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

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.

Auch: video generation, T2V, AI video generator

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

Text-to-Video erweitert Text-to-Image um ein zweites Problem: Zeit. Ein einzelner guter Frame reicht nicht. Objekte müssen ihre Form behalten, die Beleuchtung muss stabil bleiben, und Bewegung muss über jeden Frame hinweg physikalisch wirken.

So funktioniert es

Viele Videomodelle starten mit einem Bild-Diffusionsmodell und fügen Schichten hinzu, die über Frames hinweg schauen. Das Make-A-Video-Paper von Meta brachte die Idee auf den Punkt: Aussehen aus gepaarten Texten und Bildern lernen und Bewegung aus nicht gelabelten Videos. Stable Video Diffusion wurde in Stufen trainiert, zuerst auf Bildern, dann auf einem großen Videosatz, dann auf einem kleineren mit hoher Qualität.

In der Praxis

Gehostete Dienste wie Kling und Runway sowie Modelle wie Veo 3.1 erzeugen aus einem Prompt Clips von einigen Sekunden. Viele nehmen auch ein Standbild als ersten Frame an, das ist Image-to-Video. Weitere Optionen stehen unter Videomodelle.

Grenzen

Clips sind kurz, und längere Szenen werden meist zusammengesetzt. Feine Details, Hände, Text sowie Ursache und Wirkung brechen oft zusammen. Die Generierung ist viel teurer als bei Bildern, da jede Sekunde viele Frames enthält. Realistische Ausgaben werfen außerdem Bedenken wegen Deepfakes auf.

Verwandte Begriffe

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.
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.
World Model
Ein World Model (Weltmodell) ist ein KI-Modell, das gut genug lernt, wie eine Umgebung funktioniert, um vorherzusagen, was als Nächstes passiert, oft aus Video- oder Sensordaten, sodass ein Agent in der Simulation planen oder trainieren kann.

Quellen