Unzensierte KI · Video · HKUST & Huawei Research
Unzensiertes UniAVC: Das Audio-Video-Modell von HKUST und Huawei erklärt (nicht UNIVAC)
UniAVC ist ein vereinheitlichtes Audio-Video-Modell des HKUST-Labors LongGroup, entwickelt zusammen mit Huawei Research: Ein einziger Satz Gewichte erzeugt einen kurzen Clip mit synchronem Ton, unterlegt ein stummes Video mit einer Tonspur, baut ein Bild um eine Audiospur herum oder bearbeitet Video und Audio mit einer einzigen Anweisung. Es ist nicht der UNIVAC-Computer aus den 1950er-Jahren. Es erscheint als zugangsbeschränkte Open Weights unter der LTX-2 Community License, braucht eine 80-GB-GPU und hat keine unzensierte Version. Dieser Leitfaden zeigt, was es kann, wie du es ausführst, wie es gegen MiniMax-H3 abschneidet und wie du Prompts schreibst; wenn du einfach nur Erwachsenenvideos aus deinem eigenen Foto ohne Download willst, läuft der H3 Turbo Generator auf Spicy AI direkt im Browser.
Spicy AI ist nicht UniAVC — diese Seite läuft derzeit mit MiniMax H3 Turbo (kostenloser Tarif) und Wan 2.6.
- Kostenlos starten
- Keine Filter
- Im Browser

UniAVC auf einen Blick
- Entwickler
- HKUST LongGroup mit Huawei Research
- Paper
- arXiv 2610.24791, 17. Okt. 2026 (v2 20. Okt.)
- Modellgröße
- 19B DiT + Gemma-3 12B Text-Encoder
- Aufgaben
- Text, Audio oder Video zu Audio-Video; gemeinsame Bearbeitung
- Standardausgabe
- 704×1280, 24 fps, etwa 5 s mit Ton
- GPU
- Getestet auf einer einzelnen 80-GB-Karte
- Open Weights
- Ja, zugangsbeschränkt; LTX-2 Community License
- Unzensiert?
- Nein; keine NSFW- oder Community-Builds
UniAVC-Alternative: Unzensierter H3 Turbo Videogenerator
Bild zu VideoLade ein Foto hoch und beschreibe die Bewegung — Spicy AI macht daraus einen kurzen Clip.
Prompt ausprobieren
Die Beispiel-Prompts sind auf Englisch, das liefert die zuverlässigsten Ergebnisse.
Was ist UniAVC?
UniAVC, kurz für Unified Audio-Video Creation, ist ein Forschungsmodell des Labors HKUST LongGroup an der Hong Kong University of Science and Technology, entwickelt gemeinsam mit Huawei Research. Das Paper (arXiv 2610.24791) wurde erstmals am 17. Oktober 2026 veröffentlicht und am 20. Oktober überarbeitet; zu den Autoren gehören Kien T. Pham, Yuhao Liu, Qifeng Chen und Long Chen. Der veröffentlichte Checkpoint kombiniert einen 19B Diffusion Transformer (DiT) in bf16 mit einem Gemma-3 12B Text-Encoder; die Seitenleiste auf Hugging Face zeigt 23B Parameter, was vermutlich zusätzliche Module wie VAE und Vocoder mitzählt, die 19B beziehen sich also nur auf das DiT-Backbone. Das Team veröffentlicht Code, Gewichte und eine Gradio-Demo zusammen; die Kommandozeilenskripte sind nur ein Weg, es auszuführen. Standardmäßig rendert es Video in 704×1280, 121 Frames bei 24 fps, etwa 5 Sekunden, mit passendem Audio.
