkt auf die Linse zufliegen. Es wirkt am ehesten wie ein Video, das eine Freundin mit dem Smartphone aufgenommen hat — genau das, was „Handkamera“ verlangte. Ton und gesprochener Satz sind beide da.

Wan 3.0, 2 Minuten 37 Sekunden. Das Material mit dem stärksten Smartphone-Gefühl unter den fünf.

Wir haben mehr als zweieinhalb Minuten gewartet. Für Videomodelle auf diesem Niveau ist das normal, aber nach H3 Max fühlt es sich wie eine Ewigkeit an.

Preislich liegt Wan 3.0 in der Mitte: 50 Medien-Credits pro Sekunde, und Ton ändert nichts an den Kosten. Ein Fünf-Sekunden-Clip kostet 250 Credits. Kling 3 Pro mit Ton kostet 420, Seedance Pro 760. Wenn du eine glaubwürdige Person im Bild brauchst, ohne zu viel zu zahlen, fang mit Wan an.

Ein Prompt, fünf Modelle

So haben alle fünf abgeschnitten. Die Zeit läuft von der Anfrage bis zur fertigen Datei, der Preis gilt für einen Clip dieser Länge mit Ton.

Veo 3.1 von Google lieferte die filmischste Einstellung: die Sonne direkt in der Linse, ein Teppich aus roten Blättern am Bordstein, ein großer Wasserspritzer, alles wie aus einem Werbespot. Veos Ton ist der beste im Feld, eher ein gemischter Soundtrack als nur darübergelegtes Rauschen. Es ist zugleich die teuerste Sekunde auf ChatPlus. Für Entwürfe gibt es Veo 3.1 Fast: schneller und deutlich günstiger.

Veo 3.1, 54 Sekunden. Gegenlicht und Farben wie in einem Werbespot.

Kling 3 Pro ging ganz anders an die Sache heran. Während des gesamten Clips blieb die Kamera auf ihren Füßen und den Wasserspritzern; wir hörten den Satz, sahen aber nie ihr Gesicht. Das Modell hat es nicht falsch verstanden, sondern „springt in eine Pfütze“ einfach wörtlich gelesen. Klings eigentliche Stärke liegt woanders: darin, Fotos zum Leben zu erwecken. Mehr dazu gleich.

Kling 3 Pro, 1 Minute 46 Sekunden. Stiefel, Spritzer und Spiegelungen, aber kein Gesicht.

Seedance Pro von ByteDance brauchte am längsten und ging mit Bewegung am sorgfältigsten um. Saubere Wasserflächen, die aus der Pfütze hochfliegen, Blätter mitten in der Luft, und eine Kamera, die von der Totalen bis ganz nah an ihr lachendes Gesicht fährt, als würde ein Kameramann nebenherlaufen.

Seedance Pro, 3 Minuten 54 Sekunden. Von der Totalen zur Nahaufnahme in einem Take.

Die Erkenntnis: Es gibt nicht das eine „beste“ Modell. Jedes hat seinen eigenen Charakter, und welches richtig ist, hängt vom Job ab.

GPT Image 2.5 ersetzt GPT Image 2

Jetzt zu Bildern. Am 8. September veröffentlichte OpenAI GPT Image 2.5 in zwei Versionen. Sunburst ist die präzise: Sie folgt dem Prompt genauer und ist besser beim Bearbeiten vorhandener Bilder. Flare ist die schnellere, einfachere Variante. ChatPlus nutzt Sunburst.

GPT Image 2 war bereits unser Standard, weil es so gut mit Text in Bildern umgehen kann. Version 2.5 ist bei Schrift noch sauberer und hält sich auch bei langen, detailreichen Prompts gut an die Vorgaben. Wir haben es mit demselben Herbstthema getestet: die Frau im gelben Regenmantel an einem Cafétisch mit einer Tasse Kakao, dazu handgeschriebener Text auf dem Fenster. Etwas mehr als eine halbe Minute später hatten wir das Bild: mit einer handgeschriebenen Überschrift auf der Scheibe und einer kleinen Preiszeile darunter, ohne einen einzigen kaputten Buchstaben. Es hat sogar von selbst hinten eine Menütafel ergänzt, und auch die sah sauber aus.

