Warum Konsistenz das eigentliche Problem bei KI-Videos ist
Einzelne Clips generativer Videomodelle sehen heute oft verblüffend gut aus. Sobald daraus eine Sequenz entstehen soll, kippt die Qualität: Das Gesicht der Hauptfigur verschiebt sich von Einstellung zu Einstellung, die Kleidung wechselt die Farbe, Haarlänge und Bartwuchs springen, und selbst Requisiten wie eine Tasche oder ein Kaffeebecher ändern Form und Material. Der Grund ist banal: Diese Modelle erzeugen jedes Ergebnis neu, statt sich an einer festen Vorlage zu orientieren. Ohne zusätzliche visuelle Anker interpretiert das System Beschreibungen wie eine Frau mit kurzen braunen Haaren bei jeder Generierung ein wenig anders — und diese kleinen Abweichungen summieren sich über eine Szene zu einem sichtbaren Bruch.
Für kurze Social-Clips mag das nebensächlich sein. Für alles, was Erzählung braucht — Produktgeschichten, Tutorials, Serienformate, Markenauftritte — ist es ein Ausschlusskriterium. Zuschauer bemerken Inkonsistenzen sofort, auch wenn sie sie nicht benennen können. Der Wiedererkennungswert sinkt, der Eindruck von Professionalität ebenfalls. Wer mit generativen Werkzeugen ernsthaft arbeitet, merkt schnell: Der perfekte Einzelclip ist nicht mehr die relevante Einheit, sondern die konsistente Sequenz.
Deshalb verschiebt sich der Arbeitsfokus weg vom Text-Prompt hin zur Bildquelle. Multi-Image-Fusion ist die praktische Antwort auf genau dieses Problem: mehrere Fotos als verbindliche Referenz, ein Modell, das ihre gemeinsamen Merkmale zusammenführt, und ein Workflow, der die Wiederholbarkeit sichert. Dieser Leitfaden zeigt, wie du von einer Handvoll Fotos zu einer zusammenhängenden, wiedererkennbaren Videosequenz kommst.
Was Multi-Image-Fusion genau bedeutet
Multi-Image-Fusion beschreibt die Technik, mehrere Referenzbilder gleichzeitig in einen Generierungsvorgang einzuspeisen, damit das Modell deren gemeinsame Merkmale als Vorlage übernimmt. Statt eines einzigen Startframes erhält das System zwei, drei oder mehr Aufnahmen derselben Person, desselben Produkts oder desselben Raums aus unterschiedlichen Blickwinkeln und Situationen. Aus dieser Gruppe extrahiert das Modell die stabilen Eigenschaften — Gesichtsproportionen, Frisur, Kleidungsdetails, Materialbeschaffenheit, Farbtemperatur — und nutzt sie als Bedingung für jedes neue Bild und jeden neuen Clip.
Wichtig ist die Betonung auf gemeinsam. Das Verfahren mittelt nicht einfach alle Eingaben zu einem weichen Durchschnitt, sondern sucht die Merkmale, die in allen Referenzen übereinstimmen. Alles, was nur in einem Bild vorkommt, wird als veränderlich behandelt. Genau diese Unterscheidung zwischen stabil und variabel ist der Grund, warum das Ergebnis über mehrere Einstellungen hinweg zusammenhält.
Der Unterschied zu einfachem Image-to-Video
Beim Image-to-Video mit einem einzigen Startbild animiert das Modell genau dieses Bild und erfindet alles, was außerhalb des sichtbaren Rahmens liegt: die Rückseite der Person, die andere Seite des Raums, die Unterseite des Produkts. Diese Erfindung ist der Ursprung der meisten Inkonsistenzen. Multi-Image-Fusion verengt den Raum des Möglichen. Liegen drei Aufnahmen einer Figur vor — frontal, im Halbprofil, von hinten —, bleibt deutlich weniger zu raten, und die Wahrscheinlichkeit, dass das Ergebnis der Vorlage entspricht, steigt spürbar.
