Die besten unzensierten KI-Modelle 2026: Lokale LLMs, Bilder und Video für NSFW-Apps

Eine App mit erwachsenen Figuren braucht mehr als ein Modell, das bereit ist, eine NSFW-Szene zu schreiben. Das Gespräch muss zur Figur passen, die Porträts müssen wie dieselbe Person aussehen und ein generierter Clip muss dieses Aussehen während der Bewegung bewahren. Eine freizügige Antwort auf einen Prompt löst nur einen Teil der Aufgabe.

Meine Ausgangswahl ist Grok 4.7 für gehosteten Chat mit fiktionalen Erwachseneninhalten, Qwen Image 2.1 für die Erstellung und Überarbeitung einer fotorealistischen Figur und MiniMax H3 für kurze Animationen mit Ton. Für lokale Textgenerierung ist Hermes 4 14B ein sinnvoller rollenspielorientierter Kandidat, sofern er auf Ihren Rechner passt; Dolphin 3.0 8B ist ein kleinerer Einstieg. Diese lokalen Empfehlungen beruhen auf der dokumentierten Ausrichtung, nicht auf einem neuen Test der Erwachseneninhalte beider Modelle.

Ändern Sie diese Kombination, wenn sich die Aufgabe ändert: DeepSeek V4 Flash reduziert die Gesprächskosten, Anima Turbo zielt auf Anime-Bilder, Wan 3.0 unterstützt längere Aufnahmen und Seedance 2.5 akzeptiert einen größeren Satz visueller Referenzen. Im Folgenden geht es darum, eine nutzbare Kombination zu wählen, statt einen einzigen Sieger für unvereinbare Aufgaben auszurufen.

Illustration: Gespräch, freigegebenes Porträt und Bewegungsplan sind getrennte Bestandteile eines Figurenprojekts.

Die Vorauswahl: Wählen Sie nach dem benötigten Ergebnis

Die gehosteten Einträge sind konkrete SpicyAPI-Aufgaben. Ihr Verhalten belegt nicht die Richtlinie jeder Website, die dieselbe Modellfamilie verwendet. Ein unzensiertes Textmodell macht auch die verbundenen Bild- oder Videowerkzeuge nicht unzensiert.

Was dieses Ranking bewertet und was nicht

Dies ist eine aufgabenbezogene Vorauswahl mit getrennten Belegen für lokale und gehostete Modelle. Für gehostete Empfehlungen zu Geschichten für Erwachsene und visuellen Aufgaben verwenden wir unsere veröffentlichten Tests und die Modelltestaufzeichnungen hinter dem aktuellen Katalog. Für lokale LLMs verwenden wir die Modellkarten der Betreuer und die Laufzeitdokumentation. Wir haben keinen neuen abgestimmten Benchmark über alle diese Optionen hinweg durchgeführt.

Unser kategorieübergreifendes NSFW-Modellranking enthält detaillierte historische Bewertungen und Testbedingungen. Dieser Leitfaden beantwortet eine andere Frage: Welche Bestandteile sollten Sie kombinieren, wenn Sie privates lokales Schreiben, wiedererkennbare Figurenbilder und Animation im selben Projekt möchten?

Downloadzahlen messen weder Figurengedächtnis noch Bearbeitungsgenauigkeit. Auch die Parameterzahl ist unvollständig: Ein größeres Chatmodell kann in Ihrer Anwendung besser schreiben, aber seine Größe sagt nicht, ob ein Videogenerator ein Gesicht bewahrt.

Lesen Sie bei NSFW-Arbeit ein Ergebnis in drei Stufen. Hat der Dienst die Anfrage akzeptiert? Enthielt die Ausgabe den gewünschten Inhalt statt eines abgeschwächten Ersatzes? Blieb sie brauchbar: stimmige Prosa, die richtige Figur, plausible Anatomie oder anhaltende Bewegung? Die erste Stufe zu bestehen ist kein Qualitätsurteil.

Diese Unterscheidung begrenzt auch, was eine Illustration zeigen kann. Die erklärenden Bilder in diesem Artikel beschreiben den Workflow. Sie sind keine Ausgaben der bewerteten Modelle und kein Beleg für deren maximalen Inhaltsbereich.

