Ein Bild ist nur der Anfang: Welche Video-KI passt wirklich zu eurem Unternehmen?

Ein kurzer Produktclip kann heute aus einem Satz entstehen. Ein vorhandenes Foto lässt sich in Bewegung versetzen. Eine aufgezeichnete Kamerafahrt kann einen anderen Stil, ein anderes Licht oder einen neuen Hintergrund erhalten.

Das klingt nach einem einzigen Arbeitsgang. Tatsächlich verbergen sich dahinter sehr unterschiedliche Verfahren, Modelle und Preissysteme. Ein Werkzeug kann herausragende Text-zu-Video-Clips erzeugen, aber keinen letzten Frame kontrollieren. Ein anderes verarbeitet mehrere Produkt-, Personen- und Sprachreferenzen, kostet jedoch deutlich mehr. Manche Modelle liefern synchronisierten Ton. Andere konzentrieren sich auf professionelle Farbe, HDR oder Video-zu-Video.

Die Frage lautet deshalb nicht: Welche Video-KI ist die beste?

Die bessere Frage lautet: Welche Video-KI passt zu unserem konkreten Material, unserer Qualitätsanforderung und unserem Produktionsprozess?

Dieser Beitrag erklärt die wichtigsten Verfahren und vergleicht aktuelle Modelle anhand offizieller Produktinformationen, nachvollziehbarer Preise und unabhängiger Qualitätsrankings. Stand aller Angaben ist der 30. Juli 2026. Preise in US-Dollar verstehen sich, sofern nicht anders angegeben, vor möglichen Steuern.

Warum Video-KI mehr leisten muss als eine Folge schöner Bilder

Bei einem Einzelbild muss ein Modell eine Situation einmal plausibel darstellen. Ein Video muss dieselbe Welt über viele aufeinanderfolgende Frames erhalten.

Personen, Produkte, Licht, Perspektive und Hintergrund dürfen nicht ohne Grund ihre Form wechseln. Gleichzeitig müssen Bewegungen, Kamera und gegebenenfalls Sprache, Geräusche oder Musik zeitlich zusammenpassen.

Typische Fehler sind:

• Gegenstände verändern während einer Bewegung ihre Form,
• Hände greifen durch Produkte hindurch,
• Schrift flackert oder wechselt zwischen Frames,
• eine Kamerafahrt wirkt wie eine Verformung der gesamten Szene,
• Gesichter und Kleidung driften,
• Geräusche oder Lippenbewegungen passen zeitlich nicht,
• Start- und Endbild werden erreicht, aber der Weg dazwischen ist unplausibel.

Videoqualität besteht deshalb nicht nur aus schönen Einzelbildern. Entscheidend sind zeitliche Konsistenz, Bewegungslogik, Prompt-Treue, Kamera, Audio-Synchronität und Bearbeitbarkeit.

Modell, Oberfläche und Vermittler auseinanderhalten

Auch bei Video-KI werden Dinge miteinander verglichen, die nicht dasselbe sind.

Veo 3.1 ist eine Modellfamilie von Google. Sie kann über Google-Angebote, APIs und Plattformen wie Adobe Firefly verfügbar sein.

Runway entwickelt eigene Modelle und bietet zugleich eine Kreativplattform an, in der auch Modelle anderer Anbieter genutzt werden können.

Adobe Firefly verbindet eigene Video-KI mit Partnermodellen und Adobe-Anwendungen.

fal ist ein API-Anbieter, über den unter anderem Kling genutzt werden kann. Sein Preis ist ein Plattformpreis und nicht automatisch der universelle Herstellerpreis.

Ein Abo, Credits, API-Sekunden und unbegrenzte langsame Generierung sind daher nicht direkt vergleichbar. Für eine ehrliche Auswahl müssen Modellqualität und Produktumgebung getrennt betrachtet werden.

Die fünf wichtigsten Arten der KI-Videogenerierung

1. Text zu Video: Der Prompt erzeugt die gesamte Szene

Bei Text-zu-Video oder Prompt-zu-Video entsteht der Clip allein aus einer Beschreibung. Das Modell entscheidet selbst, wie Personen, Produkte, Raum und Licht konkret aussehen.

Das eignet sich für:

• frühe Kampagnenideen,
• Storyboard-Alternativen,
• atmosphärische Szenen ohne reales Ausgangsmaterial,
• abstrakte Übergänge und visuelle Metaphern,
• Motive, bei denen keine exakte Produktidentität nötig ist.

