PROJEKTEINBLICK ·

Welches Video-KI-Modell passt zu welcher Aufgabe?

Seedance, Kling und Wan im Praxiseinsatz: Was günstige Modelle überraschend gut lösen – und warum ein hoher Creditpreis keine Freigabe garantiert.

KONZEPT · UMSETZUNGOliver Röschner
LESEZEIT9 Minuten
BEREICHTECHNOLOGIE
Redaktioneller Video-Arbeitsplatz mit vier tatsächlichen Clips der Serie: Kreuzfahrtschiff, Steampunk-Performer, fehlerhafter Dartpfeil und OPERUS-Roboter.
KI GENERIERTES ARTIKELBILD | OPERUS

Nachdem aus dem ersten Alien-Versuch der deutlich putzigere Fridolin geworden war, änderte sich auch die Aufgabe. Es ging nicht mehr nur darum, ob ein einzelner Effekt funktioniert. Nun musste eine wiedererkennbare Figur ihr Gesicht, ihren Körper und ihren Charakter über weitere Clips hinweg behalten. Aus einem Testmotiv wurde eine wiederkehrende Figur.

Mit den Modellen war es ähnlich. Am Anfang wollte ich wissen, welches davon die besten Videos erzeugt. Nach mehreren Produktionen halte ich diese Frage für zu einfach. Ein fünf Sekunden langer Dartwurf stellt andere Anforderungen als eine verständlich gesprochene Punchline. Eine fünfzehn Sekunden lange Begegnung zwischen einem Schiff und einem Kraken verlangt etwas anderes als eine schnelle Kamerafahrt um einen detaillierten Roboter.

Die sinnvollere Frage lautet deshalb:

Welches Modell passt zu der Aufgabe, die ich tatsächlich lösen möchte?

Dieser Teil ist keine Rangliste und kein wissenschaftlicher Benchmark. Die gezeigten Produktionen entstanden mit unterschiedlichen Motiven, Laufzeiten, Auflösungen und Referenzbildern. Gerade dadurch zeigen sie aber recht gut, welche Entscheidungen in einem echten Produktionsprozess eine Rolle spielen: Länge, Preis, Sprache, Bewegungsumfang, Bildtreue und das Risiko, am Ende trotz eines spektakulären Ergebnisses noch einmal generieren zu müssen.

Vier Produktionen, vier unterschiedliche Aufgaben

Vier Produktionen im Vergleich
ProduktionModellLängeCreditsErgebnis
Der sanfte KrakenSeedance 2.0 Mini15 Sekunden15Nicht freigegeben: Schiff nicht konsistent
Steampunk-RapperKling 3.05 Sekunden10 je Versuch, 20 insgesamtZweite Fassung freigegeben
Bullseye am DartautomatenWan 3.05 Sekunden8,75Nicht verwendet: Dart und Board fehlerhaft
OPERUS-RoboterWan 3.0 Prime12 Sekunden72Nicht freigegeben

Die Zahlen lassen sich nicht direkt gegeneinander ausspielen. Eine längere Ausgabe kostet naturgemäß anders als ein kurzer Clip, und 1080p ist nicht mit 720p gleichzusetzen. Trotzdem wird bereits etwas deutlich: Der Preis allein sagt wenig darüber aus, ob ein Ergebnis am Ende verwendbar ist.

Seedance 2.0 Mini: viel Geschichte für vergleichsweise wenige Credits

Seedance 2.0 Mini wurde in meinen bisherigen Produktionen mit Abstand am häufigsten eingesetzt. Der Grund war zunächst schlicht der Preis. Für 15 Credits erhielt ich einen fünfzehn Sekunden langen Hochformat-Clip mit nativem Ton. Gleichzeitig waren die Ergebnisse häufig so gut, dass aus dem günstigen Modell schnell mein Arbeitspferd wurde.

Der sanfte Kraken ist dafür ein gutes Beispiel. Ein Kreuzfahrtschiff fährt in einen goldenen Sonnenuntergang. Ein gewaltiger Kraken steigt aus dem Meer, hebt den Bug an und setzt das Schiff anschließend vorsichtig wieder ab. Die Geschichte verändert ihre Stimmung mehrfach: Ruhe wird zu Bedrohung, Bedrohung wird zu Überraschung und die Überraschung endet friedlich.