Warum Menschen nach UniAVC unzensiert suchen
Wer nach einem unzensierten UniAVC sucht, will meist ein lokales Audio-Video-Modell ohne vorgeschalteten API-Filter. Die ehrliche Antwort: Es gibt kein unzensiertes UniAVC. Projektseite und Model Card bieten keine NSFW-Variante an, und die LTX-2 Community License verbietet das Umgehen von Inhaltsfiltern, Deepfakes ohne Einwilligung und nicht gekennzeichnete maschinell erzeugte Inhalte. Wir haben auch kein Community-Fine-Tune und keine LoRA von UniAVC gefunden; das einzige Repository ist das offizielle. Ein unzensiertes UniAVC lokal auszuführen ist ebenfalls keine Option: Lokale Gewichte entfernen zwar die Moderationsebene einer API, ändern aber nichts daran, was die Lizenz erlaubt. Wenn du Erwachsenenvideos aus deinen eigenen Fotos erstellen willst, nutzt das Image-to-Video-Tool von Spicy AI MiniMax H3 Turbo ohne zusätzliche Moderationsebene, nur für einwilligende Erwachsene. Es ist ein anderes Modell, ohne die Bearbeitungsfunktionen von UniAVC.
Du willst einen unzensierten Clip im Stil von UniAVC ohne Rechenzentrums-GPU? Animiere ein Foto direkt im Browser.
Image-to-Video öffnen →UniAVC ist nicht UNIVAC: was der Name bedeutet
Gibst du uniavc bei Google ein, wird es meist zu univac korrigiert, also zum UNIVAC-I-Computer von 1951 und zum Firmennamen Univac. Außer den Buchstaben haben die beiden nichts gemeinsam. Hier geht es um ein KI-Modell aus dem Jahr 2026, und der Name steht für Unified Audio-Video Creation, den Titel seines Papers. Um das Modell statt des Computers zu finden, ergänze einen Zusatz wie audio video model, HKUST oder arXiv 2610.24791. Die drei Primärquellen sind das Paper, das GitHub-Repository HKUST-LongGroup/UniAVC und das Hugging Face Repository TK3105/UniAVC; alle sind unten im Quellenabschnitt verlinkt.
- UniAVC: Modell für Audio-Video-Generierung und -Bearbeitung aus dem Jahr 2026, von HKUST mit Huawei Research.
- UNIVAC: frühe kommerzielle Computerreihe aus den 1950er-Jahren, ohne Bezug zu diesem Modell.
- Suchtipp: Kombiniere den Namen mit "audio video", "HKUST", "github" oder "huggingface".
So funktioniert UniAVC: erst getrennt lernen, dann gemeinsam
Die meisten Audio-Video-Systeme haben zwei Probleme. Gepaarte Clips mit gutem Ton sind rar, und wenn Video und Audio einen gemeinsamen Noise-Schedule teilen, werden Aufgaben, bei denen eine Seite feststeht und die andere generiert wird, nie wirklich trainiert. Das Modell begegnet dem mit drei Ideen. Progressives Training bringt zuerst dem Video- und dem Audiozweig bei, auf ihren eigenen großen Einzelmodalitäts-Datensätzen eigenständig zu generieren und zu bearbeiten; danach werden beide eingefroren, und nur die Cross-Attention-Brücken zwischen ihnen werden mit gepaarten Daten trainiert. Asymmetrisches Noise-Scheduling behält einen gemeinsamen Timestep bei, gibt aber jedem Zweig einen eigenen Rauschverlauf, weil Video länger verrauscht bleiben muss, um Raum und Bewegung zu ordnen, während sich Audio früher setzt. Clean-Branch-Teilaufgaben fixieren im Training einen Zweig auf eine saubere Eingabe, sodass das Konditionieren eines Stroms auf den anderen direkt gelernt wird. Das Ergebnis ist ein Checkpoint für alle Aufgaben, ohne aufgabenspezifischen Adapter: Du wechselst die Aufgabe, indem du Eingaben und Skript änderst, nicht die Gewichte.
| Trainingsphase | Verwendete Daten (Paper) | Was sie vermittelt |
|---|---|---|
| Videozweig | 34.3M Samples aus einem Pool von 15.3M | Video allein generieren und bearbeiten |
| Audiozweig | 54.9M Samples aus einem Pool von 14.9M | Ton allein generieren und bearbeiten |
| Alignment | 0.67M gepaarte Samples aus einem Pool von 0.74M | Bild und Ton synchron halten |
Der gepaarte Datensatz ist mehr als eine Größenordnung kleiner als die Einzelmodalitätsdaten, und genau darum geht es beim progressiven Design.