Die Freiheit ist zugleich die Schwäche. Wenn ein bestimmtes Sofa, eine Maschine, eine Verpackung oder ein wiederkehrender Darsteller exakt aussehen muss, reicht Text allein meistens nicht.

Ein guter Text-zu-Video-Prompt beschreibt nicht nur das Motiv, sondern auch den zeitlichen Ablauf:

Ein einziger ungeschnittener 8-Sekunden-Clip. In einem hellen Showroom steht ein skulpturaler roter Sessel auf einem ruhigen Betonboden. Die Kamera beginnt in einer halbnahen frontalen Einstellung und fährt langsam im Halbkreis nach rechts. Natürliches Morgenlicht wandert weich über den Stoff. Der Sessel und seine Proportionen bleiben während der gesamten Fahrt unverändert. Keine Menschen, keine Schnitte, keine Schrift. Geräusch: leiser Raumton und dezente Schritte der Kamera-Crew außerhalb des Bildes.

Eine hilfreiche Reihenfolge ist: Dauer und Schnittlogik, Szene, Motiv, Handlung, Kamera, Licht, Erhaltungsregeln, Ausschlüsse und Audio.

2. Bild zu Video: Ein festgelegtes Motiv wird animiert

Bei Bild-zu-Video dient ein Foto oder KI-Bild meist als erster Frame oder als visuelle Referenz. Dadurch sind Komposition, Farben und Hauptmotiv stärker festgelegt.

Das eignet sich für:

• die Animation eines freigegebenen Kampagnenmotivs,
• subtile Kamerafahrten durch einen Raum,
• bewegte Produktmotive,
• die Umwandlung eines Storyboards in einen ersten Clip,
• kurze Social-Media-Sequenzen aus vorhandenem Bildmaterial.

Der häufigste Prompt-Fehler besteht darin, das sichtbare Bild noch einmal ausführlich zu beschreiben. Das Modell kennt dieses Bild bereits. Der Prompt sollte hauptsächlich erklären, was sich bewegt und was unverändert bleibt.

Ein sinnvoller Bild-zu-Video-Prompt:

Behalte Produktform, Bezug, Farbe, Raumaufteilung und Beleuchtung des Eingabebildes exakt bei. Erzeuge eine sehr langsame Kamerafahrt nach vorn. Nur die leichten Vorhänge bewegen sich dezent durch einen Luftzug; auf der Tischplatte wandert eine weiche Lichtreflexion. Keine neuen Gegenstände, keine Personen, keine Veränderung der Möbelproportionen, kein Schnitt. Ruhiger realistischer 6-Sekunden-Clip.

„Mache das Bild lebendig und modern“ wäre dagegen zu offen. Das Modell müsste selbst entscheiden, welche Elemente sich wie stark bewegen sollen.

3. Start- und Endframe: Der Weg zwischen zwei Bildern

Einige Modelle akzeptieren ein erstes und ein letztes Bild. Die KI erzeugt die Bewegung dazwischen.

Das ist hilfreich für:

• kontrollierte Vorher-nachher-Übergänge,
• definierte Verwandlungen,
• geplante Kamerapositionen am Anfang und Ende,
• Übergänge zwischen zwei freigegebenen Keyframes.

Die Bilder sollten geometrisch zusammenpassen. Wenn Perspektive, Person, Produkt und Hintergrund vollkommen unterschiedlich sind, muss das Modell zu viel erfinden.

Beginne exakt mit dem ersten Frame und ende exakt im zweiten. Die Kamera fährt kontinuierlich auf Augenhöhe nach links, während sich die Beleuchtung langsam vom kühlen Morgenlicht zum warmen Abendlicht verändert. Alle Möbel bleiben an derselben Position. Keine Auflösung, kein Morphing, kein Zwischenschnitt.

Ein starker Prompt beschreibt die Transformation zwischen den Frames, nicht zwei voneinander getrennte Szenen.

4. Referenz zu Video: Produkt, Person, Stimme oder Stil bleiben wiedererkennbar

Bei Reference-to-Video können ein oder mehrere Bilder, Videos oder Audiodateien zusätzliche Vorgaben liefern. Je nach Modell lassen sich damit ein Produkt, eine Figur, ein Raum, eine Stimme, eine Bewegung oder ein visueller Stil definieren.