Lokale unzensierte LLMs: Wählen Sie Kontrolle und Eignung vor Größe

Lokale Textgenerierung ist attraktiv, wenn Sie unveröffentlichte Figurenprofile und Gespräche auf Ihrem eigenen Rechner behalten möchten. Außerdem können Sie eine Modellversion unverändert halten. „Lokal“ beschreibt jedoch den Ort der Inferenz. Es garantiert weder die Schreibqualität des Modells noch entfernt es jede während des Trainings erlernte Ablehnung.

Hermes 4 14B: Ein Kandidat für Figurentexte und strukturierte Szenennotizen

Die Modellkarte zu Hermes 4 14B von Nous Research beschreibt ein auf Qwen 3 14B basierendes Modell mit Rollenspiel, Steuerbarkeit, strukturierten Ausgaben und optionalem Reasoning. Quantisierte Varianten sind für kompatible lokale Anwendungen verfügbar. Diese Fähigkeiten machen es interessant für ein Projekt mit Geschichten für Erwachsene, das sowohl Dialog als auch maschinenlesbare Szenennotizen benötigt.

Fordern Sie die Figurenantwort und die visuelle Beschreibung getrennt an. Letztere kann Raum, Outfit und Ausdruck enthalten. So bleibt ein langes Gespräch in der Ich-Perspektive außerhalb eines Bildprompts, dessen Aufgabe die Beschreibung eines einzelnen Bildes ist.

• Wählen Sie es, wenn: Sie ein 14B-Modell unterbringen können und die Figurenanweisungen sowie das Ausgabeformat direkt kontrollieren möchten.
• Erwägen Sie eine andere Route, wenn: Sie sofort zuverlässige gehostete Verfügbarkeit brauchen oder Ihr Rechner bei der tatsächlich genutzten Gesprächslänge langsam wird.

Öffnen Sie für den Desktop-Einstieg die Registerkarte Discover von LM Studio, suchen Sie Hermes-4-14B, wählen Sie eine kompatible GGUF-Quantisierung, laden Sie sie herunter und laden Sie sie anschließend in Chat. Prüfen Sie, ob es sich um Hermes 4 auf Qwen 3 14B und nicht um ähnlich benannte Hermes-3-Gewichte handelt. Der Download-Leitfaden von LM Studio erklärt Format und Quantisierungswahl. Als allgemeinen Einstieg empfiehlt er eine 4-Bit-Option oder höher, sofern Ihr Rechner sie ausführen kann. Wir haben weder die NSFW-Erfolgsquote dieses Modells noch seine Figurenkontinuität über hundert Gesprächsrunden gemessen.

Dolphin 3.0 8B: Der kleinere Einstieg

Dolphin 3.0 bei Ollama basiert auf Llama 3.1 8B. Der aufgeführte Standarddownload ist etwa 4.9 GB groß und hat ein nominelles Kontextfenster von 128K. Die Betreuer betonen vom Betreiber kontrollierte Anweisungen und einen steuerbaren Allzweckassistenten.

Das ist ein sinnvoller Weg, lokales Entwerfen auszuprobieren, bevor Sie ein viel größeres Modell herunterladen. Sie können es für Figurenbiografien, alternative Dialoge, Szenenzusammenfassungen und erste visuelle Beschreibungen verwenden. Seine allgemeine Ausrichtung ist zugleich der Grund, warum es für Ihren bevorzugten Schreibstil nicht automatisch über einem spezialisierten Fiktionsmodell stehen sollte.

Die Downloadgröße ist keine vollständige Speicheranforderung. Laufzeitumgebung, Gesprächscache und andere geladene Anwendungen brauchen ebenfalls Speicher. Ein beworbenes Kontextfenster ist nicht unbedingt der Kontext, den Sie tatsächlich nutzen. Beginnen Sie mit den gewählten Laufzeiteinstellungen und prüfen Sie, wie viel Verlauf tatsächlich erhalten bleibt, bevor Sie ein vergessenes Detail dem Modell zuschreiben.