Seedance 2.0 Mini, 15 Sekunden, 15 Credits. Visuell stark, aber wegen der fehlerhaften Schiffsdarstellung nicht freigegeben.
Transkript

Ein Kreuzfahrtschiff fährt im goldenen Sonnenuntergang über das Meer. Ein riesiger Kraken taucht auf und hebt das Schiff an. Währenddessen verändern sich Decks, Aufbauten und Rumpf sichtbar; deshalb wurde der Clip nicht freigegeben. Zu hören sind Meer, Schiff, tiefe Krakenklänge und orchestrale Musik; es gibt keine Sprache.

Auf den ersten Blick wirkt der Clip wie ein Volltreffer. Seedance erzeugte Bewegung, Dramaturgie und Tonspur in einer einzigen Generierung. Bei der vollständigen Endkontrolle fiel jedoch auf, dass das Schiff seine Form nicht zuverlässig behält. Decks, Aufbauten und Rumpf verändern sich sichtbar, während der Kraken das Schiff anhebt. Gerade weil das Schiff das zentrale Objekt der Szene ist, wurde der Clip nicht freigegeben.

Dabei hatte das Modell sechs vorbereitete Storyboard-Bilder erhalten. Start- und Endbild definierten die Klammer, vier weitere Referenzen beschrieben die Entwicklung dazwischen. Die Bildanker halfen bei Komposition, Stimmung und Ablauf, konnten die Geometrie des Schiffes in der starken Bewegung aber nicht stabilisieren.

Produktionsprompt text
Create one continuous 15-second vertical cinematic sequence from the six supplied storyboard images. Preserve the exact white cruise ship design, sunset direction, golden-orange color palette, colossal dark reddish-brown Kraken with amber eyes, and photorealistic scale throughout. Smooth natural motion and coherent geography; no cuts that feel unrelated.

Timeline:
0.0-2.5s — Peaceful luxury cruise ship sails toward the low sun over a calm golden ocean. Elegant forward movement, subtle wake, tiny relaxed passengers. A very faint large swell beneath the water hints that something is present without revealing it.
2.5-5.0s — The ocean begins to displace. Enormous wet tentacles rise slowly in varied S-curves far around the ship, backlit by sunset. The unseen creature is clearly larger than the vessel.
5.0-8.0s — The Kraken's gigantic mantle and two amber eyes emerge behind the ship through spray. Tentacles encircle the area and one arm approaches the bow. Increase wave energy and awe while keeping ship identity stable.
8.0-10.5s — Climactic but non-destructive action: two massive tentacles carefully grip and lift the intact bow several meters. Water pours from hull and suckers. The ship tilts but no one falls and nothing breaks.
10.5-12.8s — Surprise reversal: the Kraken's expression becomes calm and curious. Its tentacles loosen and deliberately support the hull from below, gently returning the ship level to the ocean. Waves settle.
12.8-15.0s — The ship continues toward the sunset unharmed. The Kraken releases it and peacefully submerges; only three retreating tentacle tips and broad concentric rings remain. End with a composition that visually echoes the opening for a satisfying loop.

Camera: stable elevated rear three-quarter tracking view of the ship with subtle cinematic push-ins during the reveal; portrait 9:16; maintain readable ship silhouette and colossal scale.
Motion: realistic heavy tentacle physics, anatomically coherent octopus movement, varied suckers, convincing ocean displacement, spray and cascading water; no rubbery motion.
Native audio: begin with calm ocean, soft ship ambience and warm cinematic music; introduce a subtle underwater pulse, deep sub-bass rumble and distant whale-like Kraken resonance as tentacles rise; powerful but clean wave impacts and cascading water at the climax; music resolves into a gentle, wondrous ending with calm sea sounds. No narration, no dialogue, no screaming.
Avoid text, captions, logos, watermarks, UI, gore, injured people, ship damage, sinking, fire, extra ships, duplicate eyes, malformed suckers, dragon or humanoid anatomy, abrupt daylight changes, inconsistent vessel geometry, flicker, frozen frames or sudden camera jumps.