UniAVC-Aufgaben: Generierung, cross-modale und gemeinsame Bearbeitung
Es deckt drei Generierungsmodi und einen Bearbeitungsmodus ab, jeweils mit eigenem Inferenzskript. Text-to-Audio-Video erzeugt einen Clip samt Tonspur allein aus einem Prompt. Audio-to-Video behält eine Eingabespur bei und baut passende Bilder darum herum. Video-to-Audio behält ein Eingabevideo bei und schreibt eine passende Tonspur. Die gemeinsame Bearbeitung ändert Bild und Ton mit einer einzigen Anweisung; die offiziellen Demos zeigen fünf Bearbeitungsarten: ein Motiv ändern (etwa ein T-Shirt gegen ein blaues Radtrikot tauschen, während Bar, beige Wand und Beleuchtung bleiben), ein Motiv hinzufügen, eines entfernen (etwa eine Schreibtischlampe, wobei Fenster und Vorhang dahinter ergänzt werden), Sprache bearbeiten, sodass eine Person mit passender Lippenbewegung einen neuen Satz sagt, und den Hintergrund ersetzen. Jede Ausgabe dauert etwa 5 Sekunden; eine Methode für lange Videos hat das Team nicht veröffentlicht, längere Stücke müsstest du also aus mehreren Clips zusammensetzen.
| Aufgabe | Eingabe | Ausgabe | Skript |
|---|---|---|---|
| Text zu Audio-Video (t2av) | Nur Prompt | Neues Video und neuer Ton | infer_t2av.py |
| Audio zu Video (ta2v) | Prompt und Audio | Video; Audio bleibt | infer_ta2v.py |
| Video zu Audio (tv2a) | Prompt und Video | Audio; Video bleibt | infer_tv2a.py |
| Gemeinsame Bearbeitung (tav2av) | Anweisung, Video und Audio | Bearbeitetes Video und bearbeiteter Ton | infer_tav2av.py |
Absichtsbewusste Bearbeitung und Selbstverfeinerung
Zwei Funktionen machen das Modell für die Postproduktion praxistauglich und nicht nur für Demos. Die absichtsbewusste Bearbeitung friert einen Zweig ein und nutzt ihn als Bedingung, sodass du nur das Audio änderst, während das Bild identisch bleibt, oder nur das Bild, während die Erzählstimme unangetastet bleibt. Das ist der Workflow, um ein Voice-over auszutauschen, ohne die Einstellung neu zu rendern, oder einen Hintergrund zu ersetzen und den Originaldialog zu behalten. Die Selbstverfeinerung nach der Inferenz deckt den häufigen Fall ab, dass eine Hälfte des Ergebnisses gut ist und die andere nicht: Das Modell verrauscht und entrauscht nur den schwachen Zweig erneut und nutzt den akzeptierten Zweig als feste Referenz. Das README-Beispiel verfeinert Audio mit --post-refine audio und --refine-lambda 0.5, was standardmäßig etwa 15 Schritte ausführt.
- Synchronisation ändern, Einstellung behalten: Video einfrieren, Audio bearbeiten.
- Szene ändern, Erzählstimme behalten: Audio einfrieren, Video bearbeiten.
- Nur die schwache Hälfte reparieren: Audio oder Video nach der Generierung verfeinern, statt neu anzufangen.
UniAVC-Hardwareanforderungen: 80-GB-GPU und VRAM
Die Hardware entscheidet, ob das Modell für dich nutzbar ist. Der 19B DiT und der Gemma-3 12B Encoder belegen zusammen etwa 65 GB, und allein die Hauptdatei model.safetensors ist etwa 46.1 GB groß. Mit dem standardmäßigen gestaffelten Offload liegt der Spitzenbedarf bei etwa 39 GB für den DiT plus Aktivierungen, und das Team hat auf einer einzelnen 80-GB-GPU getestet. Schaltest du den Offload mit --no-offload ab, bleiben alle Gewichte im Speicher, was laut README bei der Standardgröße 720p weit mehr als eine 80-GB-Karte erfordert, und --no-tiled beim Decoding erhöht den Speicherbedarf zusätzlich. Läufe auf Consumer-Karten mit 24 GB oder 48 GB wurden nicht gezeigt, plane also nicht damit. Generierungszeiten veröffentlicht das Team ebenfalls nicht; 30 Denoising-Schritte auf einem 19B DiT sind eine schwere Aufgabe, und das tatsächliche Tempo hängt von deiner GPU und der Offload-Einstellung ab.
