Seit Mitte Oktober 2026 testen wir zwei lokale KI-Aufbauten auf derselben Hardware: FLUX 3 Image Klein für die Bildgenerierung und Qwen3-TTS 1.7B für Sprachsynthese. Beide laufen auf einer RTX 4090 mit 24 GB VRAM unter Windows. Der Stand ist unterschiedlich. Das Bild ist einsatzbereit. Die Stimme ist im Test überzeugend, aber noch nicht im Dauerbetrieb. In diesem Artikel stehen die Messwerte beider Aufbauten, die Kosten und die rechtlichen Punkte.
Die Hardware
Bild und Stimme rechnen auf einer RTX 4090 mit 24 GB VRAM. Als Bildwerkzeug dient ComfyUI. Für die Sprache läuft Qwen3-TTS 1.7B (Apache 2.0) auf demselben Rechner. Beide Modelle sind frei verfügbar und brauchen kein Konto und keinen API-Schlüssel.
Lokal heißt: Das Modell rechnet auf einer Maschine im eigenen Netz. Die Referenzaufnahme liegt auf der eigenen Platte, die Bildbeschreibung verlässt den Rechner nicht. Ein Webformular, in das man eine Stimmprobe lädt, ist dagegen keine lokale Ausführung – die Probe ist dann übermittelt. Die Gegenprobe dauert zwei Minuten: Rechner vom Netz trennen, Text sprechen lassen, Bild erzeugen. Was weiterläuft, ist lokal.
Die Karte trägt einen Lauf zur Zeit. Bild und Stimme teilen sich dieselben 24 GB, vor einer Bildgenerierung muss das Sprachmodell aus dem Speicher. Wer Bild und Vertonung gleichzeitig braucht, braucht eine zweite Karte.
Bild: FLUX 3 Image Klein
Wir setzen FLUX 3 Image Klein von Black Forest Labs in der int8-Fassung ein, mit 16 Schritten und ohne Prompt-Upsampler.
| Test | Ergebnis | Umgebung |
|---|---|---|
| Bild mit rund 1 MP | 6–9 s | int8, 16 Schritte, RTX 4090 |
| Artikelbild, 1920 × 1120 | 6,1–8,1 s in sechs Läufen am 29.10.2026 | gleiche Einstellung |
| Dasselbe mit Qwen-Image-2512 | rund 94 s | Referenzwert aus dem Betrieb |
| Schrift im Bild | „KI IM HANDWERK“ und „WAS KMU 2026 WISSEN MÜSSEN“ buchstabengetreu, inklusive Ü | 1664 × 928, per Texterkennung geprüft |
| Platzierung | über Bounding-Boxen auf einem 0–1000-Raster | im Betrieb nachgestellt |
Der Unterschied zum Vorgängermodell ist die Laufzeit und die Schrift. Qwen-Image-2512 brauchte rund 94 Sekunden für ein Bild, FLUX 3 Image Klein schafft dasselbe in 6 bis 9 Sekunden. Beim Vorgänger funktionierte die Überschrift, Kleinschrift mit Umlaut nicht. FLUX 3 Image Klein setzt deutsche Zeilen mit Ü, Ä und Ö fehlerfrei und an der vorgegebenen Stelle.
Die kurze Laufzeit ändert die Arbeitsweise. Zehn Entwürfe eines Artikelbilds kosten rund eine Minute Rechenzeit, ein verworfener Entwurf kostet nichts. Vorher war jeder Versuch anderthalb Minuten, und man nahm das erste brauchbare Bild statt des besten. Jetzt gilt: erst Prompt und Breite, dann Auswahl.
Die Grenzen stehen in der Herstellerdokumentation. Erzeugter Text kann ungenau oder verzerrt sein, für lange Absätze ist das Modell das falsche Werkzeug. Bounding-Boxen führen die Platzierung, erzwingen sie aber nicht, Boxen unter etwa 40 × 25 Pixeln werden ignoriert. Und die Laufzeit sagt nichts über die Qualität: Ein Bild in sechs Sekunden muss das Motiv noch nicht treffen.
Der Aufwand ist überschaubar: ein ComfyUI-Server, ein Modell, ein Graph, vier Aufrufe (Auftrag senden, Status abfragen, Bild holen, bei Bedarf Referenzbild hochladen). Der Rest ist Prompt-Arbeit.
