Text-to-Image

Text-to-Image bezeichnet KI-Modelle, die aus einer schriftlichen Beschreibung ein Bild erzeugen. Du gibst einen Prompt ein, etwa „eine alte Bäckerei im Morgenlicht, Blick durchs Schaufenster“, und das Modell berechnet ein passendes Bild. Die meisten dieser Modelle sind Diffusionsmodelle, also dieselbe Technikfamilie wie viele Videogeneratoren.

Wie hängen Text-to-Image und KI-Video zusammen?

Technisch ist ein Videomodell eine Erweiterung eines Bildmodells. Statt eines einzelnen Bildes erzeugt es viele zusammenhängende Bilder, die eine Bewegung ergeben. Viele Hersteller haben ihre Videomodelle aus vorhandenen Bildmodellen weiterentwickelt oder trainieren beides gemeinsam. Deshalb bieten zahlreiche Plattformen Bild- und Videogenerierung unter einer Oberfläche an.

In der Praxis ist Text-to-Image oft der erste Schritt eines KI-Videos. Du erzeugst zuerst ein Standbild, das Figur, Ort, Licht und Stil festlegt. Dieses Bild gibst du dann an ein Bild-zu-Video-Modell, das es animiert. Der Weg über ein Startbild liefert meist verlässlichere Ergebnisse als ein reiner Text-to-Video-Prompt, weil das Aussehen schon feststeht.

Wofür nutzt du Text-to-Image bei Videoprojekten?

Häufige Einsätze sind Startbilder für Szenen, einheitliche Figuren für mehrere Clips, Storyboards zur Planung, Thumbnails und Hintergründe. Wenn du dieselbe Figur in verschiedenen Szenen brauchst, erzeugst du mehrere Bilder mit derselben Beschreibung oder einem Referenzbild und animierst sie einzeln. So bleibt die Figur über das ganze Video wiedererkennbar.

Worauf du achten solltest

Erzeuge das Bild direkt im Seitenverhältnis deines Videos. Lass im Bild Raum für die geplante Bewegung: Soll die Kamera zurückfahren, braucht das Motiv Platz am Rand. Achte auf kleine Fehler wie verformte Hände oder Schrift, denn das Videomodell übernimmt sie und macht sie in Bewegung oft noch sichtbarer. Wie du Bilder in Clips verwandelst, zeigt die Übersicht Bild zu Video, Prompt-Tipps findest du im Ratgeber KI-Video-Prompts.