| Merkmal | Wert |
|---|---|
| Gewichte | 19B DiT (bf16) + Gemma-3 12B Text-Encoder |
| Downloadgröße | Insgesamt etwa 65 GB; model.safetensors etwa 46.1 GB |
| Spitzen-VRAM (Offload an) | Etwa 39 GB plus Aktivierungen |
| Getestete GPU | Einzelne 80-GB-Karte |
| Standardausgabe | 704×1280, 121 Frames, 24 fps, etwa 5 s |
| Größenregeln | Höhe und Breite Vielfache von 32; Frames 8k+1 |
| Standardwerte | 30 Schritte, Seed 42, --offload an |
| Software | Python 3.10, CUDA 12.8, PyTorch 2.8 |

UniAVC-Download von GitHub und Hugging Face: Einrichtung
Der Code liegt auf GitHub unter HKUST-LongGroup/UniAVC, die Gewichte auf Hugging Face unter TK3105/UniAVC. Das Gewichte-Repository ist zugangsbeschränkt, du musst dich also anmelden und die Bedingungen akzeptieren, bevor der Download funktioniert. Die Verbreitung ist noch gering: Kurz nach der Veröffentlichung hatte das GitHub-Repository etwa 35 Sterne und die Gewichte etwa 6 Downloads und 8 Likes. Diese Zahlen zeigen frühes Interesse aus der Forschung, keine Suchnachfrage. Die Einrichtung folgt einem üblichen Python-Workflow, unten zusammengefasst; die genauen Argumente der einzelnen Skripte findest du im README.
- 1. Erstelle eine Python-3.10-Umgebung (zum Beispiel mit conda) und installiere PyTorch 2.8 für CUDA 12.8.
- 2. Klone das GitHub-Repository und führe dann pip install -r requirements.txt und pip install -e . aus.
- 3. Melde dich bei Hugging Face an, akzeptiere die Zugangsbedingungen für TK3105/UniAVC und führe bash scripts/download_weights.sh aus; das Skript lädt auch den Gemma-3 Text-Encoder.
- 4. Beginne mit infer_t2av.py in der Standardgröße, probiere dann infer_ta2v.py, infer_tv2a.py und infer_tav2av.py aus oder starte die mitgelieferte Gradio-App app.py.
- Häufige Fehler: Download verweigert (Zugangsbedingungen nicht akzeptiert), fehlende Gemma-3-Dateien, eine Frame-Anzahl, die nicht 8k+1 ist, eine Höhe oder Breite, die kein Vielfaches von 32 ist, und Speichermangel nach --no-offload oder --no-tiled.
Funktioniert UniAVC in ComfyUI?
Offiziell nicht. Das README bietet nur die Kommandozeilenskripte und eine Gradio-App, es gibt keinen offiziellen ComfyUI-Node, und eine Suche nach UniAVC in Hugging Face Spaces liefert keine gehostete Demo. Community-Nodes könnten später erscheinen, doch keiner ließ sich über eine verlässliche Quelle bestätigen; behandle Nodes von Drittanbietern also als inoffiziell und prüfe, was sie tatsächlich laden. Da das Modell aus LTX-2.3 initialisiert wird, könnte LTX-Tooling eine Portierung erleichtern, doch das ist eine Erwartung, keine veröffentlichte Funktion. Realistisch bleiben vorerst die Gradio-App auf deinem eigenen Rechner mit großer GPU oder das Einbinden der CLI-Skripte in deine eigene Pipeline.