Warum mehrere Referenzen mehr Stabilität bringen
Jede zusätzliche Referenz wirkt wie eine Einschränkung im Lösungsraum des Modells. Das klingt nach einem Nachteil, ist aber der Kern des Verfahrens: Je klarer definiert ist, was gleich bleiben muss, desto weniger Raum bleibt für unerwünschte Variation. Entscheidend ist dabei Widerspruchsfreiheit. Referenzen mit völlig unterschiedlicher Beleuchtung, stark abweichender Brennweite oder wechselnden Accessoires liefern widersprüchliche Signale; das Ergebnis wird weicher und beliebiger. Zwei bis vier saubere, zueinander passende Bilder schlagen fast immer zehn widersprüchliche Aufnahmen.
Der komplette Workflow: Von der Fotoreihe zum fertigen Clip
Ein belastbarer Ablauf hat sechs Phasen. Wer sie in dieser Reihenfolge durchläuft, spart sich die typischen Endlosschleifen aus Nachbessern und Neu-Generieren, die entstehen, wenn Referenzen und Prompt gleichzeitig verändert werden.
Schritt 1: Referenzmaterial sammeln und kuratieren
Beginne mit einer Auswahl, nicht mit allem, was verfügbar ist. Suche Bilder, die die Figur oder das Produkt aus verschiedenen Winkeln zeigen, gleichmäßig ausgeleuchtet sind und keine starken Filter oder Weitwinkelverzerrungen aufweisen. Sortiere anschließend gnadenlos aus: unscharfe Aufnahmen, Selfies mit aufblasender Perspektivverzerrung und Bilder mit Händen vor dem Gesicht sind Ballast. Ein gutes Set besteht oft aus vier bis sechs gesichteten Bildern, von denen letztlich zwei bis vier verwendet werden.
Schritt 2: Identitätsmerkmale schriftlich festhalten
Notiere in Stichpunkten, was unverändert bleiben muss: Frisur und Länge, Augenfarbe, Kleidung inklusive Farbton, Accessoires, Materialbeschaffenheit. Diese Liste ist kein Bürokratieakt, sondern die Grundlage für den Prompt und für die spätere Abnahme. Wer erst bei der Qualitätskontrolle überlegt, was eigentlich konstant sein sollte, kann nicht systematisch prüfen und korrigiert dann nach Gefühl.
Schritt 3: Prompt-Gerüst mit klarer Rollenverteilung
Ein Prompt für Fusion-Generierungen besteht aus drei Teilen: der Beschreibung der stabilen Identität, der Beschreibung der veränderlichen Szene und den technischen Vorgaben zu Kamera und Licht. Die Identität wird knapp gehalten, weil sie ohnehin über die Referenzbilder kommt. Die Szene darf ausführlich sein: Ort, Tageszeit, Handlung, Stimmung. Trenne diese Abschnitte bewusst mit Zeilenumbrüchen, damit du später einzelne Teile austauschen kannst, ohne den gesamten Prompt neu zu schreiben.
Schritt 4: Szene, Kamera und Licht planen
Lege vor der ersten Generierung fest, wie die Einstellung aussehen soll: Totale oder Halbtotale, statische Kamera oder langsamer Schwenk, Tageslicht oder Kunstlicht, Bewegung im Bild oder ruhige Komposition. Diese Parameter beeinflussen die Stabilität erheblich. Je mehr sich die Kamera bewegt und je mehr Objekte gleichzeitig in Bewegung sind, desto schwieriger wird es für das Modell, die Referenzmerkmale durchzuhalten. Plane deshalb pro Szene nur eine dominante Bewegung.
Schritt 5: Generieren, vergleichen, auswählen
Arbeite mit Varianten statt mit Einzelversuchen. Vier bis acht Durchläufe pro Einstellung sind keine Verschwendung, sondern die Grundlage für eine begründete Auswahl. Beurteile jeden Durchlauf nach denselben Kriterien: Ist die Identität erkennbar? Stimmen Kleidung und Farben? Sind Hände, Augen und Zähne plausibel? Gibt es Artefakte an den Bildrändern? Halte die Ergebnisse schriftlich fest — welche Referenzkombination, welcher Prompt, welche Einstellung. Nur so wird der Prozess wiederholbar, und nur so kannst du einen guten Treffer später gezielt reproduzieren.
