Kein CGI. Kein Filter. Keine Aufnahme von etwas, das je gefilmt wurde. Hier ist, was tatsächlich unter der Haube passiert, wenn du einen Prompt eintippst und ein Video zurückbekommst.
Die meisten aktuellen KI-Videogeneratoren basieren auf Diffusionsmodellen. Kontraintuitiv beginnt die Generierung nicht bei nichts und baut auf — sie beginnt bei reinem zufälligem visuellem Rauschen, dem Video-Äquivalent von TV-Rauschen, über jeden Frame des Clips verteilt. Das Modell führt dann eine Reihe von Verfeinerungsschritten aus, und bei jedem Schritt sagt es voraus, wie es dieses rauschige Durcheinander etwas näher an ein kohärentes Video rückt, das zum gegebenen Text-Prompt oder Referenzbild passt. Wiederhole diese Verfeinerung Dutzende Male — extrem schnell auf spezialisierter KI-Hardware — und das Rauschen löst sich allmählich in einen fertigen Clip auf. Es ist dieselbe Kerntechnik hinter KI-Bildgeneratoren wie Midjourney oder Geminis Bildmodell, nur über die Zeit sowie über Breite und Höhe eines einzelnen Frames erweitert.
Das Modell, das diese Rausch-Verfeinerung macht, rät nicht zufällig — es hat während des Trainings aus einer enormen Menge echten Videos gelernt, wie eine fotorealistische Bewegung, ein bestimmtes Objekt oder eine beschriebene Szene tendenziell aussieht. Dieser Trainingsprozess passt Milliarden interner Parameter an, sodass die Rausch-Verfeinerungsvorhersagen des Modells progressiv besser darin werden, dem zu entsprechen, wie echtes Video (und die damit gepaarten Textbeschreibungen) tatsächlich aussieht. Das Ergebnis ist ein Modell, das ein plausibles Video für einen Prompt produzieren kann, den es während des Trainings nie sah, indem es die statistischen Muster kombiniert und rekombiniert, die es aus allem lernte, was es sah.
Jedes große Tool unterstützt zwei Ausgangspunkte, und sie funktionieren unter der Haube unterschiedlich:
Jeden Frame eines Clips visuell mit jedem anderen Frame konsistent zu halten — dieselbe Figur, dieselbe Beleuchtung, kein zufälliges Flackern oder driftende Details — wird rechnerisch schwieriger, je länger der Clip wird, und kleine Fehler summieren sich über eine längere Sequenz genauso wie ein kleiner Messfehler sich über eine längere Berechnung summiert. Das ist der praktische Grund, warum die meisten Tools eine einzelne Generierung auf irgendwo zwischen 4 und 10 Sekunden begrenzen: Es liegt nahe an der Grenze dessen, was aktuelle Modelle in einem Durchgang bei vernünftiger Geschwindigkeit und Kosten kohärent halten können. Eine neuere Modellgeneration ging 2026 darüber hinaus (eines im August jenes Jahres veröffentlichtes generiert bis zu 30 Sekunden in einem Durchgang), aber 4-10 Sekunden bleibt die Norm bei den meisten großen Tools, und ein längeres "Video", das man online sieht, sind meist mehrere separate Generierungen, zusammengeschnitten, nicht ein durchgehender Clip.
Die wiederkehrenden visuellen Fehler — ein zusätzlicher Finger, Schmuck, der sich in der Bewegung verzerrt, Beschilderung, die als Kauderwelsch rendert — sind keine zufälligen Bugs, die für das Tool einer bestimmten Firma spezifisch sind. Sie sind eine strukturelle Konsequenz daraus, wie diese Modelle arbeiten: breite, nachsichtige visuelle Details (eine Gesamthaltung, eine allgemeine Farbpalette, eine große offensichtliche Bewegung wie in Essen zu beißen) sind statistisch leicht konsistent richtig hinzubekommen, weil es eine breite Bandbreite von "nah genug"-Ausgaben gibt, die alle korrekt aussehen. Feines, regelgesteuertes Detail (eine exakte Fingeranzahl in einer bestimmten Pose, exakte Buchstabenformen, ein Kettenglied, das beim Schwingen physische Struktur behalten muss) hat fast keinen Spielraum für statistische Annäherung — nah zu sein ist nicht dasselbe wie richtig zu sein, und das Modell hat kein eingebautes Konzept von "zähle Finger und verifiziere, dass es fünf sind". Deshalb tauchen dieselben Kategorien von Glitches bei völlig unabhängigen Prompts und Tools auf.
