Token

Ein Token ist ein kleines Stück, in das ein KI-Modell seine Eingabe zerlegt, bevor es sie verarbeitet. Bei Text ist ein Token ein Wort, ein Wortteil oder ein Satzzeichen. Bei Bildern und Videos sind Tokens kleine Ausschnitte, die das Modell wie Bausteine behandelt.

Tokens bei Text

Sprachmodelle wie ChatGPT lesen keine Buchstaben, sondern Tokens. Ein Tokenizer zerlegt den Text vorher in häufige Bausteine. Ein Wort wie „Video“ ist oft ein einziges Token, ein zusammengesetztes Wort wie „Kamerafahrt“ kann aus mehreren bestehen. Jedes Modell hat eine Höchstzahl an Tokens, die es auf einmal verarbeiten kann, das sogenannte Kontextfenster. Bei vielen APIs richtet sich auch der Preis nach der Zahl der verarbeiteten Tokens.

Für Videogeneratoren ist das wichtig, weil dein Prompt zuerst von einem Textmodell gelesen wird. Ist der Prompt länger als das, was dieser Textteil aufnehmen kann, gehen Details am Ende verloren.

Tokens bei Bildern und Videos

Auch Bild- und Videomodelle mit Transformer-Architektur arbeiten mit Tokens. Das Video wird dafür in kleine Blöcke zerlegt, die jeweils einen Bildausschnitt über einige Einzelbilder abdecken. OpenAI beschreibt das in seinem Bericht Video generation models as world simulators: Sprachmodelle haben Text-Tokens, Sora hat sogenannte Patches, also Bildstücke.

Je länger und höher aufgelöst ein Clip ist, desto mehr solcher Tokens muss das Modell verarbeiten. Das ist ein Hauptgrund dafür, warum längere Videos in höherer Auflösung mehr Credits kosten und länger dauern.

Worauf du achten solltest

Bei Abos für Videotools rechnest du meist in Credits, nicht in Tokens. Tokens begegnen dir eher, wenn du über eine API arbeitest oder mit einem Sprachmodell Prompts schreiben lässt. Schreib Video-Prompts knapp und stell das Wichtigste nach vorn: Motiv, Handlung, Kamera, Licht. Tipps dazu stehen im Ratgeber KI-Video-Prompts.