UniAVC vs. MiniMax-H3: Benchmark-Ergebnisse
Das Paper vergleicht das Modell mit MiniMax-H3, InstructAV2AV, JAVEdit und JoVA. Alle Zahlen stammen von den Autoren selbst und wurden nicht unabhängig reproduziert, und das Paper selbst nennt die Ergebnisse konkurrenzfähig, nicht durchweg überlegen. Bei der Bearbeitung liegt es in JAVEditBench bei Befolgung der Anweisung und Videotreue vorn und hat auf InsAVE-80K eine deutlich niedrigere FVD. Bei der gemeinsamen Generierung erzielt H3 in Verse-Bench höhere Werte bei wahrgenommener Qualität, Textkonsistenz und Lippensynchronität sowie bei PEAVS in InsAVE-80K. Eine faire Zusammenfassung: Das HKUST-Modell ist der stärkere Editor, H3 der stärkere Generator.
| Benchmark und Metrik | UniAVC | MiniMax-H3 | InstructAV2AV |
|---|---|---|---|
| JAVEditBench IC ↑ | 4.42 | 4.11 | 2.88 |
| JAVEditBench VF ↑ | 4.48 | 4.17 | 3.93 |
| JAVEditBench AQ ↑ | 2.59 | 2.42 | 1.40 |
| JAVEditBench AVS ↑ | 0.2975 | 0.2307 | 0.1759 |
| InsAVE-80K FVD ↓ | 150.86 | 211.24 | 180.38 |
| InsAVE-80K FAD ↓ | 1.99 | 3.25 | 2.75 |
| InsAVE-80K PEAVS ↑ | 3.51 | 3.75 | 3.24 |
| Verse-Bench PQ ↑ | 6.26 | 6.87 | Nicht angegeben |
| Verse-Bench LSE-C ↑ | 6.72 | 6.96 | Nicht angegeben |
| Verse-Bench WER ↓ | 0.08 | 0.13 | Nicht angegeben |
↑ höher ist besser, ↓ niedriger ist besser. JAVEdit erreicht auf JAVEditBench 0.3688 AVS und liegt damit über allen drei. Cross-modale Ergebnisse: Audio-to-Video FVD 103.17, Video-to-Audio FAD 10.12.
UniAVC vs. LTX-2.3 und InstructAV2AV: was du wählen solltest
LTX-2.3 von Lightricks ist das Basismodell, auf dem es aufbaut: ein 22B Open-Weight-DiT mit einem großen Ökosystem aus Community-LoRAs. Das HKUST-Team ergänzt einen Audiozweig und cross-modale Brücken mit dem Ziel der gemeinsamen Bearbeitung; LTX-2.3 ist für reine Generierung die ausgereiftere Wahl und hat weit mehr Tooling. InstructAV2AV ist die wichtigste Bearbeitungs-Baseline im Paper: Das neuere Modell schlägt es bei Befolgung der Anweisung, Treue und FVD, während InstructAV2AV bei einigen Alignment-Metriken höher liegt, etwa bei TA-A auf InsAVE-80K. MiniMax-H3 bleibt in den eigenen Tabellen des Papers der stärkere Generator.
| UniAVC | LTX-2.3 | MiniMax-H3 | |
|---|---|---|---|
| Schwerpunkt | Gemeinsame Audio-Video-Bearbeitung | Videogenerierung | Gemeinsame Generierung und Bearbeitung |
| Open Weights | Ja, zugangsbeschränkt | Ja | Siehe MiniMax |
| Ökosystem | Nur offizielles Repo | Viele Community-LoRAs | Offizielle Tools |
| Am besten für | Forschung und reproduzierbare Bearbeitung | Ausgereifte lokale Workflows | Ausgefeilte Generierungsqualität |
Keines der drei läuft komfortabel auf einer Consumer-Grafikkarte.
