PixVerse baut seine Videogrundmodelle selbst und ordnet sie in drei Linien. V6 erledigt die Clip-Generierung, C1 zielt auf Filmproduktion, R1 zeigt auf Echtzeit-Welten zum Mitmachen. Der Anbieter formuliert die Trennung nüchtern: V6 für präzise Kontrolle und eigenen künstlerischen Ausdruck, C1 für filmische Kontrolle und physikalische Simulation, R1 für wirklichkeitsnahe Menschen, Bewegungsästhetik und kommerzielle Abstimmung.

V6: 15 Sekunden in 1080p, und der Ton entsteht im selben Lauf

Die Modellseite nennt vier Fähigkeiten. Erstens 15 Sekunden 1080p: längeres und stabileres Material am Stück, also weniger Bruchstücke und weniger manuelles Aneinanderhängen. Zweitens native Mehrfacheinstellungen — Weitwinkel, Halbnah, Nah und die Übergänge dazwischen kommen aus einer Generierung, die Erzählstruktur ist also schon montiert. Drittens nativer Ton, bei dem Dialog, Effekte und Atmosphäre gemeinsam entstehen. Viertens die Kontrolle des Seitenverhältnisses: 16:9, 9:16 oder ein anderes Ausgabeformat steht vor der Generierung fest, statt hinterher beschnitten zu werden.

Als Paket beantworten die vier eine einzige Frage: Kann eine Generierung direkt rausgehen? Lang genug, strukturell geschnitten, mit eigenem Ton, im richtigen Rahmen. Die Seite rät außerdem, die Ausgabe vorab am Kanal auszurichten, statt das Format am Ende zu korrigieren.

Text oder Bild als Ausgangspunkt

Die FAQ sagt klar, dass V6 sowohl aus einem Textprompt als auch aus einem Standbild arbeitet. Text-zu-Video passt zu einem neuen Konzept, Bild-zu-Video zu einem Produktfoto, einem Figurendesign, einem Bild oder einer visuellen Vorlage, die schon vorliegt. Das Ergebnis hängt stark an der Eingabe, deshalb bittet der Anbieter um Bilder mit klarem Motiv, lesbaren Kanten und kräftigem Aufbau und darum, im Prompt zu sagen, ob die Kamera hineinfährt, schwenkt, neigt, mitläuft oder umkreist. Figurenkonsistenz entsteht dadurch, dass dieselben Anker in jeder Einstellung wiederholt werden — Haarfarbe, Kleidung, Accessoire.

Der Listenwert und der Preis pro Minute

Der Vergleichsbereich der Seite zitiert eine fremde Rangliste für Bild-zu-Video, datiert auf den 2. April 2026. V6 steht bei einem ELO von 1,343 mit einem API-Preis von 4.80 Dollar pro Minute. Dieselbe Grafik führt vier Vergleichszeilen: 1,333 Punkte bei 4.20 Dollar, 1,298 bei 13.44, 1,291 bei 9.00 und 1,195.5 bei 18.00.

Zwei Vorbehalte zählen. Metrikdefinition, Erhebungsdatum und die Listenpreise anderer Anbieter bewegen sich, und dies ist die Darstellung des Anbieters von Daten Dritter. Ein Budget gehört daher gegen die Seite zum Kaufzeitpunkt geprüft und nicht aus einer Grafik abgeschrieben.

C1 und das Werkzeugumfeld

C1 ist als durchgängige Kreativmaschine für die Filmarbeit positioniert. Um die Modelle herum liegen fünf Zugänge: die Weboberfläche für gewöhnliche Videoarbeit; ein Agent, der eine im Gespräch geäußerte Absicht in einen Ablauf übersetzt und mehrere Einstellungen auf einmal erzeugen kann; ein Marketingbereich für Werbung und Handel mit geführtem Weg zum fertigen Spot; Canvas, ein bearbeitbarer Graph, der Referenzen, Prompts, Bewegung und Schnitt verbindet; und eine CLI, die Prompts, Referenzmaterial, Ausgabeverhältnisse und Stapelaufträge vom Terminal aus annimmt.

Eine zweite Ebene trägt leichtere Werkzeuge — Vorlagen, Lippensynchronisation, einen Effektgenerator, lokale Bildbearbeitung, Outpainting und Clip-Verlängerung. Die Form des Produkts ist damit kein Chatfenster, das Videos zurückgibt, sondern eine Plattform, die von der Materialvorbereitung bis zur Auslieferung alles selbst abdeckt.

R1 und R2: Generierung als Welt, die man betreten kann

Die R-Linie greift weiter. Die Ankündigung datiert R1 auf Januar 2026 und nennt es ein Echtzeit-Weltmodell, das Generierung von einer einmaligen Ausgabe in einen Strom verwandelt, der weiter auf Eingaben antwortet; drei Monate später bekam R1 geteilte Welten und persönliche Avatare, sodass mehrere Menschen dieselbe erzeugte Welt betreten und gemeinsam formen.

Ein Forschungstext vom August 2026 erklärt, wie R2 dorthin kam. Herkömmliche Aufbauten für lange Videos und Echtzeit laufen durch etwa fünf Trainingsstufen, und jede Übergabe kostet Qualität und Stabilität über lange Zeiträume. R2 schrumpft das auf zwei: Ein Omni Causal AR wird durchgehend als einheitliches Weltmodell vortrainiert, dann wird dieselbe kausale Basis direkt zu einem Echtzeitmodell destilliert, nach dem Grundsatz beschleunigen ohne neu zu lernen. Damit Identität und Szene über lange Läufe halten, teilt R2 das Gedächtnis in drei Kanäle — Sink Memory bewahrt dauerhafte Anker wie Figurenidentität, Umgebung, Stil und Weltregeln; Rolling History hält jüngste Bewegung, Pose, Kameraführung und Umgebungswechsel fest; Object KV Cache verwendet objektbezogene Verläufe erneut.

Ein weiteres Design verdient eine eigene Zeile. Eine Error Bank speichert typische Fehlerzustände und spielt sie im Training neben der normalen Historie ab, damit ein Modell, das vom betretenen Weltzustand abgedriftet ist, wieder zurückfinden kann. Die genannten internen Zahlen sind ein Langzeitmaß für Helligkeitsdrift, das von 0.201 auf 0.129 fällt — eine Verbesserung um 35.8 Prozent —, wobei 20 von 29 langen Sequenzen besser wurden, und eine attention sparsity über 90 Prozent in internen Tests. All das ist die eigene gestufte Bewertung des Anbieters, kein unabhängig reproduziertes Ergebnis.

Unternehmenszugang und API

Entwickler erreichen PixVerse über eine offene Plattform. Die Dokumentation verspricht Videoausgabe bis 1080P und auf dem schnellen Pfad im Schnitt etwa 10 Sekunden Rendering bei einem Bestwert von 5. Sie beschreibt die Grundlage als vollständig eigenes Videogrundmodell und das Publikum als mehr als 100 Millionen Kreative und Unternehmen in 175 Ländern. Die Schnittstellen decken Text-zu-Video, Bild-zu-Video, Effekte, Lippensynchronisation, Übergänge, Verlängerung, Kamerafahrten, Ton, Mischen, Garderobe und Bewegungskontrolle ab.

Fremde Modelle leben im selben Arbeitsbereich, fünf davon stehen in der Modellliste, Bild und Video gemischt. Ein Videomodell dort nimmt Clips von 4 bis 30 Sekunden und im Referenzmodus bis zu 50 Referenzassets, aufgeteilt in 30 Bilder, 10 Videos und 10 Tonspuren. Wettbewerber nebeneinanderzustellen macht die Modellwahl selbst zum Vergleich innerhalb der Plattform.

Spiele und interaktive Unterhaltung

Dieselbe Ankündigung dehnt R1 auf Spiele aus. Die Spiel-Engine trennt Mechanik von visuellem Ausdruck: Spieler handeln in natürlicher Sprache, und die Welt antwortet in Aussehen und Verhalten, ohne auf vorab geschriebene Optionen beschränkt zu sein. Ein interaktiver Live-Stream gehört zum selben Schritt, mit KI-Figuren, die auf Zuschauereingaben reagieren.

Grenzen

15 Sekunden und 1080p beschreiben eine einzelne V6-Generierung; längere Schnitte brauchen weiterhin mehrere Segmente oder die Verlängerung. Die Rangliste und die Minutenpreise stammen aus Daten Dritter, die der Anbieter wiedergibt, erhoben am 2. April 2026, und Kurse bewegen sich, also vor dem Kauf die aktuelle Seite prüfen. Die Driftverbesserung und die attention sparsity sind interne Stufenergebnisse, keine fremden Benchmarkwerte. Und die kommerziellen Rechte hängen am Abonnement — die Modellseite rät Teams, ihren Tarif zu prüfen, bevor sie bezahlte oder kundenorientierte Inhalte veröffentlichen, während erzeugtes Material weiterhin Community-Regeln und lokales Recht respektieren muss.

Zusammengefasst: drei Linien, die sich nicht überschneiden. V6 macht eine einzelne Generierung als fertige Einheit nutzbar — 15 Sekunden, 1080p, mehrere Einstellungen, eigener Ton, vorab gewählter Rahmen. C1 zielt auf Kontrolle auf Filmniveau. R1 und R2 schieben die Generierung in eine Echtzeit-Welt aus Bild und Ton, mit der man weiter interagieren kann. Darunter liegen eine API mit mehr als zehn Fähigkeiten und ein Arbeitsbereich, in dem konkurrierende Modelle direkt vergleichbar sind.