Charakterkonsistenz in KI-Videos: Multi-Image-Fusion erklärt

Warum Charakterkonsistenz über die Wirkung eines Videos entscheidet

Ein Publikum verzeiht erstaunlich viel: ungewöhnliche Kamerawinkel, kühne Farben, einen holprigen Schnitt. Was es nicht verzeiht, ist eine Figur, die mitten in der Szene zu jemand anderem wird. Die Augenform verschiebt sich, die Nase wird schmaler, die Frisur kippt, die Kleidung wechselt die Farbe – und plötzlich wirkt das Video wie eine Ansammlung zusammenhangloser Ausschnitte statt wie eine Geschichte. Genau an diesem Punkt entscheidet sich, ob eine Produktion als professionelle Arbeit wahrgenommen wird oder als technisches Experiment.

Der Effekt ist psychologisch gut erklärbar. Zuschauer bauen in den ersten Sekunden ein mentales Modell der Figur auf: Gesichtsproportionen, Haltung, Kleidung, Stimme. Dieses Modell ist erstaunlich präzise. Sobald ein Detail abweicht, registriert das Gehirn einen Widerspruch – lange bevor es benennen kann, was falsch ist. Das Ergebnis ist ein diffuses Unbehagen, das sich als „billig“ oder „unheimlich“ äußert und die eigentliche Botschaft des Videos überschreibt.

Besonders teuer wird das in Formaten, die auf Wiedererkennung angewiesen sind: eine Serie mit wiederkehrender Hauptfigur, ein Produktvideo, in dem eine Testimonial-Figur über mehrere Einstellungen spricht, ein Corporate-Film, in dem dieselbe Person in verschiedenen Abteilungen auftaucht. Ein einziges kippendes Gesicht reicht, um die Glaubwürdigkeit des gesamten Stücks zu beschädigen. Und weil generative Modelle jeden Frame neu berechnen, ist Drift keine Ausnahme, sondern der Normalzustand – solange man nicht aktiv gegensteuert.

Genau dafür gibt es Referenz-Workflows. Der wirksamste Ansatz arbeitet nicht mit einem einzelnen Bild, sondern mit mehreren Ansichten derselben Figur, die zu einem stabilen Identitätskern verdichtet werden. Wie das technisch funktioniert, was ein gutes Referenz-Set ausmacht und in welcher Reihenfolge Sie Figuren über ganze Szenenfolgen hinweg konsistent halten, beschreibt dieser Artikel.

Was Multi-Image-Fusion technisch leistet

Diffusionsbasierte Videomodelle erzeugen Bilder, indem sie Rauschen schrittweise in Struktur verwandeln. Eine Referenz steuert diesen Prozess, indem sie dem Modell signalisiert, welche Merkmale erhalten bleiben sollen. Bei einem einzigen Referenzbild ist dieser Einfluss fragil: Das Modell kennt nur einen Blickwinkel, eine Beleuchtung, einen Gesichtsausdruck. Sobald die Kamera die Position wechselt, muss es fehlende Informationen erraten – und rät regelmäßig falsch.

Multi-Image-Fusion erweitert diesen Zugang. Mehrere Bilder derselben Figur werden analysiert, in Merkmalsvektoren (Embeddings) übersetzt und zu einem gemeinsamen Identitätsprofil verdichtet. Dieses Profil wirkt während der gesamten Generierung als Anker. Das Modell lernt dabei zunehmend, zwischen stabilen Identitätsmerkmalen (Gesichtsgeometrie, Proportionen, charakteristische Details) und variablen Eigenschaften (Pose, Lichtstimmung, Hintergrund, Bewegung) zu unterscheiden. Das Ergebnis sind Figuren, die auch bei einem Perspektivwechsel erkennbar dieselben bleiben.

