Phosphene 5.0: Kostenlose Mac-App macht KI-Videos, Bilder, Stimmen und Songs lokal

Worum es geht

Ein Entwickler aus der Community hat am 8. November auf Reddit Phosphene 5.0 vorgestellt. Die kostenlose App steht unter der MIT-Lizenz, einer sehr freien Open-Source-Lizenz, die auch kommerzielle Nutzung erlaubt. Phosphene lässt KI-Modelle für Videos, Bilder, Sprache und Musik lokal auf Macs mit Apple-Chip (M1 bis M4) laufen. Die Inhalte entstehen also auf dem eigenen Rechner, nicht auf den Servern eines Cloud-Anbieters. Technisch baut die App auf MLX auf, Apples Programmbibliothek für maschinelles Lernen. MLX ist auf den gemeinsamen Speicher der M-Chips zugeschnitten: Prozessor und Grafikeinheit teilen sich dort einen Speicher-Pool, deshalb können auch größere Modelle laufen.

In früheren Versionen musste man Phosphene über Pinokio installieren, einen Ein-Klick-Installer für KI-Programme. Mit Version 5.0 gibt es einen eigenen Mac-Installer.

Was neu ist in Version 5.0

Die wichtigsten Neuerungen laut Entwickler:

• Mac-Installer: Herunterladen, öffnen, und die Einrichtung läuft automatisch, ein Terminal braucht man nicht. Wer Phosphene schon über Pinokio nutzt, muss die Modelle nicht neu herunterladen. Pinokio funktioniert weiterhin.
• Neu gestaltetes Studio: Man wählt zuerst das Modell und sieht dann nur die Einstellungen, die zu diesem Modell passen.
• Video mit Ton: Mit LTX-2.5 (vom israelischen Unternehmen Lightricks) und Hailuo H3 erzeugt man Clips aus Text (Text-to-Video) oder aus einem Startbild (Image-to-Video). Die Einrichtung von H3 läuft in der Mac-App jetzt automatisch.
• Bilder: Die Modelle P-H3-Image und FLUX 3 Klein schreiben Text im Bild laut Entwickler genau so, wie man ihn eintippt. Das war bei Bildgeneratoren lange eine Schwäche. Seit Version 5.0.3 erzeugt die App Bilder auf seinem M4 Max standardmäßig etwa fünfmal schneller.
• Sprache und Lippensynchronisation: Aus einer Textzeile entsteht eine gesprochene Stimme, danach bewegt die App ein Gesicht passend dazu, sodass die Lippen zum Ton passen.
• Songs mit Gesang: Im „Music Studio“ macht das Modell YuE2 aus eigenen Songtexten fertige Lieder mit Gesang.
• Training eigener Figuren: Mit einer sogenannten LoRA, einem kleinen Zusatzmodul, das man mit wenigen Bildern trainiert, bringt man LTX eine bestimmte Figur bei. Diese Figur taucht dann in mehreren Clips gleich aussehend auf.
• Weniger Speicherbedarf: Videos und Songs funktionieren schon mit 16 GB Arbeitsspeicher, das Training eigener Figuren ab 24 GB und Hailuo H3 ab 36 GB.
• MCP-Server und Kommandozeile: Über MCP (Model Context Protocol), einen offenen Standard, mit dem KI-Assistenten externe Werkzeuge bedienen, können Programme wie Claude Code oder Codex selbstständig Clips erzeugen.

So schnell ist es: Messwerte des Entwicklers

Der Entwickler hat auf seinem MacBook mit M4 Max und 64 GB gemessen, jeweils mit gleichem Prompt und gleichem Startwert (Seed). Er hat jede Einstellung dreimal laufen lassen und gibt den Mittelwert an (Median):

Das sind Angaben des Entwicklers auf einem der stärksten Mac-Chips. Auf einem M1 oder M2 mit 16 GB dauert es deutlich länger, wie viel genau, sagt der Beitrag nicht. Weitere Messwerte stehen laut Entwickler auf der Projektseite phosphene.video.

Warum lokale Videogenerierung interessant ist

Das Techmagazin Startup Fortune hatte schon über eine frühere Phosphene-Version berichtet, die noch auf LTX 2.3 basierte, und sieht darin einen größeren Trend. Cloud-Dienste für KI-Videos rechnen nach Sekunden Video, nach Auflösung oder nach Rechenzeit ab. Wer viel ausprobiert, also Dutzende Varianten eines Clips erzeugt, zahlt schnell spürbar. Lokal kostet ein Versuch nur Strom und Zeit. Das verändere laut Startup Fortune auch, wie man arbeitet: Man probiert mehr aus, weil kein Preisschild an jedem Versuch hängt.

Dazu kommt der Datenschutz. Prompts und Ergebnisse verlassen den Rechner nicht, was bei kommerziellen Projekten oder Produkt-Prototypen ein echtes Argument sein kann. Für kleine Entwicklerteams eröffne das laut Startup Fortune Produktideen, die mit bezahlten Programmierschnittstellen (APIs) zu teuer wären. Das Magazin zieht eine Linie von Stable Diffusion bei Bildern über llama.cpp und Ollama bei Sprachmodellen hin zu Videos. Videos folgten demselben Muster, nur ein bis zwei Jahre später, weil die Modelle größer sind und mehr Speicher brauchen. Die Lightricks-Modelle der LTX-Reihe seien auf Effizienz statt auf Bestwerte in Vergleichstests getrimmt und deshalb gut für den lokalen Einsatz geeignet.

Was du zum Ausprobieren brauchst

• Rechner: Einen Mac mit Apple-Silicon-Chip (M1, M2, M3 oder M4). Intel-Macs, Windows und Linux werden nicht unterstützt, die App baut auf MLX auf.
• Arbeitsspeicher: Mindestens 16 GB für Videos mit LTX-2.5 und für Songs. 24 GB, wenn du eigene Figuren trainieren willst. 36 GB oder mehr für Hailuo H3. Mehr Speicher hilft auch bei höheren Auflösungen.
• Speicherplatz: Die Modelle werden beim Einrichten heruntergeladen. Genaue Größen nennt der Beitrag nicht, plane aber großzügig mehrere Dutzend Gigabyte freien Platz ein.
• Installation: Lade den Mac-Installer von der Projektseite oder von GitHub und starte ihn. Alternativ geht es weiterhin über Pinokio.
• Geduld: Selbst auf einem M4 Max dauert ein 5-Sekunden-Clip ein bis neun Minuten. Auf kleineren Macs musst du mit deutlich längeren Wartezeiten rechnen.

Einordnung

Phosphene ist kein neues KI-Modell, sondern eine Oberfläche, die vorhandene offene Modelle bündelt. Gerade das macht die App für Mac-Besitzer interessant. Lokale Videogenerierung lief bisher fast nur auf Nvidia-Grafikkarten bequem. Mit dem Installer und der Unterstützung ab 16 GB wird die Hürde deutlich niedriger. Dass Video, Bild, Stimme, Lippensynchronisation und Musik in einer App zusammenkommen, ist praktisch für alle, die kurze Clips komplett offline produzieren wollen. Spannend für Bastler ist auch die MCP-Anbindung: Ein KI-Assistent kann damit ganze Clip-Serien automatisch erstellen.

Allerdings stammen alle Leistungsangaben vom Entwickler selbst, unabhängige Tests gibt es bisher nicht. Wie gut die Ergebnisse im Vergleich zu Cloud-Diensten wie Veo, Sora oder Kling aussehen, ist offen. Für Videogenerierung sind die Wartezeiten auf Macs zudem nach wie vor lang. Startup Fortune beschrieb das Projekt in einer früheren Version als „früh und noch rau an den Kanten“. Ob Version 5.0 daran viel geändert hat, müssen Praxistests zeigen. Beachten solltest du außerdem: Für die App selbst gilt die MIT-Lizenz, für die eingebundenen Modelle gelten aber eigene Lizenzen, die eine kommerzielle Nutzung einschränken können.