Inzwischen habe ich Talking Avatars mit vier offenen Modellen gemacht: FlashHead Pro, MiniMax H3, LTX-2.5 und LongCat. Alle vier erledigen dieselbe Aufgabe: ein Porträt und ein Voiceover hinein, ein lippensynchrones Video heraus.
Eine Minute fertiges Video kostet irgendwo zwischen etwa 4 Cent und etwa 4 $, ein Unterschied um das 100-Fache, und die Qualität schwankt genauso stark. Ich habe etwa 300 $ meiner eigenen GPU-Zeit dafür ausgegeben und meine eigenen Projekte stundenlang laufen lassen, dieser Vergleich beruht also auf echten Langform-Renders. Jedes Modell hat einen eigenen Leitfaden und ein kostenloses Template; auf dieser Seite geht es darum, zwischen ihnen zu wählen.
Kurz gefasst
- Am günstigsten: FlashHead Pro, etwa 0,04 $ pro Minute, aber nur das Gesicht.
- Mein Favorit: LTX-2.5, ein Moderator mit ganzer Büste für etwa 0,19 $ pro Minute, der stundenlang laufen kann.
- Beste Qualität: LongCat, Halbkörper mit Händen, aber etwa 1–4 $ pro Minute und bis zu einer Stunde Rendern pro Minute.
- Für Avatare überspringen: MiniMax H3. Schwache Prompt-Treue, zufällige Zooms und eine Lizenz, die die USA, die EU, das Vereinigte Königreich und Südkorea ausschließt.
- Gegen kostenpflichtige Tools: FlashHead Pro ist grob 100-mal günstiger als HeyGen; LongCat kostet etwa gleich viel.
Die Zahlen nebeneinander
Meine Renders auf RunPod, On-Demand-Preise, Oktober 2026, pro Minute fertigen Videos:
| Modell | Ausgabe | GPU | Renderzeit pro Minute | Kosten pro Minute | 10-Minuten-Video |
|---|---|---|---|---|---|
| FlashHead Pro | Gesicht, 512 × 512 | RTX 5090 | ~1,8 Min. | ~0,04 $ | ~0,40 $ |
| MiniMax H3 | Büste, 768 × 768 | RTX 5090 | ~6,6 Min. | ~0,13 $ | ~1,30 $ |
| MiniMax H3 | Büste, 768 × 768 | RTX A5000 | ~16 Min. | ~0,07 $ | – |
| LTX-2.5 | Büste | RTX 5090 | ~9 Min. (Schätzung) | ~0,19 $ | ~1,90 $ |
| LongCat | Halbkörper, 960 × 960 | H100 | ~1 Std. | ~4 $ | 10–40 $ |
| LongCat | Halbkörper, 960 × 960 | RTX PRO 4500 | ~2,7 Std. | ~2 $ | |
| LongCat | Halbkörper, 640 × 640 | RTX PRO 4500 | ~1,4 Std. | ~1 $ |
Die Hardware-Anforderungen unterscheiden sich genauso stark. FlashHead Pro braucht in der Spitze 6,4 GB VRAM und läuft auf jeder Karte der RTX-30-, -40- oder -50-Serie mit 8 GB oder mehr; ich habe es auf einer 8-GB-RTX-3080-Laptop-GPU getestet. LongCat braucht 32 GB VRAM plus 60 GB oder mehr System-RAM.
Jedes Modell rendert in Abschnitten
Das Erste, was ich bei diesen Videos gelernt habe: Keines dieser Modelle rendert eine Minute in einem Durchgang. Sie rendern jeweils 5, 7 oder 10 Sekunden, und die Abschnitte werden zu einem Video zusammengefügt. Meine Templates übernehmen das Zusammenfügen für dich.
Sie rendern in Abschnitten, weil das Gesicht über eine lange Generierung wegdriftet und Glitches bekommt. Der eigentliche Unterschied zwischen den Modellen ist also, was an jedem Übergang passiert.
- LTX-2.5 und MiniMax H3 kehren für jeden Abschnitt zum Originalfoto zurück, etwa alle 5–7 Sekunden. Es wirkt trotzdem recht organisch.
- LongCat führt die Bewegung aus dem letzten Abschnitt weiter, sie ist also durchgehend. Ich erzwinge nur alle 40–60 Sekunden einen Neustart vom Porträt. Auch das Template von FlashHead Pro rendert standardmäßig durchgehend, ohne Zurücksetzen auf das Porträt.
