BananaBanana Guide: 13 KI-Modelle, Preise, Funktionen

BananaBanana ist eine KI-Plattform für Bilder, Videos und Sprache, bei der du nur zahlst, was du nutzt: dreizehn Modelle von vier Anbietern hinter einem einzigen USD-Guthaben. Sechs Bildmodelle (drei Nano-Banana-Stufen, zwei Stufen von GPT Image 2.5 und Qwen Image 3.0 Pro), sieben Videomodelle (drei Stufen von Veo 3.1, zwei Generationen von Gemini Omni Flash, Wan 3.0 und Grok Imagine Video 1.5) und dazu Gemini 3.1 Flash TTS für Stimmen. Kein Abo, keine hinterlegte Karte. Du lädst mit Krypto oder Karte auf und zahlst pro Ergebnis.

Die Kurzfassung, falls du gerade Angebote vergleichst:

• Bilder kosten $0.03 bis $0.20 pro Stück, je nach Modell und Auflösung (512px bis 4K).
• Video ohne Ton gibt es ab $0.10 für einen 4-Sekunden-Clip in 720p mit Veo 3.1 Lite.
• Video mit Ton startet bei $0.18 mit Veo Lite oder bei $0.20 für einen 4-Sekunden-Clip in 480p mit Wan 3.0, wo der Soundtrack gratis dabei ist. Gemini Omni Flash rechnet pro Sekunde ab, von $0.03 bei 360p bis $0.30 bei 4K.
• Sprache kostet $0.01 pro 200 Zeichen, 30 Stimmen, ein oder zwei Sprecher.
• Aufladen: über 20 Kryptowährungen und Stablecoins ab $1 oder Karte, PayPal und SEPA ab $20. Kein Abo, nichts zu kündigen.
• Einstellungen: Seed, Negativ-Prompt, Referenzbilder und -clips, Start- und Endbild, Clip-Verlängerung. Fast die komplette API-Oberfläche in einer Web-UI, und dieselben Modelle per MCP für KI-Agenten.
• Neue Accounts bekommen $0.20 Startguthaben, fehlgeschlagene Generierungen werden automatisch erstattet.

Die erste Version dieses Beitrags erschien am Launch-Tag. Damals liefen hier sieben Google-Modelle, und der Text bestand aus sechs Stichpunkten und einem Versprechen. Das hier ist die Ausgabe vom September 2026: dreizehn Modelle, vier Anbieter, und jedes Beispiel unten wurde für diesen Artikel über unsere eigene Pipeline generiert.

Was kannst du mit BananaBanana erstellen?

Bilder, kurze Videoclips und gesprochenes Audio, jeweils in den meisten praktischen Varianten.

Bilder reichen von schnellen 512px-Entwürfen bis zu 4K-Exporten, in zehn Seitenverhältnissen vom quadratischen 1:1 bis zum Kinoformat 21:9. Du kannst Referenzbilder anhängen, wenn ein Produkt oder eine Figur über eine ganze Serie gleich aussehen soll (bis zu 14 bei Nano Banana 2 und GPT Image 2.5, drei bei Qwen). Ein günstiges Bild dauert ein paar Sekunden, die Topmodelle brauchen eher eine halbe Minute.

Beim Video gibt es inzwischen drei Denkschulen. Die Veo-3.1-Familie gibt dir Kontrolle: exakte Dauer von 4, 6, 7 oder 8 Sekunden, Auflösung bis 4K und ein Soundtrack, den du abschalten kannst. Omni Flash ist das Gesprächige: immer mit Ton, 3 bis 10 Sekunden, sekundengenau abgerechnet, und du verbesserst das Ergebnis, indem du Änderungen in normaler Sprache beschreibst. Das neueste Paar geht in die Länge oder spricht: Wan 3.0 rendert bis zu 30 Sekunden am Stück, und Grok Imagine Video 1.5 synchronisiert die Lippen zu einer Dialogzeile, die du selbst schreibst.

Ein leiserer Unterschied zu den meisten Wrapper-Seiten: Wir legen fast alle Parameter der jeweiligen API offen statt nur eines Prompt-Felds. Seed, Negativ-Prompt, ein Schalter für Prompt-Verbesserung, zehn Seitenverhältnisse, Motivreferenzen, Start- und Endbild, Clip-Verlängerung, der Ton-Schalter. Falls du schon mal ein Tool aufgegeben hast, weil es genau die eine Einstellung versteckt hat, die du brauchtest: Uns ging es genauso, deshalb versteckt der Generator nichts.