Schritt 6: Verlängern, schneiden, vertonen
Kurze Clips werden typischerweise in Segmenten erzeugt und später zusammengesetzt. Verlängere eine Sequenz, indem du das letzte Einzelbild als neue Referenz weitergibst und dieselbe Identitätsbeschreibung erneut mitführst. Danach folgt der Schnitt: Übergänge nur dort, wo sie dramaturgisch nötig sind. Musik, Atmosphäre und Sprachspur stabilisieren den Eindruck zusätzlich, weil sie die Aufmerksamkeit von kleinen visuellen Sprüngen ablenken. Ein sauber geschnittener Clip mit minimaler Bewegung wirkt oft hochwertiger als eine technisch perfekte Aufnahme mit hektischem Schnitt.
Referenzbilder richtig vorbereiten: Format, Auflösung, Blickwinkel
Die Vorbereitung entscheidet mehr über das Ergebnis als jede Prompt-Feinheit. Achte auf ausreichende Auflösung: Die Referenz sollte mindestens so viele Pixel liefern, wie das Modell intern verarbeitet. Hochskalierte Handybilder mit Kompressionsartefakten liefern dem System falsche Details, die es dann getreu übernimmt. Schneide das Motiv frei und entferne störende Hintergründe, wenn sie nicht zur Zielszene passen — sonst wandert ungewollt ein Tapetenmuster oder ein Möbelstück in jede neue Einstellung.
Bei Personen ist die Blickrichtung entscheidend. Ein Set aus frontal, leicht seitlich und im Profil deckt den Großteil aller Kamerapositionen ab. Fehlt eine Rückansicht, entscheidet das Modell bei Kamerafahrten hinter die Figur selbst, oft mit sichtbaren Fehlern an Haaren, Nacken oder der Rückseite der Kleidung. Bei Produkten gilt Entsprechendes: Vorder-, Rück- und Detailansicht verhindern, dass Logos spiegelverkehrt erscheinen oder Materialien falsch interpretiert werden.
Vereinheitliche außerdem die Beleuchtung. Mischlicht aus Tageslicht und warmer Innenraumlampe führt zu widersprüchlichen Farbwerten, die das Modell nicht sinnvoll auflösen kann. Ein konsistenter Weißabgleich über alle Referenzen ist eine kleine Vorarbeit mit großer Wirkung. Ebenso hilfreich: identische Seitenverhältnisse, damit beim Zuschnitt keine wichtigen Bildbereiche verloren gehen.
Prompting für Fusion-Generierungen: Formeln und Beispiele
Für Fusion-Generierungen brauchst du keine langen Poesie-Prompts. Die visuelle Information kommt aus den Bildern, der Text liefert Kontext und Grenzen. Eine brauchbare Struktur lautet: Identität knapp, Szene konkret, Kamera und Licht technisch, Stil am Ende. Vermeide widersprüchliche Stilangaben; wer gleichzeitig fotorealistisch und animehaft verlangt, bekommt weder das eine noch das andere. Ebenso wichtig: Wiederhole keine Merkmale, die bereits in den Referenzen sichtbar sind.
Figur in einer neuen Umgebung
Beschreibe nur, was sich ändert. Beispiel: dieselbe Person, jetzt in einem Bahnhof bei Regen, Halbtotale, Kamera leicht von links, kühles Tageslicht, langsame Vorwärtsbewegung. Die Identität bleibt unerwähnt, weil sie über die Referenzen gesichert ist. So verhinderst du, dass Text und Bild um die Vorherrschaft konkurrieren — ein häufiger Grund für kippende Gesichter.
Produktaufnahmen ohne Verzerrung
Bei Produkten ist Präzision wichtiger als Stimmung. Nenne Material, Oberflächenbeschaffenheit und Lichtsetzung, aber keine Farbe, wenn diese schon aus der Referenz hervorgeht — doppelte Angaben erzeugen Widersprüche und damit Farbstiche. Für Werbeclips hat sich eine ruhige Kamerafahrt auf Stativ oder Slider bewährt: wenig Bewegung, maximale Detailtreue. Für Detailaufnahmen lohnt es sich, eine separate Referenz nur mit dem relevanten Ausschnitt zu verwenden.
Innenräume und Architektur
Räume profitieren von mehreren Referenzen aus unterschiedlichen Ecken. Beschreibe im Prompt nur die Kamerafahrt und die Lichtstimmung, nicht die Einrichtung. So bleibt die Raumgeometrie stabil, während die Inszenierung variiert. Wenn Fenster im Bild sind, gib die Tageszeit an; sonst schwankt die Lichtrichtung zwischen den Einstellungen und der Raum wirkt wie ein anderer Ort.
