Wer schon einmal eine Serie von KI-generierten Videos produziert hat, kennt das Problem: Die Figur aus Szene eins sieht in Szene zwei plötzlich anders aus. Das Gesicht verschiebt sich, die Jacke wechselt die Farbe, die Frisur verändert sich. Für alle, die echte Projekte umsetzen – eine Markenserie, einen Kurzfilm, eine wiederkehrende Figur für Social Media – entscheidet genau diese Stabilität darüber, ob aus Clips eine Produktion wird. Multi-Image Fusion, also das gleichzeitige Einlesen mehrerer Referenzbilder vor der Generierung, ist der praktischste Ansatz, den es dafür heute gibt. Dieser Leitfaden erklärt, warum Figuren inkonsistent werden, was Multi-Image Fusion wirklich leistet und wie Sie einen wiederholbaren Prozess aufbauen, der Ihre Figuren in jeder Einstellung wie sich selbst aussehen lässt.
Warum Charakterkonsistenz über den Erfolg entscheidet
Das Publikum reagiert empfindlicher auf inkonsistente Figuren, als die meisten Produzenten glauben. Wenn sich das Gesicht der Hauptfigur zwischen zwei Schnitten verändert, benennen die Zuschauer das Problem selten – sie spüren nur, dass etwas nicht stimmt, und vertrauen dem Video weniger. Bei Markeninhalten zerstört das den Zweck einer wiedererkennbaren Präsentatorin oder eines Maskottchens. Bei narrativen Arbeiten bricht es die Glaubwürdigkeit, von der Geschichtenerzählen lebt.
Konsistenz ist außerdem das Qualitätsmerkmal, das professionell wirkende KI-Inhalte von offensichtlichen KI-Inhalten trennt. Ein einzelner beeindruckender Clip ist leicht; eine Serie von Clips, die sich wie ein Film anfühlt, ist schwer – und das Publikum belohnt genau diese Schwierigkeit. Die Werkzeuge produzieren inzwischen wunderschöne Einzelaufnahmen. Wer sich abhebt, sind die Produzenten, die eine Figur, einen Stil und eine Welt über ein ganzes Projekt hinweg halten können.
Das Problem: Warum Modelle Figuren verändern
Die Ursache ist strukturell. Die meisten Video-Modelle erzeugen jeden Clip von Grund auf neu: Sie lesen den Prompt und die Referenzbilder und interpretieren das Konzept jedes Mal neu. Das Modell hat kein Gedächtnis für den vorherigen Clip, keine dauerhafte Identität für Ihre Figur und keine Vorstellung davon, dass die Frau in Szene drei dieselbe Frau sein soll wie in Szene eins.
Der Fachbegriff für diesen Fehler ist Drift der latenten Repräsentation. Das Modell wandelt Ihre Figur in eine mathematische Darstellung um, und kleine Unterschiede in der Art, wie diese Darstellung entsteht – die verwendeten Wörter, die Lichtstimmung des Referenzbilds, der Zufallswert – schieben das Ergebnis in leicht unterschiedliche Richtungen. Wird eine Figur in einem Prompt als „Frau in roter Jacke“ beschrieben und im nächsten als „Frau in karmesinrotem Mantel“, kann sie in zwei verschiedenen Rottönen, mit anderer Passform und einem leicht anderen Gesicht erscheinen.
Verstärkt wird das Problem durch Kumulation. Wer Szene zwei aus einer leicht abweichenden Szene eins erzeugt, multipliziert die Fehler über das ganze Projekt. Die Lösung ist nicht, auf bessere Modelle zu hoffen, sondern den Arbeitsablauf so zu ändern, dass das Modell bei jeder Generierung an festen Referenzen verankert wird.
Keyframes und Referenzbilder als Anker
In der traditionellen Animation sind Keyframes die wichtigsten Bilder einer Sequenz – die Punkte, an denen die Bewegung definiert ist. In der KI-Generierung übernehmen Charakter-Keyframes dieselbe Rolle: Sie sind die verbindlichen visuellen Signale, an denen sich das Modell orientiert. Ein einzelnes Referenzbild ist selten genug; mehrere sorgfältig ausgewählte Bilder bilden das Ankersystem.
Die Idee dahinter: Das Modell soll die Figur nicht aus Worten rekonstruieren müssen, sondern aus Bildern. Worte sind mehrdeutig, Bilder sind konkret. Je klarer und vollständiger der Bildsatz ist, desto weniger Freiheit hat das Modell, die Figur neu zu erfinden.