Das Ergebnis zeigt Stärke und Grenze von Seedance zugleich: Mit guten Bildankern konnte das Modell eine längere, klar strukturierte Geschichte, den gewünschten Stimmungswechsel und eine passende Tonspur erzeugen. Die sechs Bilder trugen mindestens ebenso viel zur Regie bei wie der ausführliche Prompt. Sie garantierten aber nicht, dass ein komplexes Objekt wie das Schiff über die gesamte Bewegung geometrisch konsistent blieb.

Kling 3.0: fünf Sekunden, eine verständliche Punchline

Beim Steampunk-Rapper war die Aufgabe kleiner, aber in einem Punkt anspruchsvoller: Die Figur sollte die englische Zeile „The time is up!“ verständlich sprechen. Der Effekt durfte erst auf dem letzten Wort erscheinen. Gesicht, Mund, Mikrofon und mechanischer Vogel sollten bis dahin ruhig und stabil bleiben.

Kling 3.0, 5 Sekunden, 10 Credits für die finale Generierung. Die zweite Fassung bestand die Endkontrolle.
Transkript

Ein Steampunk-Rapper hält ein Messingmikrofon und spricht langsam die englische Zeile „The time is up!“. Auf dem letzten Wort entsteht ein kontrollierter bernsteinfarbener Schallimpuls. Die Figur und der mechanische Vogel bleiben stabil.

Die erste Generierung war von Beginn an zu hektisch. Für den zweiten Versuch wurde der Prompt stärker begrenzt: fast vollständige Ruhe in der ersten Sekunde, kleine Mundbewegungen, nur eine kontrollierte Handbewegung und der große Effekt ausschließlich auf dem letzten Wort. Diese Fassung funktionierte. Die Sprache war verständlich, der Schallring erschien zum richtigen Zeitpunkt und die Figur blieb erkennbar.

Produktionsprompt text
Use the exact fictional steampunk rapper, face, elongated proportions, dreadlocks, goggles, distressed clothing, brass microphone and mechanical bird from the start image. Create one restrained continuous shot with no scene change. For the first second he is almost perfectly still, breathing subtly and holding calm eye contact with the camera. He slowly lifts the microphone closer. From seconds 1 to 3 he naturally articulates the English phrase "The time is" in a low, deliberate rap delivery; use small believable jaw and lip motion and only one controlled movement of his free hand. Tiny gears and hanging bulbs begin to vibrate subtly, while the mechanical bird makes a small head movement. From seconds 3 to 4 the camera performs a very slow smooth push-in and a faint warm mechanical glow begins around the microphone. Only on the final word "up" near the end, release one brief powerful amber pulse from the microphone: concentric brass sound rings expand, the background clocks stop and their glass faces crack. The effect must peak briefly and then settle enough for the final frame to show the rapper clearly again. Preserve the quiet beauty and detailed composition of the start image for most of the clip. Stable identity, restrained motion, coherent anatomy, natural hands and mouth, clean lip articulation, warm tungsten light, smoky copper atmosphere. No wild gesturing, no constant explosion, no camera shake, no face-covering effect, no extra people, no readable text, no logos, no cuts.

Die finale Generierung kostete 10 Credits. Zusammen mit der verworfenen Vorversion wurden 20 Credits eingesetzt. Kling war hier nicht automatisch besser als Seedance, aber es passte gut zu einer sehr kurzen Szene, deren Wirkung von einer gesprochenen Zeile und einem exakt gesetzten Effekt abhing.

Wan 3.0: eine kurze Bewegung, die trotzdem scheiterte

Der Dart-Clip für Dartbude hatte eine besonders klare Aufgabe: Ein Dart fliegt, trifft das Bullseye, vibriert kurz und löst einen dezenten Bestätigungston aus. Keine Figur musste über viele Sekunden konsistent bleiben. Es gab keine Sprache und keinen komplexen Stimmungswechsel. Dafür mussten Flugbahn, Dartboard und Treffer glaubwürdig aussehen.