Rund um die Modelle gibt es das langweilige, aber wichtige Zeug: den Verlauf deiner Generierungen im Profil, automatische Rückerstattung, wenn ein Anbieter ausfällt, eine Oberfläche in 15 Sprachen und einen MCP-Server, über den Claude, Cursor oder dein eigener Agent dieselben Modelle mit demselben Guthaben aufrufen können.

Nano-Banana-Bildmodelle: Lite, Standard und Pro

Die drei Bildmodelle von Google gehören zu einer Familie und sind sauber aufgeteilt. Lite ist für Masse, Nano Banana 2 für Reserven bei der Auflösung, Pro für die Motive, die sich Leute wirklich genau ansehen.

Statt den Unterschied zu beschreiben, hier derselbe Prompt in allen drei Modellen: eine fotorealistische Flasche Bananenlimo auf einer regennassen Markttheke in der Abenddämmerung, mit einem Papieretikett „BANANA SODA“.

Lite ($0.03) trifft die Stimmung und den großen Schriftzug, gibt dann aber beim Kleingedruckten still auf: Die kleine Zeile unter dem Logo ist dekoratives Kauderwelsch. Für eine Illustration, in die niemand hineinzoomt, reicht das meistens.

Nano Banana 2 ($0.06 bei 1K) liefert ein komplett lesbares Etikett, bis hin zu einem erfundenen „EST. 1974“ und einer Füllmengenangabe, und zeigt eine breitere Straßenszene. Die Menütafel, die es im Hintergrund dazugedichtet hat, ist allerdings Buchstabensalat.

Pro ($0.11) gewinnt bei Typografie und Licht: klare Retro-Buchstaben mit Schlagschatten, lesbare Schreibschrift darunter. Lustiges Detail: Selbst Pro hat seinen eigenen erfundenen Slogan falsch geschrieben, als „Small Balch“. Bildmodelle sind bei Text weit gekommen, Korrekturlesen bleibt trotzdem dein Job.

Wir haben Lite außerdem eine Woche lang in Produktion laufen lassen und aufgeschrieben, wo das günstige Modell reicht – falls dich die Budgetseite genauer interessiert.

GPT Image 2.5 und Qwen Image 3.0 Pro: die anderen Bildmodelle

Drei Bildmodelle kommen inzwischen nicht von Google. Es gibt sie, weil Leute immer wieder eine zweite Meinung zum selben Prompt wollten.

Derselbe Bananenlimo-Prompt, zwei weitere Versuche.

Flare ($0.05) ist das einzige Modell im ganzen Line-up, das jedes Wort richtig hatte, inklusive Kleingedrucktem: „Real Banana Flavor, Since 1932“, dazu ein kleiner Bund Bananen, um den niemand gebeten hatte, und ein Markt-Bokeh, das wie ein echtes Foto wirkt. Es hat 36 Sekunden gedauert, das ist der Preis dieser Präzision. Sunburst ist dieselbe Modellfamilie, noch strenger auf den Prompt getrimmt. Ich greife dazu, wenn ein Layout exakt zu einem Briefing passen muss, nicht für einen ersten Entwurf.

Qwen ($0.04) war nach neun Sekunden fertig, mit dem kräftigsten Schriftzug der fünf und der saubersten Flasche, und machte dann beim Kleingedruckten dasselbe wie Lite: zwei Zeilen überzeugender Unsinn. Seine eigentliche Stärke ist Text auf Chinesisch, Japanisch, Koreanisch und in anderen Schriften, bei denen die Google-Modelle noch stolpern. Außerdem ist es hier das günstigste Modell mit Seed und Negativ-Prompt. Kein 4K allerdings.

Veo-3.1-Video: Standard, Fast und Lite

Die drei Veo-Stufen haben in unserem Generator dieselben Einstellungen, der Preisunterschied kauft Ausgabequalität, sichtbar vor allem bei Physik und feinen Bewegungen. Laut Googles Veo-Dokumentation unterstützt die Familie nativen Ton, Bild-zu-Video und Auflösungen bis 4K. Das deckt sich mit dem, was wir über die API sehen, mit einem Hinweis zur Plattform: Veo 3.1 Lite geht maximal bis 1080p.

Die Preise unten sind Spannen von einem 4-Sekunden- bis zu einem 8-Sekunden-Clip:

Der Clip oben ist Veo 3.1 Fast: ein 6-sekündiger Dolly-in ohne Ton auf einen Frühstückstisch zur goldenen Stunde, generiert für diesen Beitrag. Kosten in 720p: $0.52. Achte auf den Dampf und den Vorhang. Genau diese glaubwürdige Bewegung unterscheidet Veo von günstigeren Videomodellen, und Fast behält das meiste davon zu einem Drittel des Standard-Preises.

