Was ist Text-to-Video?
Text-to-Video (T2V) ist eine KI-Technik, die bewegte Bilder direkt aus einer Textbeschreibung erzeugt. Das Modell erfindet Bild und Bewegung in einem Schritt. Das klappt hervorragend bei dynamischen Szenen, gibt dir aber weniger Kontrolle über die genaue Bildgestaltung als der Weg über ein Standbild, das danach animiert wird.
Schreib „Der Scheinwerfer eines U-Boots schneidet durch schwarzes Wasser, Partikel treiben vorbei“, und ein Text-to-Video-Modell rendert diese Sekunden von Grund auf. Ohne Ausgangsbild, ohne Kamera.
Die Stärke liegt bei Szenen, die von Bewegung leben: Dinge, die fallen, fließen, zusammenstoßen oder durch den Raum fliegen. Die Schwäche ist die Präzision. Weil das Modell Bildaufbau und Bewegung gleichzeitig erfindet, ist ein einheitlicher Look über viele Szenen schwerer zu halten als mit Bild zu Video.