Das ist leistungsfähiger als ein reiner Startframe:

• Ein Startframe sagt: „Beginne mit diesem Bild.“
• Eine Produktreferenz sagt: „Dieses Produkt soll auch in einer neuen Szene so aussehen.“
• Eine Bewegungsreferenz gibt einen Kamerapfad oder eine Handlung vor.
• Eine Sprachreferenz kann die Stimme einer Figur festlegen.

Die Fähigkeiten unterscheiden sich erheblich. Wan 2.7 kann beispielsweise mehrere Bild-, Video- und Sprachreferenzen verarbeiten. Google Gemini Omni Flash kann Text, Bild, Audio und Video gemeinsam berücksichtigen, unterstützt in der aktuellen Vorschau aber nicht jede Start-/Endframe- und Verlängerungsfunktion.

5. Video zu Video: Vorhandene Bewegung gezielt verändern

Bei Video-zu-Video oder generativer Videobearbeitung gibt ein vorhandener Clip Bewegung, Timing und häufig auch Komposition vor. Ein Modell verändert beispielsweise:

• Stil und Materialien,
• Hintergrund oder Tageszeit,
• ein Produkt oder eine Person,
• Kameraperspektive und Ausschnitt,
• einzelne Objekte,
• Format und Bildraum.

Dieser Weg bietet oft die beste Bewegungskontrolle, weil die körperliche Handlung bereits aufgenommen wurde. Er kann aber teurer sein: Einige Anbieter berechnen Eingabe- und Ausgabedauer. Zudem garantiert „Ändere nur die Wandfarbe“ noch nicht, dass alle anderen Bildbereiche pixelgenau erhalten bleiben.

Die aktuell wichtigsten Videomodelle

Gemini Omni Flash: derzeit die stärkste allgemeine Referenz

Google veröffentlichte Gemini Omni Flash im Juni 2026 als Vorschaumodell für schnelle Videogenerierung und dialogische Videobearbeitung. Die offizielle Modelldokumentation nennt Text, Bild und Video als Eingaben sowie 3 bis 10 Sekunden lange Ausgaben in 720p bei 24 Bildern pro Sekunde.

Ein Clip kann erzeugt und anschließend per Folgeanweisung verändert werden. In der Google-Anleitung zur Videogenerierung wird Omni Flash als Standardmodell empfohlen. Veo 3.1 soll vor allem verwendet werden, wenn Szenenerweiterung, letzter Frame oder bestehende Veo-Pipelines benötigt werden.

Stärken

• Text- und Bild-zu-Video,
• natives Audio,
• dialogische Korrekturen,
• hohe Kohärenz und Charakterkonsistenz,
• multimodale Eingaben,
• aktuelles starkes Preis-Leistungs-Verhältnis.

Grenzen

• Vorschau statt stabiler Langzeitversion,
• derzeit 720p,
• 3 bis 10 Sekunden,
• keine Start-/Endframe-Interpolation oder Videoverlängerung,
• Englisch ist vollständig getestet; andere Sprachen wurden laut Google noch nicht umfassend evaluiert.

Google nennt für Gemini Omni Flash 0,10 US-Dollar pro Ausgabesekunde. Ein 10-Sekunden-Clip kostet damit 1 US-Dollar.

Veo 3.1: stärker bei Keyframes, Verlängerung und 4K

Veo 3.1 bleibt relevant, obwohl Omni Flash bei allgemeinen Aufgaben neuer ist. Veo unterstützt Text-zu-Video, Bild-zu-Video, ersten und letzten Frame, Referenzbilder und die Verlängerung bereits erzeugter Clips. Je nach Variante ist synchronisiertes Audio verfügbar.

Die offizielle Google-Preisliste unterscheidet Qualität, Geschwindigkeit, Auflösung und Audio:

• Veo 3.1 mit Audio: 0,40 US-Dollar pro Sekunde in 720p oder 1080p und 0,60 US-Dollar in 4K.
• Veo 3.1 Fast mit Audio: 0,10 US-Dollar in 720p, 0,12 in 1080p und 0,30 in 4K.
• Veo 3.1 Lite mit Audio: 0,05 US-Dollar in 720p und 0,08 in 1080p.
• Ohne Audio sind die Varianten günstiger.

Ein 10-Sekunden-Clip mit Audio kostet damit rechnerisch zwischen 0,50 US-Dollar mit Veo 3.1 Lite in 720p und 6 US-Dollar mit Veo 3.1 in 4K. Veo-Clips enthalten laut Google SynthID; in unterstützten Unternehmensangeboten können zusätzlich C2PA Content Credentials verfügbar sein.