Identitätsanker statt Einzelreferenz

Denken Sie an den Identitätsanker wie an einen Bauplan: Er beschreibt nicht, wie die Figur gerade aussieht, sondern was sie grundsätzlich ausmacht. Ein gutes Profil enthält Gesichtsform, Augenabstand, Nasen- und Kinnlinie, Augenfarbe, Haarlinie, Hautton und auffällige Details wie Narben oder Muttermale. Alles andere – Kleidung, Frisur-Styling, Accessoires – sollte als eigene Ebene behandelt werden, weil es sich zwischen Szenen legitim ändern darf.

Ähnlichkeit ist nicht Identität

Wichtig ist die Unterscheidung zwischen „ähnlich“ und „dieselbe“. Modelle können Figuren erzeugen, die dem Typus entsprechen, aber eben nicht dieselbe Person sind: gleiche Haarfarbe, ähnliche Gesichtsform, leicht anderer Augenabstand. Im Einzelbild fällt das kaum auf, im Schnitt sofort. Der Zuschauer sieht dann Geschwister statt einer Hauptfigur und verliert die Orientierung darüber, wer gerade handelt. Prüfen Sie deshalb nicht, ob ein Bild „gut aussieht“, sondern ob es dieselbe Person zeigt wie das Bild davor.

Wo die Fusion an ihre Grenzen stößt

Fusion ist kein Ersatz für sorgfältige Vorbereitung. Liefern Referenzbilder widersprüchliche Informationen – etwa drei unterschiedliche Frisuren oder stark abweichende Gesichtsformen –, entsteht ein Mittelwert, der keiner der Vorlagen ähnelt. Ebenso problematisch sind stark abweichende Auflösungen, verrauschte oder komprimierte Bilder sowie völlig unterschiedliche Lichtsituationen. Auch bei extremen Kamerapositionen, in denen die Figur nur von hinten, im Profil oder in starker Untersicht zu sehen ist, sinkt die Treue – dort fehlen schlicht die Referenzinformationen, aus denen das Modell ableiten könnte.

Ein belastbares Referenz-Set aufbauen

Die Qualität des Ergebnisses hängt stärker von der Auswahl der Referenzen ab als von jeder Einstellung im Generierungsinterface. Ein gutes Set beantwortet eine einzige Frage: Welche Informationen braucht das Modell, um diese Figur aus jedem relevanten Winkel zu erkennen?

Die Sechs-bis-zehn-Bilder-Regel

Als Ausgangspunkt haben sich sechs bis zehn Bilder bewährt: Frontalansicht neutral, Dreiviertelansicht links, Dreiviertelansicht rechts, Profil, leichte Untersicht, leichte Aufsicht. Ergänzend zwei bis drei Bilder mit natürlicher Mimik – ein freundliches Lächeln, ein neutraler Blick, ein überraschter Ausdruck –, damit das Modell Ausdrücke nicht mit Identitätsmerkmalen verwechselt. Wer mehr Kontrolle braucht, ergänzt ein Ganzkörperbild, um Proportionen zu verankern.

Licht, Brennweite, Hintergrund

Alle Referenzen sollten unter ähnlichen Bedingungen entstehen: weiches, diffuses Licht ohne harte Schatten, einheitliche Farbtemperatur, Brennweite zwischen 50 und 85 mm, ruhiger einfarbiger Hintergrund. Vermeiden Sie Weitwinkelaufnahmen, weil sie Proportionen verzerren, und vermeiden Sie Gegenlicht, das Konturen auflöst. Ein konsistentes Set ist wichtiger als ein ästhetisch perfektes Set.

Was Sie weglassen sollten

Sonnenbrillen, Hüte, Schals, starkes Make-up, Beauty-Filter, Bewegungsunschärfe, niedrige Auflösung und Fremdpersonen im Bild gehören nicht ins Referenz-Set. Diese Elemente konkurrieren mit der Identität um die Aufmerksamkeit des Modells und erzeugen später Artefakte. Wenn eine Figur dauerhaft eine Brille trägt, behandeln Sie die Brille als eigenes Merkmal und zeigen Sie sie in mehreren Referenzen konsistent – nicht in manchen Bildern mit, in anderen ohne.

