
FastFrames Videogenerierung vs. Google Veo 3.1: Echtzeit gegen fertigen Film
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
Diese beiden Systeme konkurrieren nicht um dieselbe Aufgabe, und der schnellste Weg, das zu erkennen, ist zu fragen, was jedes von ihnen nicht tun will. FastFrames Video Generation, das Apple am 16. November 2026 veröffentlicht hat, wobei das Paper am 17. folgte, liefert Ihnen keine Datei, die Sie einem Kunden geben können: Es geht maximal bis 480p, es ist stumm, und es hat überhaupt keinen gehosteten Endpoint. Google Veo 3.1 liefert Ihnen kein Frame in unter einer Sekunde: Die Standardstufe wird pro Minute fertigen Outputs bepreist, und ihre Latenz liegt im Bereich von Dutzenden Sekunden. Das eine ist Infrastruktur für etwas Interaktives. Das andere ist ein Produktionshaus. Sie nur anhand der Qualität zu vergleichen, hieße, eine Kamera mit einem Filmteam zu vergleichen.
Sechs Dimensionen – und wer jede einzelne davon gemessen hat
Beginne mit dem, was gemessen wird, und sei vorsichtig damit, wer es gemessen hat. Die folgenden Veo-3.1-Werte stammen aus den Video-Boards von Artificial Analysis, erfasst im Oktober 2026, bevor FastFrames existierte. Die FastFrames-Werte stammen aus Tabelle 1 von Apples eigener Forschungsarbeit, bei denselben Prompts und Seeds in 480p. Keine unabhängige Stelle hat FastFrames ausgeführt, und kein Board hat es bewertet. Wo du eine Veo-Zahl siehst, handelt es sich um eine Drittmessung; wo du eine FastFrames-Zahl siehst, um eine Anbieterangabe.
• Latenz — FastFrames-S mit 36 ms pro Frame auf einer B200, etwa 28 Anfragen pro Sekunde gegenüber Veo 3.1 mit Dutzenden Sekunden pro Clip, abgerechnet nach Dauer statt nach Frame.
• Auflösung — FastFrames mit 832×480, keine andere Option, im Vergleich zu Veo 3.1 mit 720p, 1080p und nativem 4K je nach Tarif.
• Audio — FastFrames erzeugt überhaupt keines, im Vergleich zu Veo 3.1 mit nativem 48-kHz-Stereo samt Dialog, Musik und Effekten im selben Aufruf, wobei generate_audio standardmäßig deaktiviert ist.
• Preis — FastFrames hat keinen Preis, da es keinen Endpunkt hat; Sie kaufen GPUs im Vergleich zu Veo 3.1 zu 24,00 $ pro Minute Ausgabe oder 9,00 $ in der Fast-Stufe und 4,80 $ in Lite.
• Zugriff — FastFrames als herunterladbare Gewichte unter Apples AMLR-Lizenz, selbst gehostet auf Linux mit CUDA 12.8 vs. Veo 3.1 über die Google-API und Drittanbieterplattformen, keine Gewichte.
• Provenienz — FastFrames veröffentlicht keine, während Veo 3.1 in jeder Ausgabe SynthID-Wasserzeichen und C2PA-Inhaltsnachweise einbettet.

Was Veo 3.1 dir tatsächlich bringt
Das Verkaufsargument von Veo 3.1 lautet nicht „sieht am besten aus“. Es lautet „fertig“. Das Modell nimmt einen Text-Prompt, bis zu drei Referenzbilder, einen Seed und einen Negativ-Prompt entgegen und liefert einen 4-, 6- oder 8-Sekunden-Clip mit synchronisiertem 48-kHz-Stereo — Dialog, Atmosphäre und Effekte werden gemeinsam mit dem Bild erzeugt, die Lippenbewegung ist auf die Sprache abgestimmt. Die Szenenverlängerung verkettet diese Clips. Die Stufen erhöhen die Auflösung bis hin zu nativem 4K. Jede Datei trägt ein SynthID-Wasserzeichen und einen C2PA-Nachweis; das ist der Unterschied zwischen einem Asset, das eine Rechtsabteilung freigibt, und einem, das sie nicht freigibt.