Seedance 2.0: hohe Präferenzwerte, aber Zugang und Rechte prüfen

Seedance 2.0 von ByteDance verarbeitet Text, Bilder, Audio und Video. Das Modell ist besonders für mehrteilige Szenen, Referenzen und natives Audio bekannt. In unabhängigen Präferenztests liegt es aktuell weit oben.

Der Zugang ist weniger einheitlich als bei Google oder Adobe. Preise unterscheiden sich zwischen regionalen ByteDance-Angeboten und API-Vermittlern. Artificial Analysis normalisiert für sein aktuelles Benchmark einen repräsentativen API-Preis von rund 9,07 US-Dollar pro Minute für die getestete 720p-Variante. Das entspricht etwa 1,51 US-Dollar für zehn Sekunden, ist aber kein universeller Endkundenpreis.

Für Unternehmen gehört neben Preis und Qualität eine besondere Rechteprüfung zur Entscheidung. Nach dem Start von Seedance 2.0 erhoben Film- und Rechteorganisationen öffentlich schwere Vorwürfe wegen geschützter Figuren und Darstellerähnlichkeiten. Das beweist nicht, dass jede geschäftliche Nutzung unzulässig ist. Es zeigt aber, warum ein beeindruckender Prompt-Erfolg keine Freigabe für fremde Figuren, Marken oder Gesichter ersetzt.

Wan 2.7: multimodal und transparent bepreist

Wan 2.7 von Alibaba gehört in aktuellen unabhängigen Rankings zur Spitzengruppe. Die offizielle Dokumentation unterstützt Text, Bilder, Audio und Video, ersten und letzten Frame, Fortsetzungen, mehrere Einstellungen sowie Ausgaben von 2 bis 15 Sekunden in 720p oder 1080p.

Für Referenz-Workflows können mehrere Bilder und Videos sowie eine Stimme eingebunden werden. Dadurch eignet sich Wan für Szenen mit wiederkehrenden Personen, Produkten oder Gegenständen.

In der offiziellen internationalen Preisliste kostet Wan 2.7 für Text- oder Bild-zu-Video:

• 0,10 US-Dollar pro Sekunde in 720p,
• 0,15 US-Dollar pro Sekunde in 1080p.

Ein 10-Sekunden-Clip kostet damit 1 beziehungsweise 1,50 US-Dollar. Bei Referenzvideos und Bearbeitung kann auch die Eingabedauer berechnet werden. Regionale Verfügbarkeit und Datenstandort sollten vor einer Integration geprüft werden.

Runway Gen-4.5: Produktionsoberfläche und kontrollierte Kamera

Runway Gen-4.5 unterstützt Text-zu-Video und Bild-zu-Video. Laut der offiziellen Anleitung entstehen 2 bis 10 Sekunden lange Clips in 720p. Das Modell ist auf komplexe zeitliche Anweisungen, Kamera-Choreografie, Bewegung und visuelle Konsistenz ausgerichtet.

Gen-4.5 kostet 12 Runway-Credits pro Sekunde. Runway erklärt in seiner Credit-Hilfe, dass gekaufte Credits einem Cent pro Credit entsprechen. Rechnerisch sind das 0,12 US-Dollar pro Sekunde oder 1,20 US-Dollar für zehn Sekunden bei separat gekauften Credits.

Der Standardplan kostet 15 US-Dollar monatlich und enthält 625 Credits. Pro kostet 35 US-Dollar mit 2.250 Credits, Max 95 US-Dollar mit 9.500 Credits. Plan-Credits werden zum Abrechnungszeitpunkt zurückgesetzt; Web- und API-Guthaben sind getrennt. Runway rechnet die enthaltene Gen-4.5-Kapazität mit ungefähr einer, drei beziehungsweise 12,5 Minuten aus.

Kling 3.0 und Kling 3.0 Omni: Bewegung, mehrere Shots und Audio

Kling 3.0 und Kling 3.0 Omni unterstützen je nach Variante Text- und Bild-zu-Video, mehrere Shots, natives Audio und generative Bearbeitung. Kling ist direkt, über APIs sowie in Plattformen wie Adobe Firefly und Runway verfügbar.