Die Multi-Image-Fusion-Methode Schritt für Schritt
Multi-Image Fusion kombiniert die Informationen mehrerer Eingabebilder, bevor das Modell generiert. Statt „mach diese Figur laufen“ kann das Modell die Anweisung erhalten: „Behalte dieses Gesicht, diesen Körper und diese Kleidung und setze sie in diese neue Szene.“
Schritt 1: Referenzprofil aufbauen
Erstellen Sie für jede wiederkehrende Figur ein Referenzprofil. Mindestens: ein frontales Porträt mit neutralem Ausdruck, ein Profil oder Dreiviertelbild, eine Ganzkörperaufnahme mit kompletter Kleidung und Nahaufnahmen charakteristischer Details – eine Narbe, ein Tattoo, ungewöhnlicher Schmuck, markantes Haar. Achten Sie auf konsistente Lichtverhältnisse und Auflösung im ganzen Satz. Ein unscharfes Handyfoto inmitten professioneller Porträts zieht die Qualität jeder Generierung herunter.
Schritt 2: Referenzen mit der Szene kombinieren
Setzen Sie die Eingabe zusammen: das Identitätsreferenzbild (Gesicht und Körper) plus das Szenenbild oder die Szenenbeschreibung. Das Modell fusioniert beides. Beschreiben Sie im Prompt die Handlung, nicht das Aussehen: „Sie geht in den Raum und blickt aus dem Fenster“ statt einer erneuten Beschreibung ihrer Erscheinung.
Schritt 3: Generieren und vergleichen
Erzeugen Sie zwei oder drei Aufnahmen und vergleichen Sie jede mit dem Referenzprofil – nicht nur untereinander. Achten Sie auf die Details, die Modelle am häufigsten verändern: Augenform und -abstand, Nasenform, Kieferlinie, Haaransatz, Hautton sowie Farbe und Schnitt der Kleidung. Bei Abweichungen ändern Sie genau eine Variable – den Zufallswert, den Prompt, ein Referenzbild – und generieren neu.
Konsistenz über mehrere Modelle hinweg
Reale Projekte mischen oft Modelle: eines für realistische Szenen, eines für stilisierte Übergänge, eines für Großaufnahmen. Jedes Modell interpretiert Ihre Referenzen anders, und dieselbe Figur kann zwischen den Modellen leicht variieren.
Die Technik dagegen ist ein modellneutrales Referenzset: Bilder, die so klar und konsistent sind, dass alle verwendeten Modelle auf dieselbe Identität einschwenken. Testen Sie Ihr Set vor der Produktion mit allen geplanten Modellen und notieren Sie, welche Modelle zusätzliche Führung brauchen – einen präziseren Prompt, eine weitere Detailaufnahme oder ein Stilreferenzbild, um die Farbwelt anzugleichen.
Für die Stilkonsistenz halten Sie pro Projekt einen Stilanker bereit und speisen ihn neben den Charakterreferenzen ein. Der Anker steuert den Look, die Charakterreferenzen steuern die Identität, der Prompt steuert die Handlung. Drei Eingaben, drei Aufgaben, keine Konflikte.
Workflow für Marken und Serienproduktionen
Wer regelmäßig produziert, braucht mehr als Technik – er braucht Organisation. Legen Sie eine Referenzbibliothek an wie in einer echten Produktion: einen Ordner pro Figur, einen pro Stil, einen pro Ort sowie einen gesperrten Ordner mit den final freigegebenen Referenzen, den niemand ohne Freigabe verändert.
Führen Sie ein Änderungsprotokoll: Wann wurde das Aussehen einer Figur verfeinert, welcher Look wurde gewählt, warum? Führen Sie außerdem ein Prompt-Log pro Szene: welche Referenzen verwendet wurden, welcher Prompt gewonnen hat, welcher Zufallswert final war. Mit diesem Log können Sie eine Szene Monate später reproduzieren – und erst das macht mehrteilige Projekte überhaupt planbar.
Für Markenprojekte gilt zusätzlich: Legen Sie vor der Produktion die Verbindlichkeit des Referenzsets fest. Wenn dieselbe Figur in Werbung, Social Content und Schulungsvideo auftaucht, muss überall dasselbe Set verwendet werden, sonst driftet die Markenidentität auseinander.