Ist UniAVC Open Source? Open Weights und kommerzielle Nutzung
UniAVC ist Open-Weight, aber nicht Open Source im Sinne der OSI. Code und Gewichte sind öffentlich und nach Akzeptieren der Zugangsbedingungen kostenlos herunterladbar, stehen aber unter der LTX-2 Community License von Lightricks, weil das Modell von LTX-2.3 abgeleitet ist und Ableitungen diese Lizenz beibehalten müssen. Privatpersonen, Forschende und kleinere Unternehmen dürfen es nutzen, verändern und hosten, während Unternehmen mit einem Jahresumsatz von $10 Millionen oder mehr, zusammengerechnet mit verbundenen Unternehmen, eine separate kommerzielle Lizenz von Lightricks brauchen. Wer es weitergibt, muss die vollständige Vereinbarung beilegen, die Acceptable Use Policy an nachgelagerte Nutzer weitergeben und die Namensnennung beibehalten. Lightricks beansprucht deine Ausgaben nicht, aber du bist für Eingaben, Ausgaben und deren Verwendung verantwortlich. Lies vor jedem kommerziellen Projekt die Vereinbarung selbst.
Gibt es ein unzensiertes UniAVC?
Nein. Es gibt kein unzensiertes UniAVC und kein NSFW-Release, und die Acceptable Use Policy der Lizenz schließt das Umgehen von Inhaltsfiltern, Deepfakes ohne Einwilligung, nicht gekennzeichnete KI-generierte Medien und alles mit Minderjährigen aus. Eine Suche auf Hugging Face liefert nur das offizielle Repository, ohne Fine-Tunes oder LoRAs. Für LTX-2.3 gibt es viele Community-LoRAs, doch sie gehören zum Basismodell, nicht zu UniAVC, und es gilt dieselbe Lizenz. Prompts oder Skripte zum Entfernen von Filtern stellen wir nicht bereit. Für Erwachsenenvideos, die du erstellen darfst, ist ein gehostetes Tool der einfachere Weg: Die Image-to-Video-Seite von Spicy AI animiert dein eigenes Foto mit MiniMax H3 Turbo ohne zusätzliche Moderationsebene, nur für einwilligende Erwachsene (18+).
Du suchst eine Alternative zu einem unzensierten UniAVC? Animiere dein eigenes Foto online, ganz ohne lokale GPU.
Foto animieren →Für wen UniAVC gedacht ist und wie es genutzt wird
Das Modell ist am ehesten ein Prototyp für Forschung und Postproduktion: 5-Sekunden-Clips, Ausgabe in der 720p-Klasse und Rechenzentrums-Hardware machen es für die meisten Hobbyanwender unerreichbar, doch seine Bearbeitungstricks passen zu echten Produktionsaufgaben. Teams für Kurzserien und Social-Video verbringen viel Zeit mit Neusynchronisation, Korrekturen einzelner Sätze und Hintergrundwechseln, genau den Bearbeitungen aus den offiziellen Demos. Lokalisierungsteams können testen, einen gesprochenen Satz zu ersetzen und die Einstellung zu behalten, Sounddesigner können eine Tonspur für stummes Material erzeugen, und Forschende erhalten mit öffentlichem Code eine reproduzierbare Baseline für gemeinsame Audio-Video-Bearbeitung. Jede Bearbeitung mit dem Gesicht oder der Stimme einer realen Person braucht deren schriftliche Einwilligung und eine klare KI-Kennzeichnung.
- Dialogkorrekturen: einen gesprochenen Satz mit passender Lippenbewegung ändern und den Raumklang behalten.
- Synchronisations- und Lokalisierungstests: die Sprachspur ersetzen, während das Bild eingefroren bleibt.
- Foley für stumme Clips: mit Video-to-Audio Schritte, Regen oder Verkehr passend zur Bewegung hinzufügen.
- Hintergrundwechsel: eine Szene vom Büro auf die Straße verlegen, ohne das Motiv neu zu drehen.
- Musikgetriebene Visuals: eine kurze Audiospur einspeisen und passende Bilder darum herum generieren.
- Forschungs-Baselines: neue Methoden zur gemeinsamen Bearbeitung mit den veröffentlichten Zahlen vergleichen.