Deshalb existiert kein universeller Endpreis. Als transparentes API-Beispiel berechnet fal für Kling 3.0 Pro laut seiner aktuellen Modellübersicht:

• 0,224 US-Dollar pro Sekunde ohne Audio,
• 0,336 US-Dollar pro Sekunde mit Audio.

Ein 10-Sekunden-Clip kostet dort 2,24 beziehungsweise 3,36 US-Dollar. Andere Plattformen verwenden eigene Credits, Aufschläge und Kontingente.

Luma Ray3.2: professionelle Farbe und Video-zu-Video

Lumas aktuelle Ray3.2-Familie richtet sich stark an Film-, Werbe- und VFX-Workflows. Sie bietet Text- und Bild-zu-Video, Video-zu-Video, Reframing, mehrere Keyframes sowie HDR- und EXR-Ausgaben.

Die aktuelle Ray-Produktseite nennt:

• 5 Sekunden in 720p: 100 Credits,
• 10 Sekunden in 720p: 300 Credits,
• 5 Sekunden in 1080p: 400 Credits,
• 10 Sekunden in 1080p: 1.200 Credits.

HDR kostet das Doppelte, HDR mit EXR das Dreifache. Lumas Plus-Plan beginnt bei 30 US-Dollar monatlich, Pro bei 90 und Ultra bei 300 US-Dollar. Da Planleistung, Agent-Nutzung und Credits nicht wie ein einfacher API-Dollarpreis funktionieren, sollte ein Team seine voraussichtlichen Einstellungen direkt im Konto kalkulieren.

Adobe Firefly Video: Integration und Unternehmensprozess

Adobe Firefly bietet eigene Videomodelle und Partnermodelle wie Kling 3.0, Ray, Runway Gen-4.5, Sora 2 und Veo 3.1 in einer Oberfläche an. Die aktuelle Adobe-Übersicht zeigt, dass Funktionen, Dauer, Auflösung und Credits vom ausgewählten Modell abhängen.

Das eigene Firefly Video Model ist interessant für:

• die Verbindung mit Photoshop, Premiere und Lightroom,
• Text- und Bild-zu-Video,
• Kompositions- und Bewegungsreferenzen,
• Generative Extend in Premiere,
• Teams mit bestehenden Adobe-Produktionsprozessen.

Laut aktueller Credit-FAQ kostet das eigene Generate Video:

• 20 Credits pro Sekunde in 540p,
• 50 Credits pro Sekunde in 720p,
• 100 Credits pro Sekunde in 1080p.

Ein 10-Sekunden-Clip verbraucht 200, 500 oder 1.000 Credits. Der Firefly-Standardplan mit 2.000 Credits reicht rechnerisch für 40 Sekunden in 720p oder 20 Sekunden in 1080p, wenn sämtliche Credits nur dafür eingesetzt werden.

Adobes Aussagen über Trainingsdaten, kommerzielle Sicherheit und mögliche Enterprise-Freistellung für eigene Firefly-Modelle gelten nicht automatisch gleich für jedes Partnermodell in Firefly.

OpenAI Sora 2: bekannt, aber keine zukunftssichere Neuentscheidung

Sora 2 und Sora 2 Pro können Text und Bilder in Videos mit synchronisiertem Audio umwandeln. Die API-Modelle kosteten je nach Variante und Auflösung zwischen 0,10 und 0,70 US-Dollar pro Sekunde.

Für eine neue langfristige Auswahl ist entscheidend, dass OpenAI sowohl Sora 2 als auch Sora 2 Pro aktuell als Legacy beziehungsweise Deprecated kennzeichnet. Die frühere Sora-Produktoberfläche ist laut der aktualisierten OpenAI-Veröffentlichung seit April 2026 nicht mehr verfügbar.

Sora gehört aus technischer und historischer Sicht in einen vollständigen Vergleich. Im Juli 2026 sollte es aber nicht ohne bestätigten Nachfolger und Migrationspfad als Grundlage eines neuen Produktionsprozesses gewählt werden.

Was die aktuellen unabhängigen Benchmarks zeigen

Artificial Analysis trennt in seiner Video-Methodik sechs Kategorien:

• Text-zu-Video,
• Bild-zu-Video,
• Videobearbeitung,
• Text-zu-Video mit Audio,
• Bild-zu-Video mit Audio,
• Videobearbeitung mit Audio.

Menschen vergleichen zwei anonym erzeugte Clips aus derselben Aufgabe. Die Stimmen werden zu einem relativen Elo-Wert zusammengeführt.