Kosten und Effizienz im Blick
Multi-Image-Fusion kostet mehr Rechenleistung als die Generierung aus einem einzelnen Bild, weil mehrere Eingaben verarbeitet werden. Planen Sie entsprechend: Nutzen Sie schnelle, günstigere Modelle für Testläufe und das Feintuning des Referenzsets, und reservieren Sie die hochwertigeren Modelle für die Finalversionen. Die Mehrkosten sind gerechtfertigt, weil stabilere Figuren weniger Wiederholungen bedeuten – und Wiederholungen sind der eigentliche Kostenfaktor.
Ein weiterer Effizienzhebel ist die Vorproduktion. Testen Sie das Referenzset einmal gründlich, bevor Sie zehn Szenen generieren. Eine Stunde Test am Anfang spart oft einen ganzen Produktionstag am Ende.
Ein Praxisbeispiel: Eine Figur, vier Szenen
Theorie überzeugt schneller nach einem konkreten Durchlauf. Hier ein kleines Projekt: eine Figur, vier Szenen, ein Abend Arbeit.
Die Figur ist eine Frau mit kurzen dunklen Haaren, rotem Regenmantel und einem markanten silbernen Anhänger. Ihr Referenzprofil umfasst vier Bilder: ein frontales Porträt, ein Dreiviertelprofil, eine Ganzkörperaufnahme und eine Nahaufnahme des Anhängers.
Szene eins etabliert sie in einer verregneten Stadtstraße. Das Szenenbild ist ein Foto der Straße in der Dämmerung. Die Eingabe: Identitätsreferenzen plus Straßenbild plus der Bewegungs-Prompt „sie schaut in den Regen auf, Mantelkragen hochgestellt, langsamer Push-in“. Zwei Aufnahmen werden erzeugt; die erste wird gewählt, weil der Anhänger sichtbar ist und der Mantelton zur Referenz passt.
Szene zwei ist ein Innenraum: ein Café. Das Szenenbild zeigt ein warmes Café-Interieur. Der Prompt: „sie tritt ein, wischt sich Regen vom Gesicht, blickt sich um, Kamera-Dolly nach rechts“. Die erste Aufnahme wird abgelehnt, weil ihr Haar länger ist als in der Referenz. Die Korrektur: neuer Zufallswert, sonst nichts geändert. Die zweite Aufnahme hält den Haaransatz korrekt.
Szene drei ist eine Großaufnahme als Reaktion. Kein Szenenbild; stattdessen beschreibt der Prompt ein Fenster mit Regen: „Extreme Nahaufnahme ihres Gesichts im Profil, Regen am Fenster dahinter, geringe Schärfentiefe, langsamer Push-in“. Das Gesichtsreferenzbild wird allein eingespeist. Die Aufnahme wird angenommen, nachdem Augenform und Kieferlinie gegen das Porträt geprüft wurden.
Szene vier führt die Figur für eine Totale zurück auf die Straße, passend zu Szene eins. Dieselben Referenzen, dasselbe Straßenbild, dieselben Farbwörter. Weil die Sperren nie geändert wurden, schließt die letzte Totale wie ein Rahmen um die Eröffnungsszene.
Insgesamt: acht Generierungen, vier finale Einstellungen. Das Projektlog hält Referenzen, gewinnende Prompts und Zufallswerte fest – genug, um jede Szene Monate später zu wiederholen. Das ist der gesamte Arbeitsablauf im Kleinen: gesperrte Referenzen, Ein-Variablen-Korrekturen, Seitenvergleiche und ein Protokoll.
Konsistenz in der Postproduktion
Auch nach der Generierung lässt sich Konsistenz weiter sichern. Wenn eine Figur in einer sonst guten Aufnahme leicht abweicht, ist der Schnittplatz oft der günstigere Ort für die Korrektur als eine erneute Generierung.
Erstens: Farbabstimmung. Legen Sie über alle Einstellungen denselben Grading-Preset, damit Hauttöne und Lichtstimmung vereinheitlicht werden. Eine leichte Farbkorrektur gleicht Modellunterschiede aus, die bei der Generierung nicht zu vermeiden waren.
Zweitens: lokale Retusche. Moderne Editoren bieten Inpainting- und Retuschierwerkzeuge, mit denen Sie ein einzelnes Detail – eine andere Augenform, einen falschen Kragen, eine verschobene Narbe – korrigieren können, ohne das gesamte Bild neu zu erzeugen. Das ist schneller und stabiler als ein Re-Roll.