GPT Image 2.5, 36 Sekunden. Beide Zeilen auf der Scheibe waren beim ersten Versuch richtig.

Auch Bearbeitungen sind zuverlässiger. Lade ein Foto hoch und sag, was geändert werden soll: Das Modell ändert, worum du gebeten hast, und zeichnet seltener den Rest gleich mit neu.

Die Preise bleiben unverändert: 10 Medien-Credits pro Bild in Standardqualität und 50 in hoher Qualität. Wenn du GPT Image 2 ausgewählt hattest, musst du nichts tun: Der Generator hat selbst auf 2.5 umgestellt. GPT Image 2.5 ausprobieren.

Erst Bild, dann Video

Das spannendste Ergebnis des Tests passierte zufällig. Wir nahmen das Cafébild aus GPT Image 2.5 und gaben es an Kling 3 Pro, um es zu animieren. Dampf stieg aus dem Kakao, Tropfen liefen die Scheibe hinunter, die Frau lächelte. Und die Schrift auf dem Fenster verzog sich in keinem einzigen Frame, obwohl Text normalerweise das Erste ist, was Videomodelle kaputtmachen.

Bild von GPT Image 2.5, Bewegung von Kling 3 Pro.

Damit hast du ein zuverlässiges Rezept für Cover, Karten und Social-Clips. Zeichne zuerst den perfekten Frame in GPT Image 2.5: günstig, und mit korrektem Text. Dann erweckst du ihn in Kling 3 Pro oder Wan 3.0 zum Leben. Das ist deutlich planbarer, als die ganze Szene in Worten zu beschreiben und darauf zu hoffen, dass das Videomodell alles richtig anordnet.

Eine Einschränkung: Seedance Pro animiert keine Fotos echter Menschen, weil ByteDance sie blockiert. Für Porträts und Familienfotos nimm Kling 3 Pro: Es hält das Gesicht von der ersten bis zur letzten Sekunde wiedererkennbar.

Welches Modell du nehmen solltest

Kurz gesagt: Es hängt vom Job ab.

Schnell und günstig — eine Idee testen, eine Story bauen, Prompt-Varianten ausprobieren — H3 Max. Rund zehn Sekunden und 200 Credits pro Versuch.

Eine echt wirkende Person in einer alltäglichen, nicht werblichen Einstellung — Wan 3.0. Ton inklusive, Preis im Mittelfeld.

Dein eigenes Foto zum Leben erwecken — Kling 3 Pro. Gesichter, Kleidung und Schrift bleiben so, wie sie im Bild waren.

Ein filmischer Clip mit Ton in Filmqualität — Veo 3.1, und Veo 3.1 Fast für Entwürfe.

Komplexe Bewegung — Tanz, Sport, Wasser, Einstellungswechsel — Seedance Pro, wenn du bereit bist, länger zu warten und mehr zu zahlen.

Du kannst die Modelle direkt im Videogenerator wechseln, zum Beispiel mit H3 Max starten. Video und Bilder nutzen dieselben Medien-Credits, und der Preis eines Clips wird angezeigt, bevor du loslegst.

Kurz gesagt

ChatPlus hat zwei neue Videomodelle. H3 Max ist fals beschleunigte Version von MiniMax H3: ein Clip mit Ton in etwa zehn Sekunden, 200 Medien-Credits für fünf Sekunden, 768p. Wan 3.0 von Alibaba bringt lebensechte Menschen und natürliche Bewegung, mit Ton im Preis enthalten, 250 Credits für fünf Sekunden. Das Standard-Bildmodell ist jetzt GPT Image 2.5 von OpenAI: sauberer bei Text und Bearbeitungen, dieselben Preise von 10 und 50 Credits. In unserem Ein-Prompt-Test war H3 Max am schnellsten, Veo 3.1 am filmischsten und Seedance Pro am sorgfältigsten bei Bewegung.