Qualitativ ist es gut und nicht führend. In der Oktober-2026-Momentaufnahme der Image-to-Video-Rangliste von Artificial Analysis lag Veo 3.1 mit Elo 1.082 und einem ±7-Intervall über 7.040 Stichproben auf Platz zwölf. Die Fast-Stufe lag mit 1.066 ±6 über 14.688 Stichproben auf Platz siebzehn und die Lite-Stufe mit 1.071 ±8 über 5.122 auf Platz fünfzehn – drei Stufen mit statistisch nicht unterscheidbarer Qualität und Preisen, die um den Faktor fünf auseinanderliegen. In der Text-to-Video-Rangliste belegte es mit 962 ±10 über rund 3.000 Stichproben Platz neunzehn. Liest man das zusammen, lautet die praktische Schlussfolgerung, dass die Wahl der Stufe bei Veo 3.1 eine Budget- und keine Qualitätsentscheidung ist und dass sein eigentlicher Burggraben das Audio, das 4K und der Herkunftsnachweis ist und nicht der Elo.
Was FastFrames tatsächlich beweist
Die interessante Behauptung in Apples Mitteilung ist enger gefasst als „schnelleres Videomodell“ und deutlich schwerer zu entkräften. Autoregressive Videodiffusion ist langsam aus Gründen, die wenig mit dem Transformer zu tun haben: Der variationale Autoencoder, der Latents zurück in Pixel verwandelt, dominiert das Budget, und ebenso das KV-Cache-Update, das Kontext in den nächsten Block trägt. Apple ersetzte Ersteren durch einen Pixeldecoder mit 63,87 Millionen Parametern – drei kausale ConvNeXt-Blöcke plus einen linearen Head – und Letzteren durch ein Verfeinerungsnetzwerk mit gemeinsamem Stem und vier Blöcken, das beim kleinen Modell 2 Millisekunden und beim großen 6 kostet. Das DiT ist in der finalen Stufe eingefroren.
• VAE-Dekodierung – aus etwa 147 ms pro Frame werden rund 1 ms.
• DiT, 1,3B — 41,6 ms werden zu 16,4 ms bzw. 5,8 ms, verteilt auf acht GPUs.
• DiT, 14B — 89,2 ms werden zu 75,6 ms, oder 20,3 ms auf acht GPUs.
• Causal Forcing++ insgesamt, 1,3B — 271,8 ms werden zu 35,8 ms, eine 7,6-fache Reduktion.

Beide Checkpoints wurden aus Wan2.1 destilliert – FastFrames-S aus Wan2.1-T2V-1.3B, FastFrames-L aus Wan2.1-T2V-14B –, und zwar mit dem Causal-Forcing++-Rezept, und der Pixel-Decoder wurde etwa eine Woche lang auf 32 B200 über 150.000 Rollouts trainiert, mit einem adversarialen Durchgang auf acht B200 gegen einen eingefrorenen DINOv3-ViT-S/16-Diskriminator. Die VBench-Zahlen der Autoren setzen FastFrames-S auf 84,23 und FastFrames-L auf 84,44, gegenüber 84,11 für die Baseline, aus der es destilliert wurde, und 84,42 für Krea-Realtime, das mit 1.675 ms pro Frame läuft.
Zwei Dinge, für die FastFrames nicht verwendet werden kann, und eines, wofür es verwendet werden kann
Es kann einen gelieferten Clip nicht ersetzen
480p ist in der veröffentlichten Konfiguration eine harte Obergrenze. Apple meldet eine 720p-Latenz – 127 ms pro Frame beim kleinen Modell, 116 ms beim großen über acht GPUs –, aber es werden keine 720p-Gewichte oder -Einstellungen ausgeliefert. Es gibt überhaupt keinen Audiopfad, daher benötigt jedes Talking-Head-Video, jede Produktdemo mit Voiceover oder alles, was ein Kunde mit Ton ansehen wird, eine separate Audio-Pipeline. Und bei 12,8 Sekunden pro Clip für das 14B auf einer einzelnen GPU ist das große Modell langsamer als die Wiedergabe, es sei denn, Sie besitzen einen Node.
Es kann nicht genannt werden.
