Text-to-Video

Text-to-Video bedeutet: Man schreibt einen Satz, und ein Computerprogramm macht daraus ein Video. Ein Beispiel wäre « Ein Hund läuft im Zeitlupentempo durch flaches Wasser, Abendsonne ». Wenige Sekunden oder Minuten später liegt ein Filmschnipsel vor, meist zwischen zwei und zwanzig Sekunden lang. Dieses Video ist keine Zusammenstellung vorhandener Aufnahmen. Jedes einzelne Bild wird neu berechnet, Pixel für Pixel. Bekannte Programme dieser Art heißen Sora, Veo oder Runway.

Was sich für Film, Werbung und Fälschungen ändert

Bewegte Bilder waren bisher teuer. Für zehn Sekunden Werbespot brauchte man Kamera, Licht, Schauspieler und Schnitt. Text-to-Video drückt diese Kosten für bestimmte Zwecke auf fast null. Werbeagenturen nutzen es für erste Entwürfe, sogenannte Storyboards, also grobe Skizzen des späteren Films. Statt zu zeichnen, tippt man den Ablauf und sieht ihn sofort in Bewegung.

Für Kreativberufe ist das zweischneidig. Wer Erklärvideos oder Hintergrundaufnahmen produziert, bekommt starke Konkurrenz. Wer Ideen entwickelt, gewinnt ein schnelles Werkzeug. In der Filmbranche gab es deshalb bereits Streiks, bei denen Schauspieler und Autoren Regeln für KI-Einsatz forderten.

Die zweite Folge ist unangenehmer. Ein Video wirkt auf Menschen glaubwürdiger als ein Text oder ein Foto. Wenn jede Person überzeugende Videoszenen erfinden kann, sinkt der Beweiswert von Aufnahmen. Deshalb verpflichtet der Digitalgesetzgeber in der EU Anbieter dazu, künstlich erzeugte Inhalte zu kennzeichnen. Viele Modelle setzen ein unsichtbares Wasserzeichen in ihre Videos, also eine versteckte Markierung im Bild.

Vom Rauschen zur bewegten Szene

Fast alle diese Systeme arbeiten nach dem Prinzip der Diffusion. Das Programm beginnt mit reinem Bildrauschen, also einem Flimmern wie bei einem alten Fernseher ohne Empfang. Dann entfernt es dieses Rauschen in vielen kleinen Schritten. Bei jedem Schritt schätzt es, welches Bild sich hinter dem Flimmern verbergen könnte. Der eingetippte Text steuert diese Schätzung: Er lenkt sie in Richtung Hund, Wasser und Abendsonne.

Der entscheidende Unterschied zu einem Bildgenerator liegt in der Zeit. Ein Video ist nicht eine Folge unabhängiger Bilder. Der Hund muss im nächsten Bild derselbe Hund sein, und er muss sich physikalisch plausibel bewegen. Das Modell rechnet deshalb mit ganzen Bildstapeln gleichzeitig und achtet auf die Beziehungen zwischen ihnen. Gelernt hat es das aus Millionen Videos mit Beschreibungstexten.

Ein verbreiteter Irrtum ist, das Modell hätte Physik verstanden. Es hat lediglich gesehen, wie Wasser in unzähligen Videos aussieht. Deshalb scheitern die Systeme an Aufgaben, die echtes Verständnis verlangen. Ein zerbrechendes Glas setzt sich manchmal wieder zusammen, Finger werden zu viel, Schrift im Bild ergibt Buchstabensalat. Auch die Länge bleibt begrenzt, weil Rechenaufwand und Fehler mit jeder zusätzlichen Sekunde stark wachsen.

Wo man solche Clips heute schon sieht

Auf TikTok, Instagram und YouTube laufen bereits große Mengen dieser Videos. Typisch sind kurze Landschaftsaufnahmen, absurde Tierszenen oder Hintergründe für Musikstücke. Oft erkennt man sie an unruhigen Details am Bildrand oder an einem seltsam glatten Licht. Manche Plattformen zeigen ein Hinweisschild mit dem Vermerk « KI-generiert ».

In Nachrichten aus der Wirtschaft tauchen Text-to-Video-Modelle als Prestigeprojekte auf. OpenAI, Google und chinesische Anbieter wie Kuaishou stellen neue Versionen mit großem Aufwand vor. Für Anleger ist der Begriff interessant, weil solche Modelle enorme Rechenleistung verbrauchen. Jede Sekunde Video kostet ein Vielfaches eines Chatbot-Textes, was die Nachfrage nach Grafikchips und Rechenzentren antreibt.

Ausprobieren kann man das selbst. Mehrere Anbieter erlauben eine begrenzte Zahl kostenloser Versuche pro Monat, danach zahlt man ein Abo. Nützlich ist dabei eine Beobachtung: Je genauer die Beschreibung, desto brauchbarer das Ergebnis. Angaben zu Kameraführung, Tageszeit und Bildstil verbessern das Video deutlich mehr als eine längere Handlung.