Synthetische Ansichten ergänzen

Fehlt Ihnen eine Perspektive, erzeugen Sie sie zunächst als Standbild und prüfen, ob die Figur dabei stabil bleibt. Ein seitliches Profil, das aus einer guten Dreiviertelansicht abgeleitet wurde, ist als zusätzliche Referenz oft brauchbarer als ein schlechtes Originalfoto mit harten Schatten. Wichtig: Nur Ansichten übernehmen, die der Charakterblatt-Beschreibung entsprechen. Ein Testbild, das die Nase schmaler macht, wird sonst zum Teil des Identitätsproblems.

Der Workflow: von der Figurendefinition zur fertigen Szene

Ein reproduzierbarer Ablauf spart mehr Zeit als jede Optimierung einzelner Parameter. Die folgende Reihenfolge hat sich in der Praxis bewährt.

Schritt 1: Figur dokumentieren

Legen Sie ein kurzes Charakterblatt an: Alter, Gesichtsform, Augenfarbe, Haarfarbe und -länge, Hautton, prägnante Details, typische Kleidung, Accessoires. Dieses Dokument dient gleichzeitig als Grundlage für konsistente Prompt-Formulierungen und als Referenz für die manuelle Qualitätskontrolle. Wer mit mehreren Figuren arbeitet, hält für jede ein eigenes Blatt.

Schritt 2: Referenzen kuratieren und gewichten

Ordnen Sie die Bilder nach Aussagekraft. Klare, scharfe Ansichten mit neutralem Ausdruck zuerst. Wenn Ihr Werkzeug Gewichtungen erlaubt, gewichten Sie die Frontalansicht höher als das Profil. Schneiden Sie alle Bilder auf ein einheitliches Seitenverhältnis zu und entfernen Sie störende Ränder, bevor Sie sie hochladen.

Schritt 3: Standbild-Tests vor der Animation

Bevor Sie Videomaterial berechnen, generieren Sie zehn bis zwanzig Testbilder in unterschiedlichen Posen, Einstellungsgrößen und Settings. Dieser Schritt kostet wenig und spart viel. Prüfen Sie systematisch: Gesichtsgeometrie, Augenabstand, Nasenform, Kinnlinie, Haarlinie, Hautton. Erst wenn die Figur über alle Testbilder hinweg erkennbar dieselbe ist, lohnt sich die Animation.

Schritt 4: Animieren, prüfen, nachsteuern

Arbeiten Sie in kurzen Clips von drei bis sechs Sekunden. Prüfen Sie jeden Clip einzeln, bevor Sie den nächsten erzeugen. Wenn die Figur an einer Stelle kippt, rechnen Sie nicht das ganze Projekt neu, sondern nur die betroffene Einstellung – mit einer anderen Referenzgewichtung, einer kürzeren Dauer oder einer ruhigeren Kamerabewegung.

Schritt 5: Nachbearbeitung als letzte Instanz

Kleine Abweichungen lassen sich in der Postproduktion glätten: Farbangleich, leichte Weichzeichnung problematischer Bereiche, Masken, Kurzschnitte auf Reaktionsbilder. Wichtig ist, dass Sie diese Werkzeuge als Korrektur verstehen, nicht als Rettungsanker für eine schlecht vorbereitete Generierung. Wer in der Post jeden zweiten Clip reparieren muss, hat meistens ein Referenzproblem.

Prompting-Strategien für stabile Identität

Der Prompt-Text sollte die Identität beschreiben, nicht neu erfinden. Verwenden Sie identische Identitätsphrasen in jeder Szene und ändern Sie nur die Variablen: Kamerawinkel, Bewegung, Setting, Lichtstimmung, Handlung.