Modellwahl und technische Entscheidungskriterien
Nicht jedes Modell verarbeitet mehrere Referenzen gleichwertig. Manche gewichten das erste Bild stärker, andere mitteln alle Eingaben und verlieren dadurch Schärfe. Teste deshalb mit einer standardisierten Mini-Aufgabe: dieselbe Figur, dieselbe neue Szene, dieselben drei Referenzbilder, einmal pro Modell. Vergleiche anschließend Identitätstreue, Bewegungsplausibilität, Artefaktquote und Bearbeitungszeit. Dieser Test kostet einen halben Arbeitstag und erspart Wochen falscher Erwartungen.
Identitätstreue gegen Bewegungsqualität
Es gibt einen echten Zielkonflikt. Stark konditionierte Modelle halten Gesichter sehr genau, wirken in der Bewegung aber oft steifer. Umgekehrt liefern bewegungsfreudige Modelle flüssige Kamerafahrten, verlieren dabei jedoch Detailtreue. Entscheide nach Verwendungszweck: Für Sprecheinstellungen, Nahaufnahmen und Produktpräsentationen zählt Treue, für Actionszenen, Establishing Shots und Übergänge zählt Bewegung. Viele Projekte brauchen beide Qualitäten — dann ist die Kombination zweier Werkzeuge im selben Schnitt der pragmatische Weg.
Zeit-, Rechen- und Iterationsbudget
Plane Iterationen ein. Ein realistischer Faktor liegt bei vier bis acht Durchläufen pro finaler Einstellung, inklusive Ausschuss. Wer mit einem einzigen Durchlauf kalkuliert, plant am Bedarf vorbei und gerät unter Zeitdruck genau dann, wenn Sorgfalt nötig wäre. Berücksichtige außerdem die Nachbearbeitung: Farbanpassung, Stabilisierung, Ton und Schnitt benötigen Zeit, unabhängig davon, wie gut die Generierung war. Ein Projekt mit zwölf Einstellungen ist realistisch betrachtet ein Nachmittag Generierung und ein weiterer Tag Postproduktion.
Konsistenz über Szenen, Stilwechsel und längere Formate
Bei Formaten mit mehreren Szenen brauchst du mehr als einen stabilen Charakter: Du brauchst eine stabile visuelle Grammatik. Lege vorab fest, welche Farbpalette, welche Objektivbrennweite und welche Lichtstimmung gelten. Notiere diese Vorgaben und hänge sie jedem Prompt an. So entsteht der Eindruck, dass alle Szenen aus derselben Produktion stammen, auch wenn sie an unterschiedlichen Tagen entstanden sind.
Für Stilwechsel — etwa den Wechsel von realistisch zu illustrativ — gilt: nicht mischen, sondern schneiden. Ein harter Wechsel zwischen zwei sauber definierten Stilen wirkt gewollt; ein weicher Übergang mitten in der Generierung wirkt wie ein Fehler. Wenn ein Stilwechsel innerhalb einer Szene nötig ist, plane ihn als eigene kurze Einstellung mit eigenem Referenzset.
Längere Formate profitieren außerdem von einer konsistenten Reihenfolge der Referenzen. Wenn Bild eins immer die Frontalansicht ist, bleibt die Konditionierung über alle Durchläufe hinweg vergleichbar und Ergebnisse werden reproduzierbarer. Diese kleine Konvention zahlt sich besonders aus, wenn mehrere Personen am selben Projekt arbeiten.
Typische Fehler und wie man sie behebt
Die meisten Probleme im Fusion-Workflow haben eine klare Ursache und eine ebenso klare Lösung. Die häufigsten Fälle:
Zu viel Referenzmaterial. Zehn Bilder mit unterschiedlichem Licht erzeugen einen weichen, beliebigen Look. Reduziere auf drei bis vier Aufnahmen und gleiche den Weißabgleich an.
Identität kippt bei Bewegung. Reduziere die Kamerabewegung, verkürze die Segmente und verlängere anschließend durch Übergabe des letzten Einzelbilds. Bewegung ist der größte Feind der Stabilität.