Am 30. Juli 2026 führt Gemini Omni Flash das Text-zu-Video-Ranking mit Audio an, gefolgt von Dreamina Seedance 2.0 und Wan 2.7. Bei Bild-zu-Video mit Audio liegen Seedance 2.0 und Gemini Omni Flash statistisch sehr eng beieinander.

Das ist aussagekräftiger als eine reine Herstellerdemo, aber kein vollständiges Beschaffungsergebnis:

• Rankings verändern sich mit neuen Stimmen und Modellversionen.
• Ein Elo-Wert misst menschliche Präferenz, nicht Markentreue oder Produktgenauigkeit.
• Text-zu-Video und Bild-zu-Video haben getrennte Ranglisten.
• Tonlose und vertonte Modelle werden getrennt bewertet.
• Datenschutz, Regionen, Rechte und Bedienoberfläche fließen nicht ein.
• Ein zehnsekündiger Benchmark sagt wenig über zwanzig zusammenhängende Einstellungen.

Die aktuellen Kosten für einen 10-Sekunden-Clip

Unter vergleichbaren Annahmen ergibt sich folgende Orientierung:

• Gemini Omni Flash, 720p mit Audio: 1,00 US-Dollar
• Veo 3.1 Lite, 720p mit Audio: 0,50 US-Dollar
• Veo 3.1 Fast, 720p mit Audio: 1,00 US-Dollar
• Veo 3.1, 720p oder 1080p mit Audio: 4,00 US-Dollar
• Veo 3.1, 4K mit Audio: 6,00 US-Dollar
• Wan 2.7, 720p: 1,00 US-Dollar
• Wan 2.7, 1080p: 1,50 US-Dollar
• Runway Gen-4.5 mit separat gekauften Credits: 1,20 US-Dollar
• Kling 3.0 Pro über fal, ohne Audio: 2,24 US-Dollar
• Kling 3.0 Pro über fal, mit Audio: 3,36 US-Dollar
• Adobe Firefly Video, 720p: 500 Credits
• Adobe Firefly Video, 1080p: 1.000 Credits
• Luma Ray3.2, 720p: 300 Credits
• Luma Ray3.2, 1080p: 1.200 Credits

Seedance 2.0 liegt im normalisierten Artificial-Analysis-Beispiel bei ungefähr 1,51 US-Dollar, der tatsächliche Endpreis hängt jedoch vom Zugangsanbieter ab. Sora-Preise sind wegen des veralteten Modellstatus keine sinnvolle Grundlage für eine neue Kalkulation.

Die Rechnung enthält keine Steuern, Referenzkosten, Upscaling, Bearbeitung, Fehlversuche oder menschliche Arbeitszeit.

Was kostet eine tatsächlich nutzbare Videosekunde?

Angenommen, ein Team benötigt zehn freigegebene Clips mit jeweils zehn Sekunden. Das sind 100 Sekunden Endmaterial.

Bei einer Trefferquote von 25 Prozent müssen ungefähr 400 Sekunden generiert werden. Ein Modell zu 0,10 US-Dollar pro Sekunde verursacht dann 40 US-Dollar reine Generierungskosten. Bei 0,40 US-Dollar entstehen 160 US-Dollar.

Für eine realistische Kalkulation gilt:

Kosten pro freigegebener Sekunde = sämtliche Generierungs- und Bearbeitungskosten ÷ Länge des wirklich verwendeten Materials

Zusätzlich sollte das Team messen:

• Zeit für Briefing und Referenzen,
• Wartezeit und erneute Versuche,
• Sichtung und Auswahl,
• Korrekturen,
• Schnitt, Ton, Untertitel und Formate,
• rechtliche und fachliche Freigabe.

Ein günstiges Modell mit vielen Fehlversuchen kann teurer werden als eine höher bepreiste Variante, die Produkt, Bewegung und Kamera zuverlässiger trifft.

Drei Prompt-Vorlagen für den Alltag

Vorlage für Text zu Video

Format und Dauer: [9:16, 8 Sekunden, ein ungeschnittener Clip].
Szene: [Ort, Zeit, Umgebung].
Hauptmotiv: [Person, Produkt oder Objekt mit entscheidenden Eigenschaften].
Ablauf: [Was geschieht zu Beginn, in der Mitte und am Ende?].
Kamera: [Einstellungsgröße, Objektivwirkung, Bewegung, Geschwindigkeit].
Licht und Stil: [Lichtquelle, Stimmung, Realismusgrad].
Erhalten: [Welche Formen, Farben und Identitäten dürfen sich nicht verändern?].
Vermeiden: [keine Schnitte, kein Text, keine zusätzlichen Personen ...].
Audio: [Dialog, Geräusche, Musik oder ausdrücklich stumm].