Wiederholen Sie denselben Beschreibungskern für die Figur in jedem Prompt, idealerweise wörtlich.
Beschreiben Sie im Szenenprompt nur, was sich ändern soll – Pose, Ort, Tageszeit.
Vermeiden Sie widersprüchliche Stilbegriffe wie „hyperrealistisch“ in einer Szene und „illustrativ“ in der nächsten.
Nutzen Sie negative Beschreibungen für bekannte Fehlerquellen: keine verformten Gesichtszüge, kein Wechsel der Augenfarbe, kein zweites Gesicht im Bild.
Trennen Sie Stil, Identität und Handlung sauber voneinander, damit Sie einzelne Ebenen austauschen können, ohne alles neu zu formulieren.

Ein häufiger Fehler ist die Überladung. Je mehr Details im Prompt stehen, desto mehr Interpretationsspielraum entsteht – und desto größer wird die Wahrscheinlichkeit, dass einzelne Beschreibungen die Referenz überschreiben. Wenn die Referenz gut ist, darf der Prompt schlank sein. Ein hilfreicher Test: Streichen Sie alle Adjektive, die nichts über die Identität aussagen. Wenn das Ergebnis gleich bleibt, waren sie überflüssig.

Szenenplanung und Kontinuitätskontrolle

Konsistenz entsteht nicht nur im Modell, sondern in der Planung. Eine Shotlist mit Einstellungsgröße, Winkel, Bewegung, Setting, Kleidung und Requisiten pro Einstellung verhindert, dass Sie während der Generierung improvisieren. Ergänzen Sie ein Continuity-Log, in dem Sie pro Clip notieren, welche Referenzen, Seeds und Parameter verwendet wurden.

Kettenreferenzierung

Ein wirksames Verfahren: Nutzen Sie das erste klare Bild eines fertigen Clips als zusätzliche Referenz für den folgenden Clip. So übernimmt die Figur nicht nur die ursprüngliche Charakterdefinition, sondern auch den zuletzt bestätigten Look. Achten Sie darauf, nur wirklich saubere Frames zu verwenden – ein Frame mit einem kleinen Artefakt vererbt dieses Artefakt sonst weiter.

Kleidung und Requisiten als eigene Ebene

Behandeln Sie Outfits wie eigene Charaktere: gleiche Farbwerte, gleiche Materialien, gleiche Accessoires über alle Szenen einer Sequenz. Ein Requisit, das in einer Einstellung in der linken Hand liegt und in der nächsten fehlt, fällt dem Publikum stärker auf als kleine Unterschiede in der Gesichtsgeometrie. Notieren Sie Requisiten deshalb in der Shotlist mit Position und Hand.

Stil, Textur und Materialtreue

Textur ist der zweite große Drift-Kandidat nach der Gesichtsform. Stoffe flackern, Muster verschieben sich, Stickereien lösen sich auf. Gegenmaßnahmen: einfache Materialien in der Referenz bevorzugen, Muster nur in ruhigen Einstellungen zeigen und Texturdetails nach der Generierung in der Nachbearbeitung stabilisieren.

Für Hauttextur gilt Ähnliches. Ein leichter, konsistenter Detailgrad wirkt glaubwürdiger als extremes Detail, das zwischen Frames hin und her springt. Farbkorrektur und Grading gehören ans Ende des Workflows, nicht in den Prompt. Definieren Sie ein Farbprofil, ziehen Sie es über alle Clips hinweg gleich auf und verzichten Sie darauf, dem Modell Stimmung über Farbbegriffe abzuverlangen. Ein einheitlicher Look entsteht so zuverlässiger und lässt sich jederzeit anpassen, ohne die Generierung erneut anstoßen zu müssen.

Praxisbeispiel: eine 60-Sekunden-Sequenz mit sechs Einstellungen

Angenommen, Sie produzieren ein kurzes Erklärvideo mit einer Beraterin als Hauptfigur. Geplant sind sechs Einstellungen: Nahaufnahme am Schreibtisch, Halbtotale im Besprechungsraum, Over-the-Shoulder am Whiteboard, Gehpause im Flur, Totale am Fenster, Nahaufnahme mit direktem Blick in die Kamera.