Ein Clip ist meistens innerhalb weniger Minuten da. Wenn die Kapazität knapp ist, startet die Plattform den Vorgang selbst neu und zeigt dir beim Warten den Zähler der Wiederholungen. Klappt es trotzdem nicht, bekommst du dein Geld zurück. Dieselbe Regel gilt, wenn der Sicherheitsfilter Ergebnisse schluckt: Eine komplette Sperre wird voll erstattet, eine teilweise anteilig.

Meine Faustregel nach Monaten im Betrieb: Lite für Storyboards und Social-Entwürfe, Fast für den Alltag, Standard, wenn Wasser, Stoff oder Kollisionen stimmen müssen oder die Vorgabe 4K verlangt. Veo hat außerdem die größte Reichweite: Ein fertiger Clip lässt sich in Schritten von 7 Sekunden verlängern, bis zu 148 Sekunden mit durchgehender Kontinuität.

Omni Flash: Video mit Ton, das du per Chat bearbeitest

Gemini Omni Flash tanzt aus der Reihe. Google hat die erste Generation im Juni 2026 veröffentlicht und Omni 1.1 im August. Beide laufen hier, 1.1 ist Standard. Das Modell erzeugt immer einen Soundtrack, läuft 3 bis 10 Sekunden in einer Länge, die du selbst in ganzen Sekunden festlegst, und rechnet pro Sekunde ab: $0.03 bei 360p, $0.10 bei 720p, $0.15 bei 1080p und $0.30 bei 4K. Ein dreisekündiger Entwurf kostet also $0.09, volle zehn Sekunden in 720p $1.00. Es nimmt Eingabebilder an: ein Startbild, optional ein Endbild und bis zu drei Referenzclips für eine Figur oder ein Produkt. Die Generation 1.0 bleibt mit 4, 6, 8 oder 10 Sekunden in 720p oder 1080p verfügbar, falls dir ihr Look lieber ist.

Mach bei diesem hier den Ton an. Der Pancake-Clip ist eine einzige Omni-Flash-Generierung: ein Text-Prompt, in dem Ahornsirup auf einen Stapel Pancakes fließt, eine ausdrückliche Anweisung „single continuous shot, no scene cuts“ (Omni schneidet sonst gern zusätzliche Einstellungen hinein) und eine „Audio:“-Zeile, die sich das leise Tröpfeln des Sirups über der ruhigen Raumatmosphäre einer Küche wünscht. Keine separate Tonarbeit. Ich habe die vollen 10 Sekunden bestellt.

Eine Lektion zum Prompten aus diesem Clip: Omni behält, was im ersten Bild schon passiert, und lässt Aktionen, die später beginnen sollen, stillschweigend weg. Meine ersten Entwürfe verlangten einen Pancake-Wurf „etwa in der Mitte des Clips“ und bekamen dreimal hintereinander zehn Sekunden Nichts. Die funktionierende Version beschreibt den Sirup so, dass er schon im allerersten Bild fließt und das bis zum Ende tut. Beschreib die Handlung als laufenden Vorgang, nicht als Zeitplan.

Die Funktion, die den Preis rechtfertigt, ist das Bearbeiten. Jedes fertige Video bekommt einen Bearbeiten-Button, nicht nur die von Omni: Beschreib eine Änderung („mach es Nacht, alles andere bleibt gleich“), zahl die Sekunden noch einmal, und das Modell rendert den Clip mit deiner Korrektur neu und behält dabei das meiste vom Original. Eigene Uploads funktionieren auch, ein Veo-Clip oder ein Handyvideo lässt sich also über Omni umstylen. Das Ergebnis hat immer dieselbe Länge wie die Quelle. Omni 1.1 kann außerdem verlängern: Jeder Schritt hängt 3 bis 10 Sekunden an den letzten Clip an, bis zu insgesamt etwa 40 Sekunden. Wir haben das Modell in einem eigenen Omni-Flash-API-Test auseinandergenommen, und es gibt eine eigene Seite dazu, was sich mit 1.1 geändert hat.

Wan 3.0 und Grok Imagine Video 1.5: lange Takes und sprechende Clips

Diese beiden kamen im September dazu und schließen die Lücken, die die Google-Modelle offenlassen.