FlashHead Pro: das günstigste
FlashHead Pro ist extrem schnell: eine Sekunde Video in etwa zwei Sekunden auf einer RTX 5090, sodass eine Minute in unter zwei Minuten für etwa 4 Cent rendert. Du kannst es auch lokal auf einer Consumer-Karte wie einer 3080 oder 4060 ausführen. Das ist langsamer, vielleicht 10 Sekunden Rendern pro Sekunde Video, aber immer noch sehr schnell.
Die Einschränkungen: Die Qualität ist nicht toll, und es ist nur auf Gesichtsausschnitten in 512 × 512 trainiert, also gibt es keine Schultern und keine Hände. Aber wenn du zwei Stunden Moderator in der Ecke des Bildschirms brauchst und die Qualität kaum eine Rolle spielt, ist es die ideale Wahl. Vollständiger Leitfaden: FlashHead Pro.
MiniMax H3: das gehypte
MiniMax H3 bekommt viel Aufmerksamkeit, weil es etwas günstiger und etwas schneller ist als manche der anderen. Aber für Avatare ist es nicht gut.
- Die Prompt-Treue ist schlecht. Es kann das Gesicht oder die Kleidung verändern, deshalb musst du sie immer im Prompt beschreiben, was bei den anderen Modellen selten nötig ist.
- Es zoomt ohne Grund auf das Gesicht, auch wenn der Prompt kein Zoomen und eine ruhige Kamera verlangt.
Seine Lizenz schließt außerdem die USA, die EU, das Vereinigte Königreich und Südkorea aus, auch dort, wo der Pod läuft. Für Unterhaltungsvideos mag es in Ordnung sein, aber für Avatare halte ich es nicht für lohnend. Vollständiger Leitfaden, mit den Workarounds: MiniMax H3.
LTX-2.5: mein Favorit
LTX-2.5 ist für mich das interessanteste. Es liefert einen konsistenten Moderator, der endlos laufen kann: Das erste und das letzte Frame jedes Abschnitts sind dasselbe neutrale Gesicht, sodass der Avatar spricht, zum neutralen Ausdruck zurückkehrt und dann wieder zu sprechen beginnt. Für einen Moderator wirkt das recht natürlich.
Mein Template findet die Pausen in deinem Voiceover und schneidet dazwischen Abschnitte von 3–12 Sekunden, und ein Skript fügt alles zu einem langen Video zusammen. Die Übergänge sind nicht perfekt: Das Rauschen ändert sich von Abschnitt zu Abschnitt ein wenig. Damit kann ich leben. Auf einer RTX 5090 sind es etwa 20 Cent pro Minute, und 30 Minuten Video brauchen ein paar Stunden zum Rendern. Vollständiger Leitfaden: LTX-2.5.
LongCat: die beste Qualität
LongCat ist gezielt auf sprechende Menschen trainiert, und das sieht man: echte Handbewegungen und ein voller Halbkörper-Ausschnitt. Es rendert Abschnitte von 3,7 Sekunden, führt die Bewegung aber von einem zum nächsten weiter.
Das Gesicht driftet nach 40, 60 oder 80 Sekunden tatsächlich, deshalb startet das Template neu vom Originalporträt. Auch die Hände sind ein Risiko: Wenn sie aus dem Bild gehen und zurückkommen, kann das Modell eine Uhr hinzufügen, die vorher nicht da war.
Auf einer H100 brauchte eine Minute Video eine Stunde Rendern und kostete etwa 4 $. Eine RTX PRO 4500 braucht etwa dreimal so lange, für etwa 2 $ pro Minute. Es ist die beste Qualität, aber auch das langsamste und teuerste, deshalb ist es nicht meine Wahl für den Alltag. Vollständiger Leitfaden: LongCat.
Open Source gegen HeyGen, Hedra, Kling und Higgsfield
Closed-Source-Avatar-Tools sind meiner Meinung nach überbewertet und extrem teuer. Hier sind ihre veröffentlichten Minutenpreise neben meinen Renders:
| Tool | Preis pro fertiger Minute | Quelle |
|---|---|---|
| FlashHead Pro (meine Renders) | ~0,04 $ | diese Website |
| LTX-2.5 (meine Renders) | ~0,19 $ | diese Website |
| LongCat (meine Renders) | ~1–4 $ | diese Website |
| HeyGen Avatar IV API | ~3–4 $ | HeyGen-Hilfe, Anam |
| Hedra Character-3 (720p) | ~3 $ | AdTestBench |
| Kling Avatar v2 | ~3,40 $ Standard, ~6,90 $ Pro | CostGoat |
| Higgsfield Speak 2.0 | ~5,50–12 $, je nach Tarif | Aliteq |
| Seedance 2.0, 720p (ein allgemeines Videomodell) | ~9 $ (BytePlus) bis ~18 $ (fal) | useapi.net, Wireflow |
Die Preise der kostenpflichtigen Tools wurden zwischen Juli und Oktober 2026 geprüft und ändern sich oft.