Wan 3.0, 5 Sekunden, 8,75 Credits. Dart und Dartboard wurden fehlerhaft dargestellt; der Clip wurde nicht verwendet.
Transkript

Ein fehlerhaft dargestelltes Objekt, das wie zwei miteinander verbundene Darts aussieht, fliegt auf einen ebenfalls fehlerhaften elektronischen Dartautomaten zu und trifft das Bullseye. Die Beleuchtung bestätigt den Treffer und ein Signalton ist zu hören. Wegen der falschen Darstellung von Dart und Board wurde der Clip nicht verwendet; es gibt keine Sprache.

Die Generierung mit Wan 3.0 kostete 8,75 Credits, wurde aber nicht verwendet. Das Modell stellte den fliegenden Dart nicht als einen einzelnen Pfeil dar. Stattdessen sah das Objekt aus wie zwei miteinander verbundene beziehungsweise aneinandergeklebte Darts. Auch das Dartboard war fehlerhaft. Damit waren ausgerechnet die beiden zentralen Objekte der kurzen Szene nicht glaubwürdig.

Ein Logo oder ein Schnitt in Remotion hätte diesen Fehler nicht beheben können. Die eigentliche Handlung war zwar erkennbar, aber der Blick richtet sich während des gesamten Clips auf Dart und Board. Wenn beide falsch aussehen, reicht ein sauber gesetzter Treffer für eine Freigabe nicht aus.

Produktionsprompt text
Vertical 9:16 cinematic Instagram Reel shot inside an authentic warm, dark German-style darts pub. The hero object is a premium full-size electronic soft-tip dart machine, viewed close and slightly from below, with an exceptionally realistic, geometrically correct dartboard: perfectly circular board, crisp standard numbered segments, believable red, green, cream and black materials, intact holes and scoring rings, realistic cabinet, subtle indicator lights, no brand name. Start immediately with a dramatic macro shot of a metal-tipped soft dart already flying toward camera and board; fast controlled tracking movement follows it. The dart strikes the inner bullseye cleanly with a convincing physical impact, the dart vibrates briefly, cabinet lights pulse once, tiny dust motes catch the warm light. Camera pushes toward the beautiful board, then settles on the embedded dart. Moody amber practical lights, dark brown wood, subtle burgundy accents and shallow depth of field, premium cinematic commercial photography without being an advertisement. Native synchronized audio: sharp aerodynamic dart whoosh, solid plastic-and-sisal-like board impact, short dart vibration, one restrained electronic score confirmation beep, quiet natural pub room ambience with distant indistinct murmurs, no speech, no music. Five seconds, quick strong opening, satisfying finish suitable for looping. No people in foreground, no hands, no text overlays, no legible writing, no logos, no trademarks, no advertisements, no product labels, no watermarks, no malformed board, no duplicated darts, no incorrect geometry, no warped numbers, no extra objects appearing.

Das Beispiel spricht nicht dafür, dass Wan grundsätzlich besser oder schlechter ist. Es zeigt etwas Praktischeres: Selbst eine kurze, sichtbare und scheinbar einfache Handlung kann scheitern, wenn das Modell den wichtigsten Gegenstand nicht stabil versteht. Weniger Figuren, keine Sprache und nur ein einziger Treffer reduzieren zwar die Komplexität – sie garantieren aber kein korrektes Ergebnis.

Wan 3.0 Prime: beeindruckend, teuer und trotzdem nicht freigegeben

Der OPERUS-Roboter war die aufwendigste der vier Aufgaben. Die Kamera sollte aus einer weiten Einstellung schnell auf einen detaillierten Roboter zufahren. Seine roten Sensorsegmente sollten sich zum korrekt geschriebenen Wort OPERUS formen. Danach sollte die Kamera einmal vollständig um Kopf und Oberkörper kreisen und zur Frontalansicht zurückkehren.

Wan 3.0 Prime erzeugte für 72 Credits einen zwölf Sekunden langen 1080p-Clip mit nativem Ton. Vieles daran funktionierte überraschend gut: die Kamerafahrt, Regen und Feuer, das lesbare Wort OPERUS und sogar der vollständige Orbit. Trotzdem wurde die Fassung nicht freigegeben.