Ein lokales Modell starten, ohne Hardwareangaben falsch zu verstehen

Ollama bietet nach der Installation einen einfachen Einstieg:

ollama run dolphin3
ollama ps

Der erste Befehl lädt das Modell bei Bedarf herunter und startet es. Der zweite zeigt das geladene Modell, die Prozessorzuweisung und den aktiven Kontext. Diese Befehle dienen als Installationshilfe. Wir haben sie auf Ihrer Hardware nicht benchmarkgetestet.

Ollamas Dokumentation zur Kontextlänge erklärt, dass ein größerer Kontext mehr Speicher benötigt. Ein Modell, das schnell auf eine kurze Biografie antwortet, kann bei einem langen Gespräch langsam werden. Reduzieren Sie den aktiven Verlauf oder verwenden Sie eine knappe Szenenzusammenfassung, bevor Sie annehmen, ein größeres Modell zu brauchen.

Für ein Textmodell ist nicht unbedingt eine dedizierte GPU nötig. Ollama unterstützt CPU-Laden und teilweises CPU/GPU-Offloading, was allerdings die Geschwindigkeit verändert. Seine FAQ unterscheidet außerdem lokale Inferenz und cloudgehostete Modelle und bietet eine Einstellung für ausschließlich lokalen Betrieb. Wenn Sie diese Route wählen, um Text auf Ihrem Gerät zu behalten, prüfen Sie Laufzeitumgebung, Frontend, Cloudfunktionen und verbundene Werkzeuge zusammen.

Bei einer erwachsenen Figur braucht das Gedächtnis mehr als ein großes Tokenlimit. Halten Sie ein kurzes, stabiles Figurenprofil getrennt von der veränderlichen Szenenzusammenfassung: Alter, Aussehen, Beziehungen, Sprechstil und aktueller Ort. Aktualisieren Sie die Zusammenfassung beim Szenenwechsel. Ein Chatmodell kann nur den Verlauf verwenden, den Ihre Anwendung tatsächlich sendet.

Das behandelt ein wiederkehrendes Community-Problem. In einer LocalLLM-Diskussion über längere Rollenspiele wünschte sich der Verfasser weniger Ablehnungen, berichtete aber auch über Persönlichkeitsabweichungen und zu schnelle Intensivierung von Szenen. Das ist eine nützliche Auswahlfrage, kein Beweis, dass eines der empfohlenen Modelle sie löst. Freizügigkeit und erzählerische Kontrolle sind getrennte Qualitäten.

Illustration: Stabile Figurendetails und die Zusammenfassung der aktuellen Szene erfüllen in einem langen Gespräch unterschiedliche Aufgaben.

Gehostete LLMs: Grok für direktes Schreiben, DeepSeek für ein kleineres Budget

Gehostete Textgenerierung erspart Ihnen, ein lokales Modell geladen zu halten, und lässt Sie im Browser oder mit einem Anwendungsclient beginnen. Für ein NSFW-Projekt wählen Sie ein bestimmtes gehostetes Modell wegen seiner beobachteten Antworten auf Ihre Art von Texten und nicht allein aufgrund seiner allgemeinen Reasoning-Bewertung.

Grok 4.7: Die erste gehostete Option, die ich für Geschichten für Erwachsene ausprobieren würde

In unserer Rollenspielauswertung vom 22. September erfüllte Grok 4.7 alle neun Anfragen über drei Arten der Formulierung hinweg, einschließlich direkter Anfragen. Das gibt ihm eine stärkere Ausgangsbasis für Chat mit Geschichten für Erwachsene als einem Modell, das nur unter einer bestimmten Fiktionskonfiguration antwortete. Der Artikel zu Grok 4.7 im Rollenspiel erklärt diese Auswertung. Sie ist weder ein Test jeder Szene noch eine Messung des langfristigen Figurengedächtnisses.

Die Chat-Aufgabe von Grok 4.7 nennt einen Kontext von 500000 Tokens. Für gewöhnliche Fiktion unterhalb seiner Preisschwelle für langen Kontext betragen die öffentlichen Sätze vor gegebenenfalls anwendbarem Caching $2.00 pro Million Eingabetokens und $6.00 pro Million Ausgabetokens.