Es gibt keinen Apple-Endpunkt. FastFrames ist ein Forschungs-Release: Gewichte auf Hugging Face unter der AMLR-Lizenz, Code auf GitHub und eine LingBot-World-v2-Demo-App unter CC BY-NC-SA 4.0 — nicht kommerziell. Um es zu nutzen, benötigen Sie Linux x86-64, eine NVIDIA-GPU, CUDA 12.8, uv sync und ein Checkpoint-Verzeichnis. Das ist eher ein Beschaffungsproblem als ein technisches.

Es kann eine Live-Loop lebendig wirken lassen.
Bei 36 ms pro Frame erzeugt FastFrames-S auf einem B200 Video 1,7-mal schneller, als es wiedergegeben wird. Das ist die Schwelle, ab der eine generative Vorschau innerhalb von ein bis zwei Frames auf Eingaben reagiert – und genau das macht Streaming-Avatare, steuerbare Weltmodelle und interaktives Prototyping zu eigenständigen Produkten statt zu bloß langsameren. Apples eigene Demonstrationen machen zwei bestehende Systeme interaktiv: Die 1,3B-Variante von LingBot-World geht von 1.085 auf 52 ms pro Frame, ein Rückgang um das 16-Fache, und ihre 14B-Variante von 3.862 auf 233. RealWonder 1,3B geht von 1.141 auf 51. Nichts davon ersetzt Veo – es sind Dinge, die Veo zu keinem Preis kann, weil keine gehostete API pro Frame in einer Sitzung abrechnet.
Wenn Sie in diesem Quartal etwas ausliefern müssen
Die Entscheidungsregel ist kurz. Wenn es sich bei dem Ergebnis um eine Datei handelt – einen Werbespot, ein Produktvideo, ein Erklärvideo mit Stimme –, ist Veo 3.1 das fertige Werkzeug, und FastFrames kommt nicht infrage, weil es weder Ton noch 1080p liefern kann. Wenn es sich bei dem Ergebnis um ein Erlebnis handelt – eine Live-Demo, eine interaktive Figur, ein Werkzeug, bei dem ein Mensch steuert und das Ergebnis sofort sieht –, bietet heute kein gehostetes Videomodell das, FastFrames ist der glaubwürdigste offene Weg dorthin, und die Kosten sind eine GPU und eine Lizenzprüfung.
Es gibt einen dritten Fall, und das ist der übliche: ein Team, das herausfinden möchte, ob es sich lohnt, den interaktiven Anwendungsfall zu bauen. Das Prototyping dafür mit einem gehosteten Modell ist günstiger, als B200-Zeit zu kaufen, und OrcaRouter ist der Dienst, bei dem die gehostete Seite mit einem einzigen Schlüssel auskommt – derselbe Endpunkt deckt Kling 3.0, Kling 3 Turbo und Kling Video O1 neben MiniMax H3 ab, und zwar alle zu den Listenpreisen der Anbieter mit 0 % Aufschlag, sodass sich eine Änderung der Anbieterpreise am Tag ihres Inkrafttretens auf Ihrer Rechnung niederschlägt. FastFrames selbst ist nicht in diesem Katalog enthalten, und wir bieten es nicht an; nichts in diesem Release ändert etwas daran, was wir hosten. Was ein einzelner Schlüssel bietet, ist die Möglichkeit zu messen, welche Latenz Ihre Nutzer tatsächlich tolerieren, bevor Sie Hardware einsetzen, um sie zu unterbieten.
Wohin das als Nächstes führt
Die Lücke zwischen den beiden Systemen ist eine Lücke dabei, was das Silizium während der Generierung tut, und sie wird sich von beiden Enden her schließen. Hosting-Anbieter verkaufen bereits schnellere Tarifstufen, und die Pixel-Decoder-Technik ist prinzipiell modellagnostisch – sie wird pro Basismodell trainiert, aber nichts daran setzt Wan2.1 voraus. Die relevante Version dieses Vergleichs liegt achtzehn Monate in der Zukunft: ein gehostetes 1080p-Modell mit Audio, das einen Clip in unter einer Sekunde zurückliefert und pro Sekunde statt pro Minute abgerechnet wird. Bis es das gibt, lautet die ehrliche Zusammenfassung, dass FastFrames das Latenzrennen in einer Kategorie gewonnen hat, in der Veo nicht antritt.