Wan 3.0 Prime, 12 Sekunden, 72 Credits. Wegen sichtbaren Detail-Poppings nicht freigegeben.
Transkript

Die Kamera fährt in einer regnerischen, brennenden Industrieumgebung auf einen Roboter zu. Seine rote Sensoranzeige formt das Wort OPERUS, anschließend umkreist die Kamera Kopf und Oberkörper. Während der Annäherung verändern und vermehren sich jedoch Platten, Kabel und Oberflächendetails sichtbar. Zu hören sind Regen, Feuer, Servos und dramatische Musik; es gibt keine Sprache.

Während der Annäherung entstanden sichtbar neue Platten, Kabel und Oberflächendetails. Das Modell erhöhte gewissermaßen die Komplexität der Figur, je näher die Kamera kam. Einzelne Bilder wirkten dadurch sogar eindrucksvoller. In Bewegung war jedoch erkennbar, dass es nicht mehr exakt derselbe Roboter blieb.

Produktionsprompt text
Create one continuous 12-second vertical 9:16 premium cinematic sci-fi trailer shot with synchronized native audio and no cuts.

REFERENCES: The first supplied image is the required wide opening composition. The following images define the exact approach, original unarmed robot, helmet, segmented sensor, chest marking, proportions, parts, scratches, rain, burning factory and blue-orange lighting. Preserve this exact design throughout. Never redesign it.

0–3s — WIDE APPROACH:
Open in the composition of the first wide reference: camera centimeters above a rain-covered puddle, robot distant and centered among burning factory towers, bridges, smoke, sparks and moonlight. Camera rapidly dollies forward while the robot simultaneously glides straight toward it with heavy controlled momentum. Feet slide through shallow water, not normal walking. Only low realistic spray, fine droplets, thin water fans and ripples. Strong parallax and subtle edge motion blur; robot stays sharp.

3–6.5s — CLOSE APPROACH:
Continue the same uninterrupted move from full body to hips/torso and head/shoulders, following the supplied progression references. Preserve exactly: compact faceted helmet, smooth closed lower faceplate with no mouth or skull anatomy, angular cheeks, tapered chin, circular side bearing, vents, short rear crown, asymmetric recessed red sensor bar split into three unequal segments, tiny amber temple sensor. Show connected pistons, bearings, braided cables, clamps, cooling fins, fasteners, seams, micro-scratches, chipped coating, soot, oxidation, oil traces, rain beads and rivulets. Both hands empty; completely unarmed.

6.5–8.5s — OPERUS:
Reach a nearly symmetrical extreme frontal close-up and decelerate to a precise stop. Three red sensor segments pulse once, then separate, slide and reshape inside the recessed display like a programmable mechanical light matrix. They form the exact uppercase word “OPERUS”. Exact spelling: O-P-E-R-U-S. Show only that word in clean geometric red illuminated letters, evenly spaced, stable and perfectly legible. No other symbols. Never flicker, mutate, melt, duplicate or misspell. Red light reflects subtly on wet armor.

8.5–12s — ORBIT:
After OPERUS forms, execute one smooth, fast but readable complete 360-degree orbit around head and upper torso at eye level. Reveal side bearing, rear plates, neck actuators, cables and shoulders. Robot remains still; rain, smoke, fire, moon and structures show realistic parallax. Return precisely to the frontal close-up. OPERUS remains stable and correctly spelled. Finish with a subtle red pulse and short hold suitable for a Reel loop.

STYLE:
Ultra-detailed photoreal theatrical sci-fi trailer. Physically plausible camera inertia, water, smoke, sparks, rain and wet-metal reflections. Cold moonlight plus warm industrial firelight, deep contrast, large-format cinema look, maximum material fidelity.