Bei diesen Sätzen kosten hundert Runden mit jeweils 10000 Eingabetokens und 1000 Ausgabetokens $2.60: $2.00 für eine Million Eingabetokens plus $0.60 für 100000 Ausgabetokens. Das ist eine Beispielrechnung mit fester Verlaufsgröße, nicht die Rechnung für ein Gespräch, dessen Verlauf mit jeder Runde wächst. Zusätzliche Reasoning-Ausgabe kann die Summe ebenfalls verändern.

Verwenden Sie klare Fiktionsanweisungen, auch wenn ein Modell direkte Anfragen akzeptiert. Sagen Sie, wer spricht, was die aktuelle Szene ist, wie lang eine Antwort sein soll und ob die Handlung vorangetrieben werden darf. Für interaktives Rollenspiel ist „schreibe nicht die Dialoge oder Entscheidungen des Nutzers“ oft hilfreicher als ein Absatz allgemeiner Freiheitsversprechen.

DeepSeek V4 Flash: Die Budgetwahl mit anderer Schreibkonfiguration

DeepSeek V4 Flash Chat hat öffentliche Sätze von $0.44 pro Million Eingabetokens und $1.32 pro Million Ausgabetokens. Dasselbe Beispiel mit festem Verlauf kostet vor Caching und zusätzlicher Reasoning-Ausgabe $0.572, also ungefähr $0.57.

Unsere früheren Tests von Fiktion für Erwachsene zeigten einen wichtigen Unterschied: Direkte Anfragen wurden abgelehnt, während eine Einrahmung als Roman und ein Fiktions-Systemprompt in den getesteten Stichproben passende Antworten erzeugten. Das spricht dafür, es für eine klar definierte Fiktionsanwendung auszuprobieren. Es rechtfertigt nicht das Versprechen, jede direkte NSFW-Anfrage funktioniere, weil der Katalog die Aufgabe als uneingeschränkt bezeichnet.

Ich würde hier für Szenenentwürfe, Figurenzusammenfassungen und kostenbewusste Fiktion beginnen und Grok wählen, wenn das direkte Schreibverhalten wichtiger ist als der Unterschied der Tokensätze. Ein Modell, das kürzere Szenen schreibt, kann auch eine weitere Runde benötigen, um die gewünschte Detailtiefe zu erreichen. Vergleichen Sie den gesamten Austausch statt nur den Preis pro Token.

Eine ausführlichere Auswahl gehosteter Chats einschließlich anderer getesteter Modelle finden Sie in unserem Vergleich von Rollenspiel-LLMs. Ein lokales Modell bleibt die Alternative, wenn der Text vor allem auf Ihrem Gerät bleiben soll.

Bildmodelle: Eine Figur erstellen und eine Figur bewahren sind unterschiedliche Aufgaben

Ein Creator mit Erwachseneninhalten braucht oft eine Bildserie statt eines einzelnen attraktiven Ergebnisses. Die wichtigste Unterscheidung lautet: Erfinden Sie eine Figur aus Text oder ändern Sie eine bereits freigegebene Figur? Dieselbe Beschreibung zu wiederholen kann ein wiedererkennbares Thema erzeugen, ersetzt aber nur schwach die Bereitstellung des tatsächlichen Gesichts und der Komposition, die Sie bewahren möchten.

Qwen Image 2.1: Der Einstieg für eine fotorealistische Figur mit Bearbeitungsweg

Qwen Image 2.1 Text-zu-Bild kostet $0.024 bei 1K und $0.048 bei 2K. Die separate Bearbeitungsaufgabe akzeptiert bis zu zehn Referenzen und unterstützt eine Schwarz-Weiß-Maske für lokale Änderungen. Der aktuelle Kostenvoranschlag einer Bearbeitung hängt von Konfiguration und Referenzeingaben ab. Der Generierungspreis ist kein Bearbeitungspreis.

