Was ist Text-to-Video?

Text-to-Video bezeichnet KI-Modelle, die aus einer schriftlichen Beschreibung ein Video erzeugen. Aus einem Satz wie "Eine Drohnenaufnahme über eine neblige Alpenlandschaft bei Sonnenaufgang" entsteht in wenigen Minuten ein realistischer Videoclip — ohne Kamera, Schauspieler oder Schnittprogramm. Die Technologie ist das bewegte Pendant zu Text-to-Image und gehört zu den am schnellsten fortschreitenden Bereichen der generativen KI.

Führende Modelle sind Sora (OpenAI), Veo (Google), Kling (Kuaishou) und die Modelle von Runway. Seit dem Durchbruch 2024 hat sich die Qualität rasant entwickelt: Aktuelle Modelle erzeugen Clips in hoher Auflösung, mit konsistenten Charakteren über mehrere Einstellungen hinweg — und zunehmend mit passend generiertem Ton, von Umgebungsgeräuschen bis zu synchronen Dialogen.

Wie funktioniert Text-to-Video?

Die meisten aktuellen Systeme basieren auf Diffusionsmodellen, kombiniert mit Transformer-Architekturen:

Training: Das Modell lernt aus riesigen Mengen von Videos mit Textbeschreibungen, wie Sprache mit bewegten Bildern zusammenhängt — inklusive Physik, Beleuchtung und Bewegungsabläufen.
Generierung: Ausgehend von Rauschen wird das Video Schritt für Schritt "entrauscht", gesteuert durch die Textbeschreibung. Dabei muss das Modell nicht nur jedes Einzelbild stimmig erzeugen, sondern auch die zeitliche Konsistenz zwischen den Bildern wahren — die eigentliche Königsdisziplin.
Steuerung: Neben reinem Text akzeptieren viele Modelle auch Startbilder (Image-to-Video), Referenzvideos oder Kameraanweisungen ("langsamer Zoom", "Schwenk nach links").

Praxisbeispiele

Werbung und Social Media: Produktclips und Kampagnenvarianten entstehen in Stunden statt Wochen — ideal für A/B-Tests
E-Learning und Erklärvideos: Schulungsinhalte lassen sich ohne Filmteam visualisieren
Prototyping in der Filmproduktion: Regisseure visualisieren Szenen als "Pre-Visualization", bevor teuer gedreht wird
E-Commerce: Produktbilder werden zu kurzen animierten Clips für Shops und Anzeigen
Musikvideos und Kunst: Kreative nutzen die Modelle für Ästhetiken, die real kaum umsetzbar wären

Grenzen und rechtliche Fragen

Trotz beeindruckender Fortschritte gibt es Grenzen: Physikfehler (unnatürliche Bewegungen, verschmelzende Objekte), Probleme mit Text im Bild sowie begrenzte Cliplängen. Längere Filme entstehen bisher durch das Aneinanderreihen vieler kurzer Sequenzen. Die Generierung ist zudem rechenintensiv und bei hoher Qualität entsprechend teuer.

Rechtlich sind zwei Themen zentral: das Urheberrecht an Trainingsdaten und generierten Inhalten sowie die Gefahr täuschend echter Deepfake-Videos. Der EU AI Act verlangt, dass KI-generierte Videos als solche gekennzeichnet werden. Für deutsche Unternehmen heißt das: Text-to-Video bietet enorme Effizienzgewinne im Content-Marketing, sollte aber mit klaren Kennzeichnungs- und Freigabeprozessen eingeführt werden. Wer Personen darstellt, braucht besondere Sorgfalt — auch zufällige Ähnlichkeiten mit realen Menschen können problematisch sein.