So schreibst du UniAVC-Prompts, die funktionieren
Da ein Prompt Bild und Ton zugleich steuert, schreib ihn wie eine kurze Einstellungsbeschreibung mit einer eigenen Tonzeile. Beschreibe eine Einstellung mit einer Hauptaktion in einfachen Sätzen, in dieser Reihenfolge: Motiv, Aktion, Umgebung, Kamera, Licht, dann Audio. Formuliere Bearbeitungen als Änderung plus das, was gleich bleiben muss; die offiziellen Beispiele nennen immer die zu erhaltenden Teile, etwa den Hintergrund, die Beleuchtung oder die anderen Personen. Bei Sprachbearbeitungen zitiere den neuen Satz exakt und sag, wessen Stimme es ist. Plane bei der Generierung etwa 5 Sekunden Handlung ein, da das die Standardlänge eines Clips ist, und denk daran, dass Größen Vielfache von 32 sein müssen und die Frame-Anzahl 8k+1.
- Benenne den Ton ausdrücklich: "leiser Regen am Fenster, entfernter Verkehr" schlägt "realistisches Audio".
- Bearbeitung = Änderung + Erhalt: "Ersetze die Lampe durch eine Topfpflanze; behalte Fenster, Vorhang und Licht."
- Sprachbearbeitung: "Sie sagt 'Bis morgen' mit ruhiger Stimme; behalte das Hintergrundgemurmel."
- Beschreibe bei Audio-to-Video nur das Bild; die Spur gibt den Rhythmus bereits vor.
- Liste bei Video-to-Audio die Tonquellen in der Reihenfolge auf, in der sie im Bild erscheinen.

UniAVC-Prompt-Vorlagen zum Kopieren
Ersetze die Teile in eckigen Klammern und behalte die Struktur bei. Die ersten Zeilen zielen auf die Skripte des Modells selbst; die letzte Zeile ist für Image-to-Video geschrieben, sodass du sie auch oben im Generator der Alternative zu einem unzensierten UniAVC ausprobieren kannst.
| Ziel | Vorlage |
|---|---|
| Text zu Audio-Video | [Erwachsenes Motiv] [eine Aktion] in [Umgebung], [Kamerabewegung], [Lichtquelle]. Ton: [Atmo], [Stimme oder Musik]. |
| Motiv bearbeiten | Ändere [Gegenstand] zu [neuer Gegenstand]; lass [Hintergrund], [Beleuchtung] und [andere Personen] unverändert, behalte das Audio. |
| Objekt entfernen | Entferne [Objekt] im Vordergrund und ergänze [Bereich dahinter]; behalte die Tonspur. |
| Sprache bearbeiten | [Person] sagt jetzt "[neuer Satz]" mit derselben Stimme und passenden Lippen; behalte Bild und Hintergrundton. |
| Video zu Audio | Erzeuge den Ton für diesen Clip: [Quelle 1], dann [Quelle 2], [Raumton], keine Musik. |
| Image-to-Video (Alternative) | [Motiv] dreht sich zur Kamera und sagt "[kurzer Satz]", langsame Kamerafahrt nach vorn, [Licht], [Umgebungsgeräusch]. |
Schritt für Schritt: die Alternative zu einem unzensierten UniAVC auf Spicy AI
Wenn dir Rechenzentrums-Hardware fehlt, sparst du dir im Browser den 65-GB-Download. Dort läuft MiniMax H3 Turbo als Image-to-Video, nicht UniAVC, es gibt also keine gemeinsame Audio-Video-Bearbeitung; du animierst ein Foto mit einem Prompt.
- 1. Öffne das Image-to-Video-Tool über den Button oben auf dieser Seite; das alternative Modell ist bereits ausgewählt.
- 2. Lade ein klares Foto einer erwachsenen Person hoch, das dir gehört oder für das du eine Einwilligung hast.
- 3. Füge die Image-to-Video-Vorlage von oben ein und ergänze Aktion, Kamera, Licht und Ton.
- 4. Generiere einen kurzen Clip, prüfe die Bewegung und ändere dann pro Versuch nur ein Element.
- 5. Lade das Ergebnis herunter und kennzeichne es beim Teilen als KI-generiert.
Was du erstellen kannst
Foto zu Clip
Animiere ein Porträt einer erwachsenen Person im Browser zu einem kurzen Clip, als leichtere Alternative zu einem unzensierten UniAVC.
