.ai

die besten Open-Source-KI-Modelle

Suchen

KI-Videoerstellung für Anfänger: Bild-zu-Video, Text-zu-Video und der erste Clip mit Wan, LTX-2 und H3

Q: Kamera springt oder die Szene schneidet

Zwei Kameraanweisungen oder "cut to" Wörter im Prompt. Nur eine Kamerabewegung; setze "jump cut" in den Negativ-Prompt.

Q: Speicher voll bei 720p

Frames mal Auflösung überschreiten den VRAM. Falle auf 480p oder weniger Frames zurück, lade den Text-Encoder aus; siehe den VRAM-für-KI-Video-Guide.

Thema: Videomodelle

Von Lookout

Veröffentlicht am 2026-04-29

