Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Image-to-Video

Image-to-Video (Bild-zu-Video) ist die Aufgabe, ein Standbild in einen kurzen Videoclip zu verwandeln, meist mit dem Bild als erstem Frame und einem Text-Prompt, der die Bewegung beschreibt.

Auch: I2V, photo animation, animate image

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Während Text-to-Video die ganze Szene erfindet, beginnt Image-to-Video mit einem Bild, das du lieferst, und muss nur entscheiden, wie es sich bewegt. Dadurch lässt sich das Aussehen des Ergebnisses viel leichter steuern: Motiv, Bildausschnitt, Farben und Stil kommen aus deinem Bild.

So funktioniert es

Die meisten Image-to-Video-Modelle sind Video-Diffusionsmodelle, die das Eingabebild als zusätzliche Bedingung nutzen. Das Stable-Video-Diffusion-Paper berichtete, dass ein auf großen Mengen Video trainiertes Basismodell eine Bewegungsrepräsentation lernt, die sich auf die Image-to-Video-Generierung übertragen lässt.

Typische Einsätze

Ein typischer Ablauf ist, mit Text-to-Image einen Frame zu erzeugen, ihn zu verfeinern und dann zu animieren. Produktaufnahmen, Illustrationen, Storyboards und Social-Media-Clips sind häufige Fälle. Dienste wie Kling und Runway bieten es neben Text-to-Video an; weitere Optionen stehen unter Videomodelle. Ein Porträt sprechen zu lassen, ist eine verwandte Aufgabe, die unter Lip Sync behandelt wird.

Grenzen

Das Modell muss raten, was hinter Objekten verborgen ist und wie die Szene aus neuen Blickwinkeln aussieht, Gesichter und feine Details können also im Lauf des Clips wegdriften. Clips sind kurz. Das Foto einer echten Person ohne Einwilligung zu animieren, wirft dieselben Fragen auf wie ein Deepfake.

Verwandte Begriffe

Text-to-Video
Text-to-Video ist die Aufgabe, aus einem geschriebenen Prompt einen kurzen Videoclip zu erzeugen. Modelle müssen Frames erzeugen, die jeder für sich stimmig aussehen und sich zudem von einem Frame zum nächsten konsistent bewegen.
Diffusionsmodell
Ein Diffusionsmodell (Diffusion Model) ist ein generatives Modell, das lernt, zufälliges Rauschen in Daten wie ein Bild zu verwandeln, indem es über viele Schritte jeweils ein wenig Rauschen entfernt.
Text-to-Image
Text-to-Image ist die Aufgabe, aus einer geschriebenen Beschreibung, dem Prompt, ein neues Bild zu erzeugen. Die meisten aktuellen Text-to-Image-Modelle sind Diffusionsmodelle, die durch den Text gesteuert werden.
Lip Sync (KI-Video)
KI-Lip-Sync (Lippensynchronisation) ist der Einsatz eines Modells, um die Mundbewegungen einer Person in einem Video oder Bild so zu verändern, dass sie zu einer neuen Tonspur passen, etwa einer übersetzten oder umgeschriebenen Zeile.
Deepfake
Ein Deepfake ist ein Bild-, Audio- oder Videoinhalt, der mit KI erstellt oder verändert wurde, sodass er überzeugend eine echte Person, einen Ort oder ein Ereignis so zeigt, wie es nicht geschehen ist, und als echt durchgehen könnte.

Quellen