Die Septembertests des Unternehmens umfassen Generierung und Bearbeitung erwachsener Figuren mit sowohl erfüllten als auch abgeschwächten Ergebnissen in den umfassenderen Aufzeichnungen. Das gibt Qwen eine relevante Vorgeschichte beim Inhaltsverhalten und lässt zugleich Raum für Unterschiede je nach Anfrage. Es bedeutet weder korrekte Hände in jedem Ergebnis noch ein unberührtes Referenzgesicht.

Mein praktischer Grund für die Wahl ist der Übergang vom Erfinden zum Überarbeiten. Generieren Sie einige Figurenkonzepte, geben Sie eines frei und verwenden Sie dieses Original anschließend als Referenz für spätere Szenen. Muss nur die Umgebung wechseln, benennen Sie, was bleibt: Gesicht, Haare, Outfit, Pose und Bildausschnitt. Eine Maske hilft, wenn sich die Aufgabe tatsächlich auf einen Bereich begrenzen lässt. Sie verspricht keinen perfekten Erhalt außerhalb davon.

Für einen fiktiven erwachsenen Companion kann das den Unterschied zwischen einer Reihe unabhängiger Porträts und einer nutzbaren Figurenbibliothek ausmachen. Bearbeiten Sie nicht ständig ein zunehmend verändertes Ergebnis weiter, nur weil sein Gesicht beinahe stimmt. Zum freigegebenen Original zurückzukehren gibt der nächsten Anfrage einen klareren Ausgangspunkt.

Qwen Image 3.0: Wählen Sie es, wenn das endgültige Bild 2K und Schrift benötigt

Qwen Image 3.0 Text-zu-Bild ist bei 1K und 2K mit $0.03 pro Bild aufgeführt. Seine dokumentierte Typografieunterstützung ist für ein Poster mit einer erwachsenen Figur, eine Titelkarte oder eine Szene mit einem kurzen zitierten Schild relevant.

Das ist ein konkreter Wechselgrund, statt anzunehmen, die höhere Versionsnummer verbessere jeden Aspekt jedes Porträts. Schreiben Sie den sichtbaren Wortlaut exakt aus und halten Sie ihn kurz genug, um ihn prüfen zu können. Soll das Bild eine wiedererkennbare Figur und einen Titel enthalten, beurteilen Sie beides. Ein lesbarer Titel gleicht ein falsches Gesicht nicht aus.

Die Bearbeitungsaufgabe von Qwen Image 3.0 akzeptiert bis zu drei Referenzen. Qwen Image 2.1 akzeptiert mehr. Das ist wichtig, wenn Sie bereits einen Figurensatz aus mehreren Winkeln sowie separate Garderoben- und Ortsreferenzen besitzen. Es ist viel weniger wichtig, wenn Sie ein einzelnes Poster aus Text generieren.

Seedream 5.0 Pro Edit: Geben Sie jeder Referenz eine Aufgabe

Seedream 5.0 Pro Edit akzeptiert eine bis zehn Referenzen und erzeugt ein Bild bei 1K oder 2K. Seine Katalogsätze pro Ausgabe betragen entsprechend $0.036 und $0.072. Verwenden Sie die Anfrageschätzung für Ihre eingereichte Konfiguration.

Es ist eine nützliche Alternative zum Kombinieren von Figur, Outfit und Umgebung. Zum Beispiel: „Verwenden Sie Bild eins für Gesicht und Haare der erwachsenen Figur, Bild zwei für das blickdichte Satin-Outfit und Bild drei für den Raum. Halten Sie die Kamera auf Augenhöhe.“ Das ist ein nicht ausgeführtes kreatives Beispiel, zeigt aber die Art von Anweisung, die die Aufgabe akzeptieren kann.

Mehr Referenzen sind nicht automatisch besser. Drei Fotos mit verschiedenen Frisuren können dem Modell widersprüchliche Hinweise zum Aussehen geben. Weicht die Identität ab, vereinfachen Sie den Referenzsatz und ändern Sie weniger Dinge gleichzeitig. Unsere früheren Seedream-Bearbeitungstests enthielten sowohl erfüllte Ergebnisse als auch ein beschnittenes, abgeschwächtes Ergebnis. Seine Vorgeschichte mit Erwachseneninhalten sollte daher nicht als Erhaltungsgarantie gelesen werden.