Die Kosten lassen sich rechnen, die Preise sind öffentlich. Der Cloud-Dienst von Black Forest Labs verlangt je Bild:
| Auflösung | Preis je Bild |
|---|---|
| 768² | 0,008 US$ |
| 1K | 0,009 US$ |
| 1,5K | 0,011 US$ |
| 2K | 0,014 US$ |
| 4K | 0,036 US$ |
Tausend Bilder im 1,5K-Format kosten über den Dienst rund 11 US$. Lokal fallen keine Stückkosten an, dafür Fixkosten für Hardware, Einrichtung und Pflege. Die Rechnung wird erst aussagekräftig, wenn die Karte auch andere Aufgaben trägt. Bei uns erzeugt sie Bilder, spricht Text, liest Schrift aus Bildern und wertet Bildinhalte aus. Wer eine Karte nur für Bilder kauft, kommt bei kleinen Mengen schlechter weg als der Dienst.
Stimme: Qwen3-TTS 1.7B
Der Zero-Shot-Test lief am 17.10.2026 mit einer Referenzaufnahme von 41,63 Sekunden. Danach wurden drei Sätze synthetisiert.
| Kennzahl | Wert | Messung |
|---|---|---|
| Verständlichkeit (WER) | 0,000 | Spracherkennung large-v3, drei Proben, gegen Originaltranskript |
| Sprecher-Ähnlichkeit | 0,934–0,946 | Resemblyzer; Obergrenze „gleiche Stimme“ 0,971 |
| Grundfrequenz (F0-Median) | Referenz 74 Hz, Proben 69–75 Hz | Pitch-Analyse |
| Echtzeitfaktor | 2,83–2,86 | Zeitmessung des Servers |
Die Werte entstehen ohne Fine-Tuning, also ohne Training auf die Zielstimme. Qwen3-TTS 1.7B klont eine Stimme aus wenigen Sekunden Referenzmaterial, empfohlen sind sechs bis zehn Sekunden sauberes Deutsch. Die Stimmähnlichkeit von 0,934 bis 0,946 liegt nahe an der Obergrenze 0,971, ab der zwei Stimmen als identisch gelten.
Der Echtzeitfaktor von 2,83 bis 2,86 bedeutet: Eine Minute gesprochener Text braucht knapp drei Minuten Rechenzeit. Für eine Vertonung, die ohnehin durch die Freigabe geht, ist das unerheblich. Für Echtzeitanwendungen wie Telefonate ist es ein Hindernis.
Zwei Einschränkungen zu den Zahlen. Die Wortfehlerrate misst Verständlichkeit, nicht Natürlichkeit. Ein Satz kann fehlerfrei erkannt und trotzdem falsch betont sein. Betonung, Pausen und Aussprache sind die Stellen, an denen lokale Systeme in unseren Tests am ehesten schwach waren. Und unser Abschlussfazit vom 27.10.2026 bewertet lokales Stimmenklonen als nicht produktionsreif. Dieser Befund stammt aus zwei anderen Modellfamilien: Ein Modell übernahm nach dem Fine-Tuning die Tonhöhe, aber nicht das Timbre der Vorlage, ein zweites fiel mit chinesischem Akzent und hektischer Prosodie aus. Die beiden Befunde widersprechen sich nicht, sie betreffen verschiedene Modelle.
Der Herstellerbenchmark von Qwen3-TTS erreicht beim Vorlesen fremder deutscher Texte eine Stimmähnlichkeit von 0,775 gegenüber 0,614 bei einem großen Cloud-Anbieter, liegt bei der Wortfehlerrate aber schlechter (1,235 gegen 0,572). Der Benchmark ist nicht unabhängig nachgemessen und misst etwas anderes als unser Test: fremden Text statt eigener Referenz.
Der Aufwand ist höher als beim Bild. Die gängigen Community-Server nehmen Text und Referenzaudio nicht in einem Aufruf entgegen. Wir haben einen eigenen, OpenAI-kompatiblen Server gebaut, der beides kann: eine registrierte Stimme per JSON oder eine Einzelaufnahme direkt mit dem Auftrag.
Der wichtigste Qualitätshebel fehlt noch: das Fine-Tuning auf eine feste Stimme. Dafür braucht es 30 bis 180 Minuten rohes Deutsch, ein Sprecher, ein Register, ausgesteuert auf einen Spitzenpegel zwischen −6 und −3 dB. Unsere erste Testaufnahme war unbrauchbar. In 5,14 Prozent der Samples stand exakt Null, ein Noise-Gate im Mikrofon-DSP hatte die leisen Stellen hart abgeschnitten. Für eine Hörprobe ist das egal, für Trainingsmaterial ist es Ausschuss.
Zu den Kosten der Stimme fehlt die Vergleichszahl. In unseren Quellen steht kein Cloud-Preis für Sprachsynthese. Die belastbare Aussage ist: Lokal entstehen keine Stückkosten, und die Maschine ist bereits bezahlt.