FlashHead Pro ist also pro Minute etwa 80- bis 110-mal günstiger als HeyGen und LTX-2.5 etwa 15- bis 20-mal günstiger. LongCat kostet etwa so viel wie HeyGen und Hedra, aber die Pipeline gehört dir.
Meine Empfehlungen
- Lange Voiceovers, so günstig wie möglich: FlashHead Pro.
- Ein Moderator mit ganzer Büste, der stundenlang läuft: LTX-2.5.
- Wenn ich wirklich die beste Qualität brauche: LongCat.
- MiniMax H3: Für Avatare würde ich es überspringen.
Die Modelle ausführen
Jedes Modell hat ein kostenloses Template auf GitHub und ein Ein-Klick-Template auf RunPod; die Links stehen im jeweiligen Leitfaden. Du kannst jedes davon auf zwei Wegen ausführen:
- Auf RunPod, mit dem Ein-Klick-Template, alles eingerichtet. Wenn du neu dabei bist, fang mit meiner Einführung in RunPod an.
- Lokal in ComfyUI, wenn deine GPU groß genug ist: Bitte Claude (oder eine beliebige KI), die Dateien von GitHub zu holen und in der Reihenfolge von
setup.shzu installieren.
| Modell | GitHub |
|---|---|
| FlashHead Pro | tenitsky/flashhead-pro-avatar |
| MiniMax H3 | tenitsky/minimax-h3 |
| LTX-2.5 | tenitsky/ltx-2.5-template-files |
| LongCat | tenitsky/longcat-avatar |
Wenn du dich über meinen RunPod-Empfehlungslink registrierst, bekommst du 5–500 $ RunPod-Guthaben. Ohne Empfehlungslink gibt es keinen Bonus. Ich bekomme denselben Bonus und nutze ihn für Rechenzeit.
Die Videoversion ansehen (5:56)
Alles oben steht auch im Video, falls du lieber am Bildschirm mitmachst. Das Video ist auf Englisch.
Häufige Fragen
Welches ist das günstigste Open-Source-Talking-Avatar-Modell?
Von den vier, die ich getestet habe, FlashHead Pro: etwa 0,04 $ pro fertiger Minute auf einer RTX 5090, wobei eine Minute in etwa 1,8 Minuten gerendert wird. Die Ausgabe ist ein Gesichtsausschnitt in 512 × 512.
Welches Open-Source-Avatar-Modell hat die beste Qualität?
LongCat-Video-Avatar 1.5: Halbkörper, Handbewegungen und durchgehende Bewegung. Es ist auch das langsamste und teuerste, etwa eine Stunde und 4 $ pro fertiger Minute auf einer H100.
Wie schneiden Open-Source-Avatar-Modelle beim Preis gegen HeyGen ab?
Gegenüber der Avatar-IV-API von HeyGen mit etwa 3–4 $ pro Minute ist FlashHead Pro etwa 80- bis 110-mal günstiger und LTX-2.5 etwa 15- bis 20-mal günstiger. LongCat kostet etwa so viel wie HeyGen und Hedra.
Warum rendern Avatar-Modelle in Abschnitten?
Keines von ihnen kann ein langes Video in einem Durchgang erzeugen, und über lange Generierungen driftet das Gesicht und bekommt Glitches. Deshalb rendern sie jeweils 3,7 bis 10 Sekunden, und die Abschnitte werden mit dem Original-Audio zusammengefügt.
Kann ich diese Modelle auf meiner eigenen GPU ausführen?
FlashHead Pro läuft auf jeder Karte der RTX-30-, -40- oder -50-Serie mit 8 GB oder mehr. LTX-2.5 und MiniMax H3 wollen 32 GB VRAM und LongCat 32 GB VRAM plus 60 GB oder mehr System-RAM.
Anton Tenitsky ist 3D-Artist mit mehr als 15 Jahren Erfahrung in der Computergrafik, tätig für Nickelodeon, Gameloft, Marvel Rivals und viele weitere Kunden. Mehr über mich