Anima Turbo: Verwenden Sie ein Anime-Modell für ein Anime-Projekt

Anima Turbo Text-zu-Bild zielt auf Anime und Illustration, akzeptiert Tags oder Sätze und kostet $0.012 bei 1K oder $0.024 bei nativem 1.5K. Seine Testaufzeichnungen vom 5. Oktober enthalten Prüfungen erwachsener Figuren. Sie belegen das Verhalten in den getesteten Stichproben, keine allgemeine Qualitätsrangfolge über sämtliche Anime-Checkpoints.

Seine Bild-zu-Bild-Aufgabe ist ein Weg zur Umgestaltung. Sie eignet sich, wenn Sie eine vorhandene Komposition als Illustration neu zeichnen lassen möchten. Für eine präzise Anweisung wie das Ändern nur eines Ärmelabschlusses unter Erhalt aller übrigen Pixel ist sie ungeeignet. Wählen Sie dafür einen anweisungsbasierten Editor.

Die Text-zu-Bild-Aufgabe bietet keinen Negativprompt, Sampler, keine Schrittzahl und keine Guidance-Steuerung. Beschreiben Sie Figur, Komposition und Ausschlüsse im unterstützten Prompt, statt ein langes Rezept mit lokalen Diffusionseinstellungen in Felder zu kopieren, die diese Aufgabe nicht besitzt.

Videomodelle: Wählen Sie vor der Stufe das richtige Ausgangsmaterial

Für eine vorhandene NSFW-Figur ist Bild-zu-Video meist der direktere Einstieg, weil das Standbild Aussehen und Szene bereits enthält. Text-zu-Video erfindet diese Anfangskomposition. Referenz-zu-Video nutzt Materialien, um die Aufnahme zu beeinflussen, ohne notwendigerweise ein Bild als ihren ersten Frame zu behandeln.

MiniMax H3: Kurze Animation mit Ton

MiniMax H3 Bild-zu-Video akzeptiert ein Anfangsbild und ein optionales Schlussbild mit einem Bewegungsprompt. Die Aufgabe unterstützt vier bis fünfzehn Sekunden mit generiertem Ton. Fünf Sekunden kosten $0.185 bei 768p oder $0.29 bei 2k.

Seine Belege für Erwachseneninhalte enthalten erfüllte Tests mit KI-generierten Eingabebildern. Diese Einschränkung zählt: Sie belegt nicht das Verhalten jedes echten Fotos. Die Referenzaufgabe hat außerdem eine andere Beleggeschichte als die Anfangsbildaufgabe. Behandeln Sie den Familiennamen daher nicht als allgemeine Garantie für Eingaben.

Beginnen Sie für eine Figurenbegrüßung mit Ausdruck, Outfit und Ausschnitt, die im Standbild bereits freigegeben sind. Verlangen Sie zuerst eine Hauptaktion, beispielsweise zur Kamera zu blicken und eine kurze Zeile zu sprechen, bevor Sie große Kamerabewegung oder eine komplizierte Abfolge ergänzen. Das ist ein vorgeschlagener Produktionsansatz, keine Behauptung einer gemessenen Erfolgsquote für dieses Beispiel.

Wan 3.0: Wenn ein kurzer Clip nicht genügt

Wan 3.0 Bild-zu-Video unterstützt zwei bis dreißig Sekunden, ein optionales Schlussbild und generierten Ton. Bei 480p beträgt der öffentliche Satz $0.045 pro Sekunde: Fünf Sekunden kosten $0.225, zehn Sekunden $0.45 und dreißig Sekunden $1.35.

Das ist ein sinnvoller Kandidat für eine langsamere Szene oder eine längere Figureneinführung. Die Septemberaufzeichnungen enthalten erfüllte Prüfungen intensiverer Erwachseneninhalte mit Unterschieden zwischen Aufgaben und einzelnen Durchläufen. Sie sprechen dafür, das Modell für diese Arbeit in Betracht zu ziehen. Sie garantieren nicht, dass ein Clip von dreißig Sekunden genauso konsistent bleibt wie ein kurzer Test.