Profilansicht sieht fremd aus. Ergänze eine echte Profilaufnahme aus der Zielperspektive. Fehlt sie, erfindet das Modell die seitlichen Gesichtsproportionen.
Farbstiche über die Szene hinweg. Neutralisiere die Referenzen vorab und entferne Farbangaben aus dem Prompt, wenn die Farbe schon im Bild steht.
Artefakte an Händen und Rändern. Ändere den Bildausschnitt, verlangsame die Bewegung oder verschiebe die Figur aus dem Bildrand. Objekte, die den Rahmen schneiden, sind besonders fehleranfällig.
Prompt widerspricht der Referenz. Wenn der Text eine rote Jacke nennt, die Referenz aber eine blaue zeigt, entsteht ein Kompromiss aus beidem. Streiche solche Angaben konsequent.
Qualitätskontrolle: Checkliste vor dem finalen Export
Prüfe jede Einstellung in voller Auflösung und in Echtzeitgeschwindigkeit — nicht in der Vorschau und nicht im Standbild. Erfahrungsgemäß zeigen sich Fehler erst in der Bewegung. Die Checkliste:
- Ist die Figur oder das Produkt auf den ersten Blick erkennbar?
- Bleiben Kleidung, Farben und Material über die gesamte Länge konstant?
- Sind Gesicht, Hände, Augen und Zähne plausibel, besonders in Nahaufnahmen?
- Stimmt die Lichtrichtung mit der vorherigen Einstellung überein?
- Gibt es Artefakte an Rändern, Übergängen oder bei schnellen Bewegungen?
- Passt der Bildausschnitt zur geplanten Einstellungsgröße?
- Sind Schnittpunkte, Musik und Ton so gesetzt, dass kleine Sprünge nicht auffallen?
Wenn eine Einstellung zwei oder mehr Punkte verletzt, lohnt sich eine neue Generierung statt einer Reparatur in der Postproduktion. Farbe und Stabilisierung können viel retten, aber keine falsche Identität.
FAQ
Wie viele Referenzbilder sind optimal?
Für die meisten Fälle drei bis vier. Zwei können funktionieren, wenn die Winkel sich klar unterscheiden. Ab sechs Bildern steigt das Risiko widersprüchlicher Signale deutlich schneller als der Nutzen.
Funktioniert Multi-Image-Fusion auch für Produkte und Räume?
Ja, das Prinzip ist identisch: mehrere Ansichten desselben Objekts definieren, was stabil bleibt. Bei Produkten zählt vor allem die Konsistenz von Logo, Material und Oberfläche, bei Räumen die Geometrie und die Lichtrichtung.
Warum verändert sich die Kleidung trotz Referenzbilder?
Meist liegt es an widersprüchlichen Farbangaben im Prompt oder an Referenzen mit unterschiedlichem Weißabgleich. Entferne Farbnennungen aus dem Text und neutralisiere die Bilder vorab.
Wie lang sollte ein einzelner generierter Clip sein?
Kürzer als du denkst. Je länger eine Einstellung, desto größer die Wahrscheinlichkeit von Drift. Erzeuge lieber zwei kurze Segmente und setze sie im Schnitt zusammen, als ein langes Segment zu erzwingen.
Eignet sich der Ansatz für mehrere Figuren in einer Szene?
Mit Einschränkungen. Zwei Figuren erhöhen die Komplexität erheblich, weil das Modell beide Identitäten gleichzeitig halten muss. Bewährt hat sich, Figuren in getrennten Einstellungen zu zeigen und im Schnitt zu kombinieren.
Was tun, wenn die Ergebnisse zwischen Durchläufen stark schwanken?
Fixiere so viele Variablen wie möglich: Referenzreihenfolge, Prompt-Struktur, Auflösung und Einstellungsgröße. Schwankungen sind meist ein Zeichen dafür, dass zu viele Parameter gleichzeitig variieren. Ändere pro Durchlauf nur eine Sache.
Lohnt sich der Aufwand für kurze Social-Clips?
Nur bedingt. Bei Einzelclips ohne wiederkehrende Figur ist der Aufwand oft größer als der Nutzen. Sobald aber eine Serie, ein Markenauftritt oder eine erzählte Sequenz entsteht, amortisiert sich der saubere Referenz-Workflow bereits nach wenigen Einstellungen.