Vorlage für Bild zu Video

Nutze das Eingabebild als verbindlichen ersten Frame. Bewahre [Produktform, Gesicht, Kleidung, Raum und Farben] unverändert. Bewege nur [Elemente]. Die Kamera [konkrete Bewegung] in [Geschwindigkeit]. [Licht- oder Umgebungsbewegung]. Dauer [x Sekunden], [ein durchgehender Shot oder definierte Schnitte]. Keine neuen Objekte, kein Morphing, keine Änderung von Logos oder Text. Audio: [Vorgabe].

Vorlage für Video zu Video

Bewahre Timing, Körperbewegung, Kamerapfad und Bildkomposition des Ausgangsvideos. Ändere ausschließlich [Hintergrund, Material, Tageszeit oder Stil]. [Subjekt und Produkt] müssen in Form, Position und Bewegung erhalten bleiben. Übernimm vorhandenen Dialog und Lippenbewegungen unverändert. Keine neuen Schnitte, keine zusätzlichen Objekte, kein verändertes Tempo.

Prompts sind keine Verträge mit dem Modell. „Bewahre alles außer X“ reduziert Abweichungen, garantiert sie aber nicht. Für produkt- oder compliancekritische Inhalte ist eine Einzelbildprüfung über den gesamten Clip notwendig.

So testet ihr Video-KI mit euren eigenen Aufgaben

Testet zwei bis vier Kandidaten mit identischer Dauer, Auflösung und identischem Seitenverhältnis:

1. eine einzelne ruhige Szene aus Text,
2. eine Szene mit zwei nacheinander beschriebenen Handlungen,
3. eine langsame Kamerafahrt um ein Produkt,
4. ein freigegebenes Bild als unveränderter Startframe,
5. dieselbe Bildvorlage mit subtiler und dynamischer Bewegung,
6. einen Übergang zwischen definiertem Start- und Endframe,
7. eine Person, die einen Gegenstand greift und ablegt,
8. Materialien mit Reflexion, Flüssigkeit oder bewegtem Textil,
9. einen Clip mit Dialog und passender Lippenbewegung,
10. eine Korrektur, bei der nur ein Element geändert werden soll,
11. dieselbe Figur oder dasselbe Produkt in drei getrennten Clips,
12. ein vorhandenes Video, dessen Stil verändert wird.

Bewertet jedes Ergebnis von eins bis fünf:

• Prompt eingehalten,
• Konsistenz von Frame zu Frame,
• natürliche Bewegung und Physik,
• Produkt- und Personenidentität,
• Start- und Endframe bewahrt,
• Kamerabewegung wie beschrieben,
• Audio und Lippenbewegung synchron,
• Zahl unbrauchbarer Frames,
• Minuten bis zur Freigabe,
• Kosten pro freigegebener Sekunde.

Klare Empfehlungen nach Einsatzfall

Kurze Videos günstig und dialogisch entwickeln

Nehmt Gemini Omni Flash in den ersten Test. Es ist aktuell stark, kostet 0,10 US-Dollar pro Sekunde und erlaubt Folgeänderungen per Sprache. Da es noch eine Vorschau mit 720p-Ausgabe ist, braucht ein langfristiger Produktionsprozess eine Ausweichoption.

Start- und Endframe, Verlängerung oder 4K

Vergleicht Veo 3.1 Fast und Veo 3.1. Fast ist für Entwürfe und Serien wirtschaftlicher. Die Qualitätsvariante passt, wenn ein teurer finaler Shot zusätzliche Kosten rechtfertigt.

Mehrere Personen, Produkte, Stimmen oder Referenzclips

Testet Wan 2.7, Seedance 2.0 und Kling 3.0 Omni. Wan dokumentiert multimodale Referenzarten und internationale API-Preise besonders konkret. Bei Seedance sollten Zugang, Region und Rechteprüfung vor einer Unternehmensentscheidung geklärt werden.

Kamera, Shots und eine produktionsnahe Kreativoberfläche

Runway Gen-4.5 ist für Art Direction und kontrollierte Kameraabläufe interessant. Prüft zusätzlich, ob generative Bearbeitung vorhandenen Filmmaterials wichtiger ist als reine Neuerzeugung.