Vorbereitung. Sie fotografieren die Figur an einem Nachmittag mit weichem Tageslicht: frontal, zwei Dreiviertelansichten, Profil, leichte Auf- und Untersicht sowie zwei Ausdrucksvarianten. Kleidung identisch, Hintergrund einfarbig, Brennweite 85 mm. Aus diesen acht Bildern entsteht das Referenz-Set.

Testphase. Zwölf Standbilder in den geplanten Einstellungsgrößen. Ergebnis: In der Profilansicht wirkt der Kinnwinkel spitzer. Ursache ist die einzige Profilreferenz, die unter härterem Licht entstanden ist. Lösung: Profilbild durch eine synthetisch erzeugte, weicher beleuchtete Variante ersetzen und erneut testen.

Animation. Die ersten drei Clips laufen stabil. Clip 4 mit Gehbewegung driftet ab Sekunde vier: Die Haarlinie wandert. Sie kürzen die Einstellung auf drei Sekunden, nehmen einen ruhigeren Kamerazug und verwenden den letzten sauberen Frame von Clip 3 als zusätzliche Referenz. Der Clip sitzt.

Nachbearbeitung. Clip 5 zeigt einen leichten Farbstich im Fensterbereich. Statt neu zu generieren, gleichen Sie die Farbtemperatur an die übrigen Clips an und setzen einen weichen Übergang. Der Schnitt wirkt homogen, die Figur bleibt erkennbar dieselbe – und die Produktionszeit bleibt im Rahmen, weil nur eine Einstellung überarbeitet werden musste statt der gesamten Sequenz.

Typische Fehler und wie Sie sie beheben

Problem	Wahrscheinliche Ursache	Lösung
Gesichtsdrift nach vier bis fünf Sekunden	Identitätsanker zu schwach, nur eine Referenz	Mehr Ansichten einbinden, Cliplänge reduzieren, neuen Startpunkt setzen
Kleidung wechselt die Farbe	Textilfarbe nicht definiert	Kleidung im Identitätsprompt nennen und im Referenzbild zeigen
„Geschwister-Look“: ähnlich, aber nicht gleich	widersprüchliche Referenzen	Set bereinigen, Lichtsituation vereinheitlichen
Verwischte Details bei Bewegung	zu schnelle Kamera- oder Körperbewegung	Bewegung reduzieren, Zwischenbild generieren
Hintergrund frisst die Figur	geringer Kontrast zwischen Figur und Umgebung	Kontrast erhöhen, Freistellung nachträglich
Figur wirkt jünger oder älter als geplant	Altersmerkmale nicht beschrieben	Gesichtsform und Merkmale explizit im Charakterblatt festhalten
Figur schaut im falschen Moment weg	Blickrichtung unklar formuliert	Blickrichtung und Zielobjekt im Prompt benennen

Auffällig ist, dass die meisten Fehler nicht aus dem Modell stammen, sondern aus unklaren Vorgaben. Bevor Sie Parameter durchprobieren, prüfen Sie, ob Ihr Charakterblatt, Ihr Referenz-Set und Ihr Prompt dieselbe Figur beschreiben. Drei widersprüchliche Quellen erzeugen zwangsläufig ein uneindeutiges Ergebnis.

Werkzeuge und Entscheidungskriterien

Bei der Werkzeugwahl lohnt ein nüchterner Blick auf Fähigkeiten statt auf Marketingversprechen. Relevant sind: Unterstützung mehrerer Referenzbilder, maximale Cliplänge, Kontrolle über Seed und Gewichtung, Bild-zu-Video- und Text-zu-Video-Modus, Upscaling, Exportformate und die Möglichkeit, Zwischenbilder als neuen Startpunkt zu verwenden.

Für den Charakteraufbau hat sich eine Kombination bewährt: eine flexible Bildpipeline für Referenzen und Testbilder, ein Videomodell für die Bewegung und ein Schnittprogramm für die Kontinuitätskontrolle. Wer Figuren über viele Einstellungen hinweg braucht, sollte zusätzlich prüfen, ob sich Referenzen pro Szene unterschiedlich gewichten lassen. Und wer im Team arbeitet, braucht eine gemeinsame Ablage für Charakterblätter, Referenz-Sets und Continuity-Logs – sonst entstehen Inkonsistenzen nicht im Modell, sondern im Austausch.

