Text-zu-Video-Generator mit KI

Sagen Sie, wer oder was im Bild ist, und ergänzen Sie zwei, drei sichtbare Details wie Alter, Kleidung, Material oder Farbe. „Eine müde Pflegerin in petrolfarbener Dienstkleidung“ gibt dem Modell weit mehr Anhaltspunkte als „eine Person“. Bleiben Sie bei einer Hauptfigur pro Clip, damit der Blick weiß, wohin.

Beschreiben Sie, was sich zwischen der ersten und der letzten Sekunde verändert, mit Verben, die ein Tempo vorgeben: gießt langsam ein, blickt kurz zurück, schüttelt den Regen vom Schirm. Ein kurzer Clip hat Platz für eine Handlung mit Anfang und Ende. Drei Handlungen in einem Satz wirken meist gehetzt oder bleiben halb fertig.

Nennen Sie Ort, Tageszeit und, falls wichtig, das Wetter, dazu ein oder zwei Details im Hintergrund. Dinge, die sich von selbst bewegen, etwa Dampf, Laub oder vorbeifahrende Autos, halten das Bild lebendig, auch wenn das Motiv stillsteht. Ein überladener Hintergrund konkurriert mit dem Motiv, also wählen Sie sparsam aus.

Legen Sie die Einstellungsgröße fest (Nahaufnahme, Halbtotale, Totale) und genau eine Bewegung: statisch, langsame Fahrt nach vorn, Schwenk, Begleitfahrt oder Handkamera. Sagen Sie, wo die Bewegung beginnt und wo sie endet. Widersprüchliche Anweisungen wie heranzoomen und gleichzeitig zurückfahren lassen das Modell raten, was gemeint war.

Beschreiben Sie Lichtquelle, Richtung und Farbe: tiefe Sonne im Rücken, eine einzelne Schreibtischlampe, flaches Licht an einem bedeckten Tag. Einen Look ergänzen Sie nur, wenn er zählt, etwa 35-mm-Film, alte Heimvideo-Optik oder Knetanimation. Licht verändert die Stimmung einer Einstellung schneller als jedes zusätzliche Requisit.

Wenn das Modell Audio erzeugt, schreiben Sie auf, was zu hören sein soll: die Raumatmosphäre, Schritte auf Schotter, Regen auf einem Wellblechdach, einen Zug in der Ferne. Mischen Sie nahe und ferne Geräusche. Wollen Sie später eigene Musik oder einen Sprecher unterlegen, nehmen Sie ein Modell mit abschaltbarem Ton und lassen diesen Teil weg.

Alle drei Modelle liefern 9:16. Für einen sehr kurzen Einstieg oder einen Loop beginnt Wan 3.0 schon bei 2 Sekunden. Soll der Ton gleich dabei sein, legt MiniMax H3 immer eine Stereospur an; bei Wan 3.0 und Seedance 2.5 entscheiden Sie selbst, ob der Ton eingeschaltet bleibt.

An einer Küste entlangzugleiten oder einer Stadt beim Aufwachen zuzusehen, braucht Zeit. Wan 3.0 läuft bis zu 30 Sekunden, MiniMax H3 und Seedance 2.5 enden bei 15. Beschreiben Sie in einer langen Einstellung eine allmähliche Veränderung, etwa Licht, das über eine Wand wandert, oder Nebel, der sich hebt, damit die zusätzlichen Sekunden etwas zeigen.

Für ein Kinobild mit schwarzen Balken gibt es 21:9 bei MiniMax H3 und Seedance 2.5. Ein so breites Format belohnt Prompts, bei denen über die ganze Breite etwas passiert, zum Beispiel ein Reiter, der unter weitem Himmel eine Ebene durchquert, statt eines kleinen Motivs allein in der Mitte.

Landet das Video in einem Schnittprojekt mit eigener Musik, Sprecher oder Sounddesign, ist ein stummer Clip einfacher zu handhaben. Schalten Sie den Ton bei Wan 3.0 oder Seedance 2.5 ab. MiniMax H3 erzeugt immer eine Tonspur, die Sie im Schnittprogramm aber stummschalten oder ersetzen können.

Wird der Clip groß gezeigt oder später beschnitten, kommt es auf die Auflösung an. MiniMax H3 bietet 2K, Wan 3.0 und Seedance 2.5 reichen bis 1080p. Höhere Einstellungen kosten mehr Credits, und der Generieren-Button zeigt die Zahl, bevor Sie bestätigen.

Wenn Sie nur sehen wollen, ob eine Szene trägt, bleiben Sie bei niedriger Auflösung und kurzer Dauer: 480p bei Wan 3.0 oder Seedance 2.5 hält Entwürfe günstig. Probieren Sie mehrere Varianten derselben Idee, behalten Sie die stärkste und erzeugen Sie dann genau diese in voller Qualität.

„Ein älterer Uhrmacher mit grüner Schürze beugt sich über seine Werkbank, greift mit einer Pinzette ein winziges Messingzahnrad und hebt es langsam zum Fenster. Eine enge Werkstatt in der Altstadt in der Abenddämmerung, Wände voller tickender Uhren, Staub schwebt in der Luft. Langsame Kamerafahrt von einer Halbtotalen bis zur Nahaufnahme seiner Hände. Warmes Lampenlicht von links, kühles blaues Licht vom Fenster, geringe Schärfentiefe. Ton: vielstimmiges Ticken, eine Straßenbahn, die draußen leise vorbeifährt, das Klicken der Pinzette.“

„Ein älterer Uhrmacher mit grüner Schürze“ ist eine Person mit zwei sichtbaren Merkmalen. „Greift ein winziges Zahnrad und hebt es zum Fenster“ ist eine einzige Handlung mit Anfangs- und Endpunkt. So bekommt der Clip eine Form, statt dass eine Figur ziellos herumhantiert.

„Eine enge Werkstatt in der Altstadt in der Abenddämmerung“ legt Ort und Zeit in wenigen Worten fest. Die tickenden Uhren und der schwebende Staub sind Hintergrunddetails, die sich von selbst bewegen. Das Bild bleibt lebendig, während die Hände des Uhrmachers langsam und genau arbeiten.

„Langsame Kamerafahrt von einer Halbtotalen bis zur Nahaufnahme seiner Hände“ nennt eine Bewegung, ihr Tempo, die Anfangs- und die Endeinstellung. Das Modell weiß, wo es beginnen und wo es enden soll und worum es in der Einstellung eigentlich geht: um die Hände und das Zahnrad.

„Warmes Lampenlicht von links, kühles blaues Licht vom Fenster“ gibt zwei Quellen mit Richtung und Farbe vor und erzeugt so einen Kontrast im Gesicht. „Geringe Schärfentiefe“ lässt die Wand voller Uhren weich werden, sodass sie das Motiv trägt, statt es zu erdrücken.

Drei Ebenen: ein Raumklang (das Ticken), ein fernes Geräusch (die Straßenbahn) und ein nahes Detail (die Pinzette). Ein Modell mit Audio bekommt so eine klare Mischung als Ziel. Haben Sie bei Wan 3.0 oder Seedance 2.5 den Ton abgeschaltet, streichen Sie diesen Satz, er bewirkt dann nichts mehr.

Keine zweite Figur, kein Dialog, keine Schrift im Bild und kein Schnitt an einen anderen Ort. All das würde eine kurze Einstellung zwischen konkurrierenden Ideen aufteilen. Braucht Ihre Geschichte solche Elemente, erzeugen Sie sie als eigene Clips mit eigenen Prompts und fügen sie im Schnitt zusammen.