Video-zu-Video, HDR und Postproduktion

Nehmt Luma Ray3.2 und Adobe Firefly in die Auswahl. Luma bietet professionelle HDR- und EXR-Pfade. Firefly verbindet Erzeugung und Verlängerung mit Premiere und anderen Adobe-Werkzeugen.

Aktuelle Modelle mit offenen Gewichten

Im unabhängigen Open-Weights-Ranking mit Audio führt aktuell LTX-2.3. Die Präferenzwerte liegen unter den führenden geschlossenen Modellen. Hardware, Hosting, Lizenz, Wartung und Moderation gehören bei Open Weights in die Gesamtkosten.

Fünf Regeln für einen verantwortbaren Unternehmenseinsatz

1. Vertrauliche Daten nur in freigegebenen Tarifen verarbeiten. Consumer-Konto, Business-Angebot und API können unterschiedliche Datenregeln haben.
2. Reale Projekte nicht erfinden. Ein synthetischer Clip darf nicht als tatsächlich geliefertes Produkt, gebauter Raum oder echter Kunde ausgegeben werden.
3. Jeden Clip fachlich prüfen. KI kann Produkte, Funktionen, Materialien und Handlungen plausibel, aber falsch darstellen.
4. Rechte und Einwilligungen beachten. Personen, Stimmen, Marken, Figuren sowie fremde Bild-, Video- und Audiodateien bleiben rechtlich relevant.
5. Transparenz einplanen. Unser Beitrag zum EU AI Act und zur Kennzeichnung von KI-Inhalten erläutert die Grundlagen.

Fazit: Nicht das spektakulärste Demovideo entscheidet

Gemini Omni Flash setzt derzeit einen starken allgemeinen Referenzpunkt. Veo 3.1 bietet mehr klassische Produktionskontrollen. Seedance 2.0 und Wan 2.7 gehören qualitativ zur Spitzengruppe; Wan ist zugleich transparent über Funktionen und internationale API-Preise dokumentiert. Kling bleibt stark bei Bewegung und szenischen Clips. Runway verbindet ein leistungsfähiges Modell mit Kreativ-Workflows. Luma und Adobe sind besonders interessant, wenn Bearbeitung, Farbe und Postproduktion entscheiden.

Sora 2 ist trotz seines bekannten Namens keine zukunftssichere Neuentscheidung mehr, solange OpenAI es als veraltet führt.

Wählt zwei bis vier Kandidaten nach eurem konkreten Verfahren aus: Text-zu-Video, Bild-zu-Video, Referenzen oder Bearbeitung. Testet sie mit denselben eigenen Motiven und berechnet nicht nur den Preis einer Generierung, sondern die Kosten pro freigegebener Sekunde. Erst dann wird sichtbar, welches Werkzeug im Alltag wirklich trägt.

Virello als möglicher Baustein

Die Wahl eines Videomodells löst noch nicht die gesamte Content-Arbeit. Briefing, Ausgangsmaterial, Varianten, Freigabe, Schnitt und Verteilung bleiben eigene Aufgaben.

Virello kann als ein möglicher Baustein helfen, diese Schritte in einen wiederholbaren Content-Prozess einzuordnen. Welches Video-KI-Tool fachlich, rechtlich und wirtschaftlich passt, sollte ein Unternehmen trotzdem anhand seiner Daten, Qualitätsanforderungen und der jeweils aktuellen Anbieterbedingungen entscheiden.

Quellen und Methodik

Für Preise, Funktionen und Modellstatus wurden vorrangig die oben direkt verlinkten offiziellen Produktseiten und Hilfecenter von Google, Alibaba Cloud, Runway, Luma, Adobe und OpenAI verwendet. Bei Plattformpreisen für fremde Modelle wird der jeweilige Vermittler ausdrücklich genannt. Herstellerangaben über die eigene Qualität sind nicht als unabhängiger Beleg behandelt.

Als unabhängige Orientierung dienen die getrennten Video-Benchmarks von Artificial Analysis. Ihre Rankings beruhen auf anonymen Paarvergleichen, sind aber Momentaufnahmen und ersetzen keinen Test mit eigenen Aufgaben.

Stand: 30. Juli 2026. Preise, Kontingente, Modellnamen und Bedingungen können sich ändern. Dieser Beitrag dient der allgemeinen Information und ist keine Rechtsberatung.