Eine Sache, die dieser Prozess nie produziert
Jeder Diffusionsschritt verfeinert den vollen Frame — Motiv und Hintergrund zusammen, als ein Bild. Es gibt in diesem Prozess keinen Punkt, an dem das Modell "die Figur" von "allem hinter der Figur" trennt, also hat der fertige Clip keine eingebaute transparente Ebene oder Alphakanal, egal welches Tool ihn generierte. Das Motiv danach herauszuziehen ist ein separater Schritt — siehe wie KI-Hintergrundentfernung wirklich funktioniert, eine wirklich andere Art Modell mit einer wirklich anderen Aufgabe.
Sieh dir die Tools an, die das tatsächlich tun
Verwandt: Was ist generative KI? · Wie KI-Hintergrundentfernung funktioniert · KI-Video-Hintergrundentferner
Die meisten aktuellen KI-Videogeneratoren nutzen Diffusionsmodelle: Der Prozess beginnt mit reinem visuellem Rauschen (wie TV-Rauschen, aber über einen ganzen kurzen Clip) und verfeinert es wiederholt in kleinen Schritten, wobei jeder Schritt das Rauschen etwas näher an eine kohärente Bildsequenz rückt, die zum Text-Prompt oder Referenzbild passt. Nach genug Verfeinerungsschritten — oft Dutzenden, sehr schnell auf spezialisierter Hardware — löst sich das Rauschen in einen fertigen Videoclip auf. Es ist dieselbe Kerntechnik wie bei KI-Bildgeneratoren, erweitert über die Zeit sowie den Raum.
Text-zu-Video startet den Diffusionsprozess allein von einer schriftlichen Beschreibung geleitet — das Modell muss jedes visuelle Detail nur aus dem Prompt erfinden. Bild-zu-Video startet von einem echten Referenzbild und erzeugt Bewegung und Veränderung darum herum, weshalb es der Workflow hinter den meisten "wiederkehrenden Figuren"-Inhalten ist: Es ist viel einfacher, eine Figur über separate Generierungen hinweg konsistent aussehen zu lassen, wenn jede vom selben festen Referenzbild startet, statt die Figur jedes Mal von Grund auf neu zu beschreiben.
Jeder zusätzliche Frame, den das Modell mit jedem anderen Frame konsistent halten muss, vervielfacht die Rechenkosten und die Chance auf sichtbare Drift oder sich über den Clip akkumulierende Fehler. Die meisten Tools begrenzen eine einzelne Generierung genau deshalb auf irgendwo zwischen 4 und 10 Sekunden. Eine Handvoll neuerer Modelle kann längere einzelne Clips generieren (bis zu 30 Sekunden, in mindestens einer Veröffentlichung von 2026), aber 4-10 Sekunden bleibt die Norm bei den meisten großen Tools.
Das sind genau die Arten von feinem, regelgesteuertem Detail, das für ein statistisches, musterbasiertes Modell am schwersten präzise richtig hinzubekommen und von Frame zu Frame konsistent zu halten ist. Breite, nachsichtige Details (eine Gesamtsilhouette, eine allgemeine Farbpalette, große übertriebene Bewegung) rendern weit zuverlässiger als kleine, präzise, strukturell exakte, weshalb dieselben Kategorien visueller Glitches bei völlig unabhängigen Tools und Prompts auftauchen.