Sprechende Einstellungen
Ein Motiv dreht sich, lächelt und sagt einen kurzen Satz, ein Format, auf das auch das HKUST-Modell mit Sprachbearbeitung abzielt.
Stimmungsszenen
Kerzenlicht, Regen und Neonstraßen für einwilligende erwachsene Figuren.
Prompt-Tipps für Ergebnisse im UniAVC-Stil
- Schreib eine Einstellung mit einer Aktion und gib dem Ton einen eigenen Satz.
- Sag bei Bearbeitungen immer, was gleich bleiben muss.
- Plane mit einer 80-GB-GPU; Consumer-Karten sind ungetestet.
- Halte Frame-Anzahlen bei 8k+1 und Größen bei Vielfachen von 32, um Fehler zu vermeiden.
- Verwende nur Gesichter und Stimmen von Erwachsenen, die eingewilligt haben, und kennzeichne KI-Ausgaben.
UniAVC selbst hosten vs. online auf Spicy AI generieren
| Lokale Bereitstellung (offizielle Gewichte) | Spicy AI online | |
|---|---|---|
| Inhaltsfilter | Von HKUST & Huawei Research festgelegt | Keine Inhaltsfilter |
| Offene Gewichte | Ja | Nicht nötig — läuft im Browser |
| Modell | UniAVC | MiniMax H3 Turbo (kostenloser Tarif) und Wan 2.6 |
| Einstiegspreis | Je nach Tarif | Kostenloser Tarif verfügbar |
- Bild-zu-Video im Browser
- Kostenlose Warteschlange für 0 Credits (Anmeldung, Tageslimit)
- Hochformat (9:16) und Querformat (16:9)
Häufige Fragen
Was ist UniAVC und wer hat es entwickelt?
UniAVC ist ein vereinheitlichtes Modell für Audio-Video-Generierung und -Bearbeitung des Labors HKUST LongGroup mit Huawei Research, beschrieben in arXiv 2610.24791 (Oktober 2026). Ein einziger Satz Gewichte übernimmt Text-to-Audio-Video, Audio-to-Video, Video-to-Audio und gemeinsame Bearbeitung.
Ist UniAVC dasselbe wie UNIVAC?
Nein. UNIVAC ist eine Computerreihe aus den 1950er-Jahren. Google korrigiert uniavc oft zu univac, ergänze bei der Suche also "audio video model", "HKUST" oder die arXiv-Nummer.
Welche GPU brauche ich für UniAVC?
Das Team hat eine einzelne 80-GB-GPU getestet. Die Gewichte umfassen insgesamt etwa 65 GB, und mit dem Standard-Offload liegt der Spitzenbedarf bei etwa 39 GB plus Aktivierungen. Karten mit 24 GB und 48 GB sind nicht verifiziert.
Wie lang sind UniAVC-Clips?
Standard sind 704×1280, 121 Frames bei 24 fps, etwa 5 Sekunden. Einen offiziellen Modus für lange Videos gibt es nicht.
Gibt es ein unzensiertes UniAVC?
Nein. Es gibt weder ein NSFW-Release noch ein Community-Fine-Tune, und die Lizenz verbietet das Umgehen von Inhaltsfiltern. Spicy AI bietet H3 Turbo Image-to-Video als separate Alternative nur für Erwachsene an.
Ist Spicy AI mit HKUST & Huawei Research verbunden?
Nein. Spicy AI ist eine unabhängige Plattform und weder mit HKUST & Huawei Research verbunden noch von dort unterstützt. UniAVC ist eine Marke des jeweiligen Inhabers.
Ist es kostenlos?
Du kannst kostenlos starten: Melde dich an, und die kostenlose Video-Warteschlange von Spicy AI animiert dein Foto mit MiniMax H3 Turbo für 0 Credits — mit Tageslimit. Die schnelle Warteschlange, andere Videomodelle und längere Clips kosten Credits.
Quellen
Spicy AI ist nicht mit HKUST & Huawei Research verbunden. UniAVC und andere Produktnamen sind Marken ihrer jeweiligen Inhaber und werden hier nur zur Kennzeichnung verwendet. Alle Inhalte müssen Erwachsene (18+) darstellen.