Kompakte Startcheckliste

Charakterblatt mit allen stabilen Merkmalen anlegen.
Sechs bis zehn Referenzbilder aus unterschiedlichen Winkeln kuratieren.
Licht, Brennweite und Hintergrund der Referenzen vereinheitlichen.
Testbilder generieren und systematisch gegen das Charakterblatt prüfen.
Erst nach bestandener Prüfung animieren, in kurzen Clips von drei bis sechs Sekunden.
Identitätsphrasen im Prompt wörtlich wiederholen, Szenenvariablen separat beschreiben.
Erstes klares Bild jedes Clips als Referenz für den nächsten Clip nutzen.
Continuity-Log mit Referenzen, Seeds und Parametern pflegen.
Grading und Farbkorrektur erst am Ende des Workflows anwenden.

FAQ

Wie viele Referenzbilder sind ideal?

Für die meisten Figuren reichen sechs bis zehn gut gewählte Bilder. Mehr Bilder helfen nur, wenn sie neue Blickwinkel oder Lichtsituationen abdecken. Zehn ähnliche Frontalaufnahmen bringen weniger als sechs klar unterschiedliche Perspektiven.

Kann ich eine Figur aus einem einzigen Foto übernehmen?

Ja, aber mit Einschränkungen. Ein einzelnes Bild funktioniert für kurze Einstellungen mit geringer Kopfbewegung. Sobald sich der Winkel deutlich ändert, wächst das Driftrisiko. Erzeugen Sie in diesem Fall zunächst zusätzliche Ansichten aus dem Ausgangsbild und prüfen Sie, ob die Figur dabei stabil bleibt.

Warum verändert sich die Figur nach einigen Sekunden?

Mit jeder neuen Berechnung verliert das Modell ein Stück weit den Bezug zur Referenz, besonders wenn sich Pose oder Licht stark ändern. Kürzere Clips, mehr Referenzen und eine ruhigere Kameraführung sind die wirksamsten Gegenmittel.

Hilft ein höherer Detailgrad im Prompt?

Selten. Zu viele beschreibende Adjektive konkurrieren mit der Referenz und erhöhen die Varianz. Beschreiben Sie Identität knapp und konsistent, den Rest übernehmen Referenzbilder, Seed und Gewichtung.

Wie gehe ich mit mehreren Figuren in einer Szene um?

Weniger ist mehr. Zwei Figuren sind deutlich schwieriger als eine, drei werden schnell unzuverlässig. Planen Sie Szenen mit mehreren Figuren in kurzen, klar gerahmten Einstellungen und prüfen Sie jede Interaktion einzeln. Häufig ist es sinnvoller, Figuren in getrennten Einstellungen zu zeigen und die Begegnung über den Schnitt zu erzählen.

Eignet sich der Ansatz auch für animierte oder stilisierte Figuren?

Ja, sogar besonders gut, weil stilisierte Figuren weniger feine Details besitzen und dadurch weniger Angriffsfläche für Drift bieten. Achten Sie darauf, den Stil konsequent zu beschreiben und Stilreferenzen nicht mit Identitätsreferenzen zu vermischen – sonst zieht der Stil die Gesichtsform mit.

Wie dokumentiere ich einen guten Lauf?

Notieren Sie Referenz-Set, Gewichtungen, Seed, Prompt-Kern, Cliplänge und Kamerabewegung. Sobald eine Einstellung überzeugt, wird sie zur Vorlage für alle weiteren. Ohne diese Notiz ist ein gelungener Versuch nicht reproduzierbar.

Wer diese Reihenfolge einhält, verliert weniger Zeit mit Neugenerierungen und gewinnt vor allem eines: Figuren, die das Publikum über die gesamte Laufzeit des Videos als dieselbe Person wahrnimmt.