KI-Videogeneratoren erzeugen aus einer Textbeschreibung oder einem Startbild kurze Videoclips, die es nie gefilmt gegeben hat. Typisch sind heute Längen von wenigen Sekunden bis etwa einer Minute – kein fertiger Film, aber brauchbares Rohmaterial.
Wie aus Text ein Video wird
Die Technik ist dieselbe wie bei der Bildgenerierung, nur um eine Dimension erweitert. Das Modell startet mit Bildrauschen und rechnet es schrittweise in ein Bild um, das zu deiner Beschreibung passt. Beim Video muss es zusätzlich dafür sorgen, dass die einzelnen Frames zusammenpassen: Ein Gesicht darf zwischen Sekunde eins und zwei nicht die Form wechseln, ein Auto nicht die Farbe.
Genau diese zeitliche Konsistenz ist der schwierige Teil und der Grund, warum Videogenerierung deutlich teurer und langsamer ist als Bildgenerierung. Ein Clip von fünf Sekunden kostet den Anbieter ein Vielfaches eines Einzelbildes – das schlägt sich in Wartezeiten und Kontingenten nieder.
Die drei Arbeitsweisen
- Text zu Video: Du beschreibst die Szene, das Modell erfindet alles. Maximale Freiheit, minimale Kontrolle – bei mehreren Versuchen bekommst du völlig verschiedene Ergebnisse.
- Bild zu Video: Du lieferst ein Startbild und beschreibst nur die Bewegung. Das ist in der Praxis der verlässlichste Weg, weil Bildaufbau, Farben und Personen bereits feststehen. Für wiedererkennbare Ergebnisse ist das der Standardweg.
- Video zu Video: Ein vorhandener Clip wird stilistisch umgewandelt, Bewegung und Timing bleiben erhalten. Nützlich, wenn du eine eigene Aufnahme hast und nur die Optik ändern willst.
Was in eine gute Beschreibung gehört
Der häufigste Fehler ist, ein Video wie ein Bild zu beschreiben. Ein Bild-Prompt beschreibt einen Zustand, ein Video-Prompt braucht zusätzlich eine Bewegung – und zwar eine einzige, klar benannte. Bewährt hat sich diese Reihenfolge:
- Motiv: Wer oder was ist zu sehen, und in welcher Umgebung.
- Bewegung im Bild: Was tut das Motiv? Eine Handlung genügt. Zwei gleichzeitige Handlungen führen fast immer zu Bildfehlern.
- Kamera: Statisch, langsamer Schwenk, Fahrt nach vorn, Drohnenaufnahme von oben. Ohne Angabe erfindet das Modell eine Bewegung, oft eine unruhige.
- Licht und Stimmung: Tageszeit, Wetter, Lichtquelle. Das entscheidet über den Gesamteindruck stärker als jedes andere Detail.
- Format: Hoch- oder Querformat und Länge – abhängig davon, wo der Clip später landet.
Kurz und eindeutig schlägt lang und ausgeschmückt. Wenn du drei Sätze über die Atmosphäre schreibst und einen halben über die Handlung, bekommst du eine schöne, aber falsche Szene.
Wo die Grenzen liegen
Drei Schwächen sind so systematisch, dass du sie einplanen solltest, statt gegen sie anzuprompten:
- Konsistenz über mehrere Clips: Dieselbe Person in Szene eins und Szene drei identisch aussehen zu lassen, ist die härteste Aufgabe. Der übliche Ausweg: ein einziges Referenzbild der Person erzeugen und alle Clips daraus als Bild-zu-Video ableiten.
- Schrift im Bild: Beschriftungen, Logos und Schilder werden regelmäßig zu Buchstabensalat. Text gehört nachträglich in den Schnitt, nicht in den Prompt.
- Physik bei schnellen Bewegungen: Sport, Handwerk, alles mit Werkzeug oder Ballkontakt. Je schneller die Bewegung, desto eher lösen sich Hände und Objekte auf.
Hinzu kommt: Ton entsteht meist nicht mit. Viele Generatoren liefern stumme Clips, Musik und Sprache kommen aus separaten Werkzeugen und werden im Schnittprogramm zusammengeführt.
Wofür sich der Aufwand lohnt
Realistisch ist KI-Video heute stark bei allem, wofür man sonst Stockmaterial kaufen würde: Hintergrundaufnahmen, Stimmungsbilder, Übergänge, Produktvisualisierungen ohne Menschen, Erklärvideos mit abstrakten Szenen. Also überall dort, wo eine Sekunde mehr oder weniger niemandem auffällt.
Schwach ist es dort, wo eine bestimmte Person eine bestimmte Sache tun muss – also bei fast jeder Werbung mit Gesicht, bei Anleitungen und bei allem Dokumentarischen. Wer das versucht, verbringt mehr Zeit mit Aussortieren als eine echte Aufnahme gekostet hätte.
Rechtlich: Kennzeichnung ist Pflicht
Beim Veröffentlichen gelten dieselben Regeln wie bei KI-Bildern, nur greifen sie hier härter, weil bewegte Bilder überzeugender wirken. Drei Punkte solltest du kennen:
- Kennzeichnungspflicht: Das europäische KI-Recht verlangt, künstlich erzeugte Inhalte als solche offenzulegen, wenn sie reale Personen oder Ereignisse täuschend echt nachbilden. Details dazu im Beitrag zum EU AI Act.
- Reale Personen: Ein Gesicht darfst du nicht ohne Einwilligung nachbilden – das ist der Übergang zum Deepfake und damit ein Persönlichkeitsrechtsproblem, unabhängig von deiner Absicht.
- Kommerzielle Nutzung: Ob du den Clip geschäftlich verwenden darfst, steht in den Nutzungsbedingungen des Anbieters und unterscheidet sich je nach Tarif deutlich. Bei kostenlosen Zugängen ist die gewerbliche Nutzung oft ausgeschlossen.