KI Video erstellen — die Anleitung

Ein KI-Video-Generator ist ein Modell, das aus einer Textbeschreibung oder einem Bild eine Folge von Videoframes berechnet. Du beschreibst, was zu sehen sein soll — Motiv, Handlung, Umgebung, Licht, Kamera — und das Modell erzeugt daraus einen zusammenhängenden Clip. Es wird nichts aus einer Datenbank zusammengeschnitten: Jedes Bild entsteht neu.

Zwei Eingabearten sind üblich. Bei Text-zu-Video ist der Prompt die einzige Vorgabe, das Modell entscheidet über Bildaufbau und Aussehen. Bei Bild-zu-Video lieferst du ein Foto als erstes Bild, und der Prompt beschreibt nur noch die Bewegung. Bild-zu-Video ist die verlässlichere Variante, wenn du das Aussehen des Ergebnisses schon kennst.

Die Modelle unterscheiden sich stark. Sie erzeugen unterschiedliche Auflösungen (in VIBE von 360p bis echtes 4K), unterschiedliche Cliplängen (2 bis 30 Sekunden) und manche erzeugen synchronen Ton, andere nicht. Deshalb hat es Vorteile, mehrere Modelle in einer App zu haben: Denselben Prompt auf zwei Modellen zu testen ist oft schneller, als einen Prompt endlos umzuschreiben.

Schwacher Prompt: „ein Hund im Feld“. Das Modell muss alles raten — Rasse, Tageszeit, Kamerawinkel, Stimmung — und liefert entsprechend beliebige Ergebnisse.

Guter Prompt: „Ein Golden Retriever rennt in Zeitlupe durch ein Weizenfeld, warmes Nachmittagslicht von hinten, Kamera fährt auf Hüfthöhe mit, Doku-Stil.“ Jedes zusätzliche Detail nimmt dem Modell eine Entscheidung ab.

Weiteres Beispiel für ein Produktvideo: „Ein weißer Sneaker dreht sich langsam auf einem Sockel, klares Studiolicht, weicher Schatten, minimalistischer heller Hintergrund, feste Kamera.“ Und für Bild-zu-Video, wo das Foto die Szene schon vorgibt: „Dampf steigt aus der Tasse auf, das Fensterlicht flackert leicht, langsame Fahrt auf die Tasse zu.“

Deutsche Prompts funktionieren. Wenn ein Modell einen Begriff auffällig anders interpretiert als erwartet, hilft es manchmal, den entsprechenden Fachbegriff auf Englisch zu ergänzen (etwa „Zeitlupe (slow motion)“) — nötig ist das aber nicht.

VIBE rechnet mit Tokens. Jede Generierung kostet Tokens abhängig vom Modell, der Auflösung und der Cliplänge, und der genaue Preis steht vor dem Generieren auf dem Bildschirm. Elf der 39 Videomodelle sind kostenlos: Seedance Pro Fast, WAN 2.2, LTX 2 Fast, LTX 2 Distilled, Seedance, Luma Ray Flash 2, Motion 2.0, PixVerse 6, PRUNA V, Grok Imagine und LTX 2.5 Fast.

Die kostenlosen Modelle sind über Auflösung und Cliplänge begrenzt, nicht über abgeschaltete Funktionen. Text-zu-Video, Bild-zu-Video, die Wahl des Seitenverhältnisses und der Download der fertigen Datei sind überall enthalten. Für viele Social-Media-Anwendungen reicht das vollständig aus.

Ein Abo lohnt sich, wenn du Fotorealismus (Veo 3.1, Sora 2), 1080p oder 4K, Clips über 20 Sekunden, synchronen Ton auf Flaggschiff-Modellen oder das Talking-Avatar-Modell brauchst. Wer nicht abonnieren will, kann Token-Pakete einzeln kaufen.