Schreiben Sie die Aktionsfolge passend zur Dauer. Machen Sie bei einer längeren Aufnahme Anfang, Mitte und Ende klar. Weicht das Gesicht früh ab, repariert die Bezahlung zusätzlicher Sekunden den ersten Abschnitt nicht. Kürzen Sie die Bewegungsbeschreibung oder überarbeiten Sie das Anfangsbild, bevor Sie die Dauer steigern.

Seedance 2.5: Wenn die Referenzen mehr Regiearbeit übernehmen

Seedance 2.5 Referenz-zu-Video akzeptiert bis zu dreißig Bilder, zehn Videoclips und zehn Audiospuren. Diese Grenzen sind relevant, wenn Aussehen einer Figur, Raum, Kamerabewegung und eine Tonreferenz eine Aufnahme beeinflussen sollen.

Trennen Sie ihre Aufgaben. Ein Figurenbild liefert das Aussehen, ein Bewegungsclip die Bewegung und eine Audiospur Ton oder Timing. Eine große Sammlung unbeschrifteter Referenzen gibt weniger klare Kontrolle als ein kleiner Satz mit ausdrücklichen Rollen.

Die Abrechnung von Referenzvideo kann die Dauer der Eingabeclips einschließen. Multiplizieren Sie nicht nur die gewünschten Ausgabesekunden mit dem niedrigsten angezeigten Satz und nennen Sie dies die Gesamtsumme. Für eine einfachere Seedance-2.5-Aufgabe mit Anfangsbild ergeben fünf Sekunden bei 480p zum aufgeführten Satz von $0.1234 pro Sekunde $0.617. Die Schätzung der Referenzaufgabe benötigt ihre eigenen Eingaben.

Wenn Sie nur günstige, stumme Bewegung aus einem Standbild brauchen, ist Wan 2.2 Spicy Bild-zu-Video eine weitere Option: Fünf Sekunden bei 480p kosten bei ausgeschalteter Prompt-Erweiterung $0.095. Seine festen Längen von fünf oder acht Sekunden und das fehlende Audio sind relevante Grenzen, keine beiläufigen Kleingedruckt-Unterschiede gegenüber den obigen Modellen.

Illustration: Ein Anfangsbild, eine Bewegungsreferenz und eine Tonreferenz tragen unterschiedliche Informationen zu einem Clip bei.

Eine nutzbare Kombination für ein Projekt mit einer erwachsenen Figur

Angenommen, Sie erstellen einen fiktiven erwachsenen Companion mit kurzen Gesprächen, einer kleinen Porträtbibliothek und gelegentlichen animierten Begrüßungen. Das ist ein Planungsbeispiel, kein von uns ausgeführter Produktionsdurchlauf.

Beginnen Sie mit dem Textmodell. Schreiben Sie ein kompaktes Figurenprofil, das Stimme und Beziehungen festlegt, und danach eine Zusammenfassung der aktuellen Szene. Halten Sie die visuelle Beschreibung getrennt: Gesicht, Frisur, Outfit und Ort. Wählen Sie Grok für das direkter belegte gehostete Schreibverhalten, DeepSeek für niedrigere Tokenkosten oder ein lokales LLM, wenn der Text auf Ihrem eigenen Rechner bleiben soll.

Generieren Sie anschließend die Porträtkonzepte. Wählen Sie das visuelle Modell nach Stil: Qwen Image 2.1 für den hier beschriebenen fotorealistischen Weg, Anima Turbo für Illustration. Geben Sie ein Original frei, bevor Sie eine Bibliothek erstellen. Nutzen Sie Bearbeitung, wenn eine neue Szene die ursprüngliche Figur bewahren muss, statt jedes Bild als unabhängige Textgenerierung zu behandeln.