Drittens: der Seitenvergleich. Legen Sie die Referenz und die finale Einstellung nebeneinander auf den Timeline-Monitor, bevor Sie eine Szene freigeben. Das Auge täuscht bei Einzelbetrachtung; der Vergleich zeigt die Abweichung zuverlässig. Wer diese drei Schritte in den Freigabeprozess einbaut, hält Konsistenz auch dann, wenn einzelne Generierungen danebenliegen.
Häufige Fehler und wie Sie sie vermeiden
Der häufigste Fehler ist, Multi-Image Fusion als Automatismus zu behandeln: zwei beliebige Bilder hineinwerfen und Magie erwarten. Die Eingabequalität bestimmt die Ausgabequalität. Der zweite Fehler ist, zu viele Variablen gleichzeitig zu ändern; bei einem Fehlversuch ändern Sie genau eine Sache und testen neu. Der dritte ist, auf den Seitenvergleich mit der Referenz zu verzichten und aus dem Gedächtnis zu urteilen. Der vierte ist, Referenzbilder mitten im Projekt zu bearbeiten, was alle früheren Generierungen entwertet. Der fünfte schließlich ist, nur auf das Gesicht zu achten – Hände, Proportionen und Kleidung gehören genauso zur Identität.
FAQ
Wie viele Referenzbilder brauche ich?
Drei bis fünf gut gewählte Bilder – Gesicht, Profil, Ganzkörper, Detailaufnahme – genügen für die meisten Figuren. Mehr Bilder helfen nur, wenn sie konsistent sind; ein großer uneinheitlicher Satz ist schlechter als ein kleiner sauberer.
Funktioniert Multi-Image Fusion auch für einen ganzen Kurzfilm?
Ja, wenn Sie ein gesperrtes Referenzprofil pflegen und jede Aufnahme dagegen prüfen. Der Ablauf ist für einen Drei-Szenen-Promo und einen Dreißig-Szenen-Film derselbe; der Film verlangt nur mehr Disziplin.
Was, wenn mein Modell keine Multi-Image-Fusion unterstützt?
Dann greifen Sie auf das stärkste Einzelreferenzbild plus einen sehr präzisen, konsistenten Prompt zurück und halten alle anderen Eingaben – Stil, Licht, Kamera – konstant. Alternativ komponieren Sie die Szene als Bild vor und nutzen Bild-zu-Video, das die Figur durch die Bewegungsphase erhält.
Wie korrigiere ich eine Figur, die in einer Einstellung falsch aussieht?
Vergleichen Sie die Aufnahme mit der Referenz, identifizieren Sie das abweichende Detail und ändern Sie die kleinste Eingabe, die die Ursache sein könnte: den Zufallswert, die Promptformulierung oder ein einzelnes Referenzbild. Generieren Sie neu und vergleichen Sie erneut.
Werden Figuren mit besseren Modellen automatisch stabiler?
Neuere Modelle driften weniger, aber keines ist driftfrei. Der referenzgesteuerte Arbeitsablauf bleibt für ernsthafte Projekte notwendig und lässt sich nahtlos auf künftige Modelle übertragen.
Wie gehe ich mit einer Figur um, deren Kleidung sich ständig verändert?
Behandeln Sie das Outfit wie eine zweite Figur: eigene Referenzbilder von vorne, hinten und als Detailaufnahme, dieselben Beschreibungswörter in jedem Prompt und – falls verfügbar – Inpainting für lokale Korrekturen an sonst guten Aufnahmen. Lassen Sie das Modell niemals eine alternative Version erfinden.
Kann ich Multi-Image Fusion auch für Tiere oder Produkte nutzen?
Ja. Das Prinzip gilt für alles, was über mehrere Einstellungen wiedererkennbar bleiben muss: Tiere mit markanter Fellzeichnung, Produkte mit Logo und Verpackung, Fahrzeuge mit Sonderlackierung. Bauen Sie das Referenzprofil genauso auf und prüfen Sie jede Einstellung gegen die Schlüsselmerkmale.
Die Referenz-zuerst-Haltung
Charakterkonsistenz ist keine Funktion, die man einschaltet; sie ist eine Gewohnheit, die man aufbaut. Kuratieren Sie Ihre Referenzen, sperren Sie Ihr Profil, prüfen Sie jede Aufnahme dagegen und protokollieren Sie, was funktioniert. Die Modelle werden besser, aber die Disziplin ist es, die Ihnen erlaubt, ein Projekt zu beenden, in dem die Hauptfigur vom ersten bis zum letzten Bild dieselbe Person ist – und genau das unterscheidet KI-Inhalte, die generiert wirken, von KI-Inhalten, die gemacht wirken.
