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.