Animieren Sie erst dann ausgewählte Bilder. Wählen Sie MiniMax H3 für eine kurze Begrüßung mit Ton, Wan 3.0 für eine längere Aufnahme oder Wan 2.2 Spicy für eine stumme Vorschau. Ein Figurenbild sollte nicht in jeder Chatrunde generiert werden, nur weil die Anwendung eine Bild-API aufrufen kann. Lösen Sie dies aus, wenn sich die Szene oder visuelle Anfrage tatsächlich verändert.

Die Rechnung macht diese Trennung konkret:

Der Ersatz dieser Textrunden durch DeepSeek V4 Flash senkt die berechnete Summe auf $2.902. Dies sind Generierungsbudgets, keine Zusagen von zwanzig brauchbaren Porträts oder zehn brauchbaren Clips. Jede erfolgreiche, aber ungeeignete Ausgabe kann einen weiteren kostenpflichtigen Versuch erfordern. Bearbeitung und Referenzeingaben brauchen ebenfalls eigene Schätzungen.

Ein hilfreiches Kostenmaß sind die Ausgaben für das freigegebene Porträt oder den fertigen Clip. Stimmt die Figur, aber nicht die Finger, kann eine gezielte Bearbeitung sinnvoller sein als die Generierung einer weiteren vollständigen Szene. Beginnt das Video mit dem falschen Porträt, wählen Sie ein besseres Standbild, bevor Sie für weitere Animationsversuche bezahlen.

Fragen, die Sie vor der Wahl beantworten sollten

Erzeugt ein unzensiertes LLM auch unzensierte Bilder und Videos?

Nicht von selbst. Ein Textmodell kann die visuelle Beschreibung schreiben, aber Bild- und Videogenerierung verwenden separate Modelle und Aufgaben. Prüfen Sie Inhaltsverhalten und Eingaben jeder Stufe. Eine freizügige Chatantwort ist kein Beleg für den verbundenen Bilddienst.

Ist lokaler Betrieb immer kostenlos und privat?

Lokale Inferenz vermeidet eine gehostete Modellrechnung pro Anfrage, braucht aber weiterhin Hardware, Strom und Ihre Zeit. Ihr Datenschutzvorteil gilt, wenn das Modell auf Ihrem Rechner läuft und Ihr Frontend oder verbundene Werkzeuge den Inhalt nicht anderswohin senden. Ollama unterstützt auch Cloudfunktionen. Ausschließlich lokaler Betrieb ist eine zu prüfende Einstellung, keine Annahme für jede Konfiguration.

Kann ich Fotos einer realen Person verwenden?

Verwenden Sie Bilder, die Sie hochladen und bearbeiten dürfen, mit ausdrücklicher Zustimmung des identifizierbaren Erwachsenen zur beabsichtigten Umgestaltung für Erwachsene. Die Erlaubnis, das Originalfoto zu verwenden, reicht allein nicht aus. Die hier besprochenen Figurenbeispiele verwenden fiktive Erwachsene. Ihre Tests belegen nicht, wie eine Aufgabe Fotos realer Personen verarbeitet.

Mit welcher Kombination ich beginnen würde

Beginnen Sie für ein gehostetes fotorealistisches Figurenprojekt mit Grok 4.7, Qwen Image 2.1 und MiniMax H3. Schreib-, Bearbeitungs- und Kurzanimationsaufgaben haben relevante Belege, und jede übernimmt einen anderen Teil der Arbeit. Wechseln Sie zu DeepSeek V4 Flash, wenn Gesprächskosten wichtiger sind, zu Anima Turbo, wenn die Bilder Anime sind, oder zu Wan 3.0, wenn die Bewegung tatsächlich eine längere Aufnahme benötigt.

Beginnen Sie für lokales Schreiben mit Hermes 4 14B, sofern es auf Ihren Rechner passt, oder Dolphin 3.0 8B für den kleineren Download. Trennen Sie die gehosteten visuellen Aufgaben von dieser Datenschutzentscheidung. Wählen Sie zuerst eine Figur und eine Szene. Bringen Sie Gespräch, freigegebenes Porträt und kurzen Clip zum Funktionieren, bevor Sie die Bibliothek erweitern.