Datenschutz
Läuft die Erzeugung auf eigener Hardware in einem abgeschotteten Netzsegment und ist die Schnittstelle nicht aus dem Internet erreichbar, verlassen weder Stimmprobe noch Bildbeschreibung das Haus. Das ist eine Eigenschaft des Aufbaus und in zwei Minuten prüfbar.
Bei der Stimme wiegt das schwerer als beim Bild. Eine Bildbeschreibung ist ein Auftrag, eine Stimmaufnahme ordnet eine Aussage einer Person zu, sie ist biometrisch. Bleibt die Verarbeitung im Haus, findet keine Übermittlung statt.
„Lokal“ ist aber eine Eigenschaft der Verarbeitung, nicht des Zwecks. Ob ein konkreter Einsatz rechtmäßig ist, hängt an Zweck, Daten und Rechtsgrundlage. Lokales Klonen oder lokale Bildgenerierung ist nicht automatisch DSGVO-konform.
Zwei Prüfschritte gehören zum Betrieb. Autoupdates, Telemetrie und Lizenzabfragen können die Abschottung kippen, ein Werkzeug, das beim Start nach Hause telefoniert, ist nicht lokal. Und die Zwei-Minuten-Prüfung von oben gehört zur Abnahme. Für Betriebe mit kritischer Infrastruktur kommt die NIS-2-Richtlinie dazu: Artikel 21 verlangt dokumentierte technische und organisatorische Maßnahmen, etwa ein abgeschottetes Netzsegment und einen beschränkten, dokumentierten Zugriff.
Recht: Artikel 50 und Artikel 4
Beide Verfahren erzeugen synthetische Inhalte, dafür gelten Regeln aus der Verordnung (EU) 2024/1689.
Artikel 50 regelt die Transparenz. Anbieter von KI-Systemen, die synthetische Audio-, Bild-, Video- oder Textinhalte erzeugen, müssen die Ausgaben maschinenlesbar kennzeichnen (Absatz 2). Betreiber müssen offenlegen, dass Bild-, Ton- oder Videoinhalte künstlich erzeugt oder manipuliert wurden (Absatz 4). Die Offenlegung muss spätestens zur ersten Interaktion erfolgen (Absatz 5).
Zwei Punkte sind in der Praxis wichtig. Die Kennzeichnungspflicht trifft den Betreiber, also den, der veröffentlicht, nicht den Hersteller des Modells. Und Artikel 50 verlangt keine Einwilligung der geklonten Person, die Einwilligung ist eine eigene Pflicht daneben.
Artikel 4 regelt die KI-Kompetenz: Anbieter und Betreiber müssen sicherstellen, dass ihr Personal ausreichend KI-Kompetenz hat. Wer eine geklonte Stimme freigibt, muss wissen, was er freigibt. Artikel 4 gilt seit dem 02.02.2025, Artikel 50 ist seit dem 02.08.2026 durchsetzbar.
Dazu kommt die Lizenz des Bildmodells. FLUX 3 Image Klein steht unter der FLUX Kommunity License v1.0 mit drei Stufen. Sie erlaubt die kommerzielle Nutzung der Ergebnisse, verlangt aber eine Prüfung der Ergebnisse oder einen Inhaltsfilter und die Kennzeichnung als KI-erzeugt, wo das Gesetz sie fordert. Kleine und mittlere Nutzer unterhalb einer Umsatzschwelle nutzen die freizügigere Stufe. Wer FLUX 3 Image Klein in ein eigenes Produkt einbaut oder Kunden Zugriff gibt, braucht eine kommerzielle Vereinbarung.
Qwen3-TTS 1.7B bringt kein Wasserzeichen mit. Die Kennzeichnung ist deshalb ein redaktioneller Schritt mit einer verantwortlichen Person, kein automatischer Vorgang.
Lokal oder Dienst?
| Bedarf | Lokal | Cloud-Dienst |
|---|---|---|
| Serie: viele Motive oder Vertonungen im Monat | ja | nur bei Ausfall |
| Einzelnes Motiv im Quartal | nein | ja |
| Dauerhaft eigene Stimme | ja, nach Fine-Tuning | nur mit tragfähiger Rechtsgrundlage |
| Inhalte, die das Haus nicht verlassen dürfen | ja | nein |
| Produktbau, Weitergabe an Kunden | erst Lizenz, dann Technik | Lizenz beim Anbieter |
| Sendequalität ohne Nacharbeit bei Sprache | noch offen | Stand heute der Weg |
Beim Bild ist lokal heute die bessere Wahl. Bei der Stimme ist lokal im Test nahe dran und im Dauerbetrieb noch nicht bewiesen.
Was nicht belegt ist
- Der Mindest-Grafikspeicher ist in den Herstellerangaben widersprüchlich: „ab 8 GB“ für die int8-Fassung bei 1 MP steht gegen einen Betrieb auf 24 GB. Eine eigene Messung für 8 GB haben wir nicht.
- Die Speicherspitzen von 31, 26 und 25 GB stammen aus Herstellerläufen auf anderer Hardware.
- Für den Echtzeitfaktor gibt es zwei Schreibweisen aus zwei Läufen. Wir nennen 2,83–2,86 aus dem Stimmtest vom 17.10.2026.
- Ein Cloud-Preis für Sprachsynthese fehlt.
- Die Qualitätsranglisten der Hersteller sind interne Blindtests ohne offengelegte Stichprobe.
- Ob ein Fine-Tuning die Werte verbessert, ist offen, bis es gelaufen ist.
Drei Schritte vor der Bestellung
Erstens die Zwei-Minuten-Prüfung mit dem eigenen Text und Motiv. Zweitens eine eigene Probe mit dem eigenen Wortschatz: Firmenname, Materialbegriffe, Ortsnamen, ein echtes Motiv aus dem Betrieb. Drittens die Kennzeichnung als fester Schritt im Veröffentlichungsprozess, mit einer verantwortlichen Person.
Wie viele Motive und Vertonungen brauchen Sie im Monat, und wofür? Schreiben Sie uns zwei Sätze. Sie bekommen eine Einschätzung, ob lokal oder Dienst für Ihren Fall der richtige Weg ist.
Quellen
Alle Angaben stammen aus eigenen Messungen im Oktober 2026 oder aus Adressen, die am 15.10.2026 abgerufen und auf Abrufbarkeit geprüft wurden. Modellstände, Preise und Messwerte sind Momentaufnahmen.
- Eigene Messung Bild: sechs Läufe mit FLUX 3 Image Klein über ComfyUI, int8, 16 Schritte, RTX 4090 mit 24 GB Grafikspeicher, 29.10.2026 – 1920 × 1120 in 6,1–8,1 s, ohne Prompt-Upsampler; frühere Messreihe 15.10.2026: 1664 × 928 in 6,2 s, 1920 × 1120 in 12,2 s
- Eigene Prüfung Schrift im Bild und Platzierung, 15.10.2026: Texterkennung auf dem erzeugten Bild, Bounding-Box-Test mit zwei Textzeilen
- Eigene Messung Stimme, 17.10.2026: Qwen3-TTS 1.7B Base, drei Proben aus einer Referenzaufnahme; Verständlichkeit mit large-v3, Sprecher-Ähnlichkeit mit Resemblyzer, Grundfrequenz per Pitch-Analyse, Echtzeitfaktor aus der Zeitmessung des Servers
- https://bfl.ai/blog/flux-3-image-klein – Black Forest Labs, Blog zur Veröffentlichung von FLUX 3 Image Klein
- https://docs.bfl.ml/flux_3/flux3_image_klein – Black Forest Labs, Dokumentation (Spezifikationen, Auflösungen, Bounding-Boxen, Grenzen der Texterzeugung)
- https://huggingface.co/black-forest-labs/flux-3-image-klein – Modellkarte
- https://huggingface.co/black-forest-labs/flux-3-image-klein/blob/main/LICENSE.md – FLUX Kommunity License v1.0
- https://docs.bfl.ml/quick_start/pricing – Preisliste der API
- https://openrouter.ai/black-forest-labs/flux-3-image-klein – Preisspanne je Bild, 0,008 bis 0,036 US$
- https://arxiv.org/html/2601.15621 – Qwen3-TTS, technischer Bericht
- https://github.com/QwenLM/Qwen3-TTS – Projekt-Repository (Lizenz Apache 2.0, Fine-Tuning-Skripte)
- https://huggingface.co/collections/Qwen/qwen3-tts – Modellübersicht und Checkpoints
- https://wulffit.de/artikel/tts-deutsch/ – unabhängiger deutscher Praxistest mehrerer lokaler Sprachmodelle
- https://ai-act-service-desk.ec.europa.eu/de/ai-act/article-50 – AI Act Service Desk der EU-Kommission, Artikel 50
- https://ai-act-service-desk.ec.europa.eu/de/ai-act/article-4 – AI Act Service Desk der EU-Kommission, Artikel 4
- Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 4 und Artikel 50 im Volltext
Autor: Team REN-AI-SSANCE – mit KI-Unterstützung erstellt, von Menschen geprüft und freigegeben.
