Text-to-Video

Text-to-Video bezeichnet die Erzeugung einer bewegten Szene allein aus einer geschriebenen Beschreibung, ohne Vorlagebild. Es ist der schnellste Weg zu einem ersten Eindruck und der unzuverlässigste Weg zu einem bestimmten Ergebnis.

Wofür es sich eignet

Am Anfang eines Projekts, wenn die Richtung noch offen ist. Fünf Beschreibungen ergeben fünf Welten, und beim Ansehen stellt sich heraus, welche trägt. Das ist billiger und ehrlicher als eine lange Diskussion über Worte. Auch für Bewegungsstudien ist es nützlich, etwa um zu sehen, wie ein Modell eine bestimmte Kamerafahrt umsetzt.

Warum wir für die Produktion anders arbeiten

Ein Prompt beschreibt eine Szene nie vollständig. Was nicht dasteht, entscheidet das Modell, und zwar bei jedem Durchlauf neu. Für einen Film, dessen Einstellungen zueinander passen müssen, ist das der falsche Ausgangspunkt. Deshalb entsteht bei uns zuerst ein Standbild, das freigegeben wird, und daraus die Bewegung. Das ist Image-to-Video.

Der Vorteil liegt auf der Hand: Sie sehen und genehmigen, was später zu sehen sein wird, statt auf eine Beschreibung zu vertrauen. Siehe dazu Styleframe und Freigabepunkt.

Häufige Fragen

Was ist Text-to-Video?

Text-to-Video bezeichnet Verfahren, bei denen ein generatives Modell aus einer Textbeschreibung eine bewegte Szene erzeugt, ohne dass ein Bild vorgegeben wird. Der Begriff grenzt sich von Image-to-Video ab, wo ein Standbild die Grundlage bildet.

Wie lang sind die erzeugten Szenen?

Je nach Modell meist wenige Sekunden. Längere Szenen entstehen durch Aneinanderreihen, was wiederum Konsistenz über die Übergänge hinweg verlangt. Deshalb besteht ein Film aus vielen kurzen Einstellungen, nicht aus einer langen.

Kann man damit einen ganzen Spot machen?

Technisch ja, verlässlich nein. Was fehlt, ist die Kontrolle über Wiedererkennbarkeit und Anschluss. Wie sich Werkzeug und Produktion unterscheiden, beschreibt der Ratgeber KI-Video erstellen lassen oder selbst machen.