NATIVE AUDIO:
No speech or voices. Start with rain, distant fire, wind and deep sub-bass. Build a dark cinematic riser as the camera accelerates. Synchronize robot movement with heavy servos, hydraulic releases, metal resonance and realistic stereo puddle splashes. Intensify with orchestral brass, massive percussion and industrial pulses. For OPERUS: sharp electronic power-up, mechanical locking layers, rising energy tone, then one enormous clean bass impact when readable. During orbit, spatially move rain, fire and servos with a wide epic crescendo. Final red pulse gets the largest theatrical impact and long metallic sub-bass decay. Preserve dynamic range.

NEGATIVE:
No cuts, scene changes, teleporting camera, collision or sudden zoom. No weapon, gun, blade, tool, holster or mount. No skull face, jaw, teeth, mouth, nose cavity or paired round eyes. No known franchise or actor resemblance. No extra limbs, fingers, duplicated parts, changing proportions, floating pieces, giant splash or impossible physics. No dialogue, singing, subtitles, watermark, unrelated logo or random text. No misspelled OPERUS, alternative spelling, extra letters, symbols, flicker or unstable typography.

Der Fehler war kein technischer Defekt. Das Video ließ sich vollständig abspielen, alle 360 Frames waren vorhanden und die Tonspur war intakt. Es war ein inhaltlicher Konsistenzfehler – und genau deshalb reichte die technische Prüfung allein nicht aus.

Was sich aus den vier Produktionen ableiten lässt

Die Beispiele erlauben noch keine allgemeingültige Bestenliste. Sie zeigen aber einige praktische Tendenzen:

  • Seedance 2.0 Mini bot in meinen bisherigen Versuchen weiterhin ein starkes Verhältnis aus Laufzeit, Preis und visueller Wirkung. Der Kraken zeigt aber, dass auch gute Bildreferenzen bei längeren Geschichten keine konsistente Objektgeometrie garantieren.
  • Kling 3.0 funktionierte bei einer kurzen Sprachszene gut, nachdem Bewegung und Effekt sehr deutlich begrenzt wurden.
  • Wan 3.0 war mit 8,75 Credits günstig, stellte bei der kurzen Dart-Aktion aber sowohl den Pfeil als auch das Board fehlerhaft dar. Der Clip wurde nicht verwendet.
  • Wan 3.0 Prime erzeugte die technisch und visuell aufwendigste Szene, bewies aber zugleich, dass ein hoher Preis keine stabile Figurenidentität garantiert.

Die Stichprobe ist klein und die Aufgaben sind verschieden. Deshalb wäre die Aussage „Seedance ist besser als Kling“ genauso unseriös wie „Prime ist besser als Standard“. Belastbar ist nur, was in der jeweiligen Produktion tatsächlich passiert ist.

Erst die Aufgabe, dann das Modell

Vor einer Generierung frage ich inzwischen nicht mehr zuerst nach dem vermeintlich besten Modell. Ich frage:

  • Wie viele Sekunden braucht die Geschichte wirklich?
  • Muss Sprache verständlich und lippensynchron sein?
  • Wie viele Figuren und Zustandsänderungen enthält die Szene?
  • Gibt es ein Startbild, ein Endbild oder sogar mehrere Storyboard-Anker?
  • Ist eine höhere Auflösung wichtiger als ein zusätzlicher Versuch?
  • Wie teuer wird es, wenn die erste Generierung nicht besteht?
  • Welcher Fehler würde das Ergebnis trotz aller anderen Stärken unbrauchbar machen?

Der günstige Kraken wirkte spektakulär, fiel aber wegen des instabilen Schiffs durch. Der kurze Kling-Clip brauchte einen zweiten Anlauf. Beim Dart waren Pfeil und Board trotz der einfachen Handlung falsch. Der teure Roboter beeindruckte – und fiel wegen seiner wechselnden Details ebenfalls durch.

Das beste Modell ist deshalb nicht automatisch das teuerste. Es ist das Modell, dessen Stärken zur Aufgabe passen und dessen Ergebnis am Ende die vollständige Kontrolle besteht.

Teil 3: KI-Videos mit Referenzbildern: Warum Bilder oft mehr helfen als längere PromptsZwei gleich teure Seedance-Produktionen zeigen, was Referenzbilder wirklich leisten – und warum mehrere Keyframes noch keine verlässliche Regie ergeben. VIDEO-KI