Wan 3.0 ist das einzige Modell auf der Plattform, das eine halbe Minute in einem Durchgang rendert, und sein Soundtrack kostet nichts extra. Damit ist es hier der günstigste Weg zu Video mit Ton. Der Haken liegt am oberen Ende: 30 Sekunden in 1080p kosten $6.00, die teuerste einzelne Generierung, die wir verkaufen. Referenzclips werden ebenfalls berechnet, eine 15-Sekunden-Referenz plus 15 Sekunden Ausgabe kosten also wie 30 Sekunden.

Das Laternenboot ist eine Wan-3.0-Generierung für diesen Beitrag: zehn Sekunden in 720p, $1.00, ein Prompt für eine einzige durchgehende Kamerafahrt entlang eines Waldbachs in der Dämmerung mit Glühwürmchen, und eine „Audio:“-Zeile für Wasser und Grillen. Es hat den ganzen Take ohne Schnitt geliefert – genau das, was man Omni erst ausreden muss. Die Kerzenflamme ist mir einen Tick zu ruhig. Ton an: Der Bach ist generiert, kein Stock-Sound.

Grok ist der, der spricht. Der Barista-Clip dauert sechs Sekunden in 720p ($0.84): Ich habe ihren Satz in Anführungszeichen in den Prompt geschrieben, und das Modell lieferte ein sprechendes Gesicht, dessen Mundbewegungen zu den Worten passen. Auf dieser Funktion bauen Leute UGC-artige Werbung, und wir haben einen eigenen Guide zu KI-UGC-Videos dazu. Zwei ehrliche Anmerkungen aus den Logs: Referenzbilder funktionieren nur in 720p (ein Startbild geht auch in 1080p), und dieser Clip kam in 1280×704 statt in echten 720 Zeilen zurück. Auf dem Handy merkt das niemand. Ein Kunde, der Pixel zählt, vielleicht schon.

Text-to-Speech: 30 Stimmen, ein Cent pro 200 Zeichen

Gemini 3.1 Flash TTS macht aus Text eine WAV-Datei mit 24 kHz für $0.01 pro angefangene 200 Zeichen. Ein 60-Sekunden-Text mit etwa 900 Zeichen kostet also fünf Cent. Du wählst eine von 30 Stimmen oder legst einen Dialog zwischen genau zwei an und steuerst den Vortrag in normalen Worten: „warm, unaufgeregt, leichtes Lächeln“, dazu Inline-Tags wie [whispers] oder [laughs], wo du sie haben willst. Das läuft im selben Generator wie Bilder und Video und per MCP als generate_speech.

Das ist eine Generierung: etwa 150 Zeichen, die Stimme Kore, eine einzeilige Stilanweisung für einen entspannten Erzähler statt eines Werbesprechers. Kosten: ein Cent. Für ein Hörbuch würde ich es nicht nehmen, aber für ein Voiceover zu einem Produktclip ist es besser, als darauf zu warten, dass ein Freelancer seine Mails liest.

Wie funktionieren Zahlungen und Rückerstattungen?

Dein Guthaben läuft in USD und sinkt nur, wenn eine Generierung erfolgreich ist. Krypto-Einzahlungen im Web wickelt 0xProcessing ab: BTC, ETH, SOL, TON, BNB, LTC, TRX, XRP, DOGE und BCH, dazu die Stablecoins USDT, USDC, DAI und TUSD in den Netzwerken ERC-20, BEP-20, Solana, TON und Base. Das sind über 20 Optionen, und in der Praxis nehmen die meisten unserer Nutzer Stablecoins in günstigen Netzwerken wie TON oder Solana. Es gibt eine komplette Anleitung zur Krypto-Einzahlung, falls du deine erste Überweisung schickst. Karten, PayPal-Guthaben und SEPA-Überweisungen laufen stattdessen über PayPal Checkout, ab $20 pro Zahlung.

Die Registrierung braucht eine E-Mail-Adresse und bringt $0.20 Guthaben mit, genug für sechs Lite-Bilder, bevor du irgendetwas entscheidest. Hat dir jemand einen Promo-Code gegeben, aktivierst du ihn einmal, und jede deiner Einzahlungen bekommt +10 % Bonus obendrauf. Auch die Höhe der Einzahlung bringt einen eigenen Bonus, bei Krypto-Aufladungen: 5 % ab $50 und 10 % ab $100, und beides lässt sich kombinieren: $100 in Krypto mit aktivem Code ergeben $120 Guthaben.

Nichts bleibt hinterlegt

Mit Karte zu zahlen geht, aber die Karte berührt unsere Plattform nie: Du klickst auf den PayPal-Button, und die Daten gibst du im eigenen Fenster von PayPal ein. Danach wird nichts gespeichert, und nichts verlängert sich. Wenn du schon mal ein KI-Tool für ein einziges Projekt abonniert und dann vier ungenutzte Monate bezahlt hast, weil die Kündigung drei Menüs tief versteckt war, weißt du genau, warum das wichtig ist. Eingezahltes Guthaben gehört dir, bis du es ausgibst. Ist es aufgebraucht, läuft keine Gebühr einfach weiter. Der Kompromiss, klar gesagt: Der Kartenweg beginnt bei $20 pro Zahlung, Krypto bei etwa $1. Eine Stablecoin-Überweisung von $10 über TON kostet ein paar Cent Gebühren und dauert beim ersten Mal etwa fünf Minuten, danach Sekunden.

In eigenen Beiträgen haben wir aufgeschlüsselt, warum du nie eine Karte hinterlegen musst und wie Bezahlung pro Bild im Vergleich zu Abos abschneidet. Die Logik der Rückerstattung lohnt sich hier auszuschreiben, denn generative APIs fallen öfter aus, als irgendwer zugibt. Eine Generierung, die mit einem Fehlerstatus endet, wird automatisch zum vollen Preis erstattet. Ohne Support-Ticket. Alle Preislisten findest du auf der Preisseite.

Empfehlungsprogramm: 5 % bis 15 % jeder Einzahlung

In deinem Profil kannst du bis zu drei Promo-Codes anlegen. Wer deinen Code aktiviert, bekommt +10 % auf jede seiner Einzahlungen, und du verdienst eine Provision auf diese Einzahlungen: 5 % zum Start, 10 %, sobald die von dir Geworbenen insgesamt mehr als $1,000 aufgeladen haben, 15 % ab $2,000. Der Code bleibt am Account des Käufers hängen, Bonus und Provision gelten also automatisch für jede Einzahlung, nicht nur für die erste.

Zwei ehrliche Einschränkungen. Deinen eigenen Code kannst du nicht aktivieren, und Registrierungen aus demselben Netzwerk wie deinem zählen nicht für Provisionen. Die Betrugsprüfungen sind absichtlich streng.

FAQ

Was kostet KI-Bildgenerierung bei BananaBanana?

Ab $0.03 pro Bild (Nano Banana 2 Lite in 1K oder Nano Banana 2 in 512px) bis $0.20 für ein 4K-Bild mit Nano Banana Pro. GPT Image 2.5 kostet $0.05 bis $0.18, Qwen Image 3.0 Pro $0.04 bis $0.08. Es gibt kein Abo, du zahlst pro Bild aus einem vorab aufgeladenen Guthaben.

Kann ich BananaBanana kostenlos testen?

Jeder neue Account startet mit $0.20 Guthaben. Das reicht für sechs Bilder mit dem günstigsten Modell oder einen 4-Sekunden-Clip mit Ton in Wan 3.0. Für die Registrierung brauchst du keine Kartendaten, nur eine E-Mail-Adresse.

Brauche ich eine Kreditkarte oder ein Abo?

Zum Start brauchst du keine Karte: Du registrierst dich mit einer E-Mail-Adresse und bekommst $0.20 Guthaben. Danach lädst du ein USD-Guthaben auf, wann du willst, mit Krypto ab etwa $1 oder per Karte, PayPal oder SEPA ab $20, und zahlst pro Generierung. Es gibt keine Abo-Stufe, ungenutztes Guthaben verfällt nicht, und nichts kann dich automatisch belasten.

Welche Kryptowährungen akzeptiert BananaBanana?

BTC, ETH, SOL, TON, BNB, LTC, TRX, XRP, DOGE, BCH und die Stablecoins USDT, USDC, DAI und TUSD in den Netzwerken ERC-20, BEP-20, Solana, TON und Base.

Kann ich KI-Videos mit Ton generieren?

Ja, auf vier Wegen. Die Veo-3.1-Modelle haben einen Ton-Schalter (ein 4-Sekunden-Clip mit Ton beginnt bei $0.18 mit Veo Lite), Wan 3.0 liefert seinen Soundtrack ab $0.20 kostenlos mit, Gemini Omni Flash erzeugt immer Ton ab $0.03 pro Sekunde, und Grok Imagine Video 1.5 synchronisiert die Lippen zu Dialog, den du schreibst, ab $0.56 pro Clip.

Was passiert, wenn eine Generierung fehlschlägt?

Der volle Preis wird automatisch auf dein Guthaben zurückgebucht. Bei Video wiederholt die Plattform Kapazitätsfehler zuerst selbstständig. Blockiert ein Sicherheitsfilter einen Teil der Ausgabe, wird der nicht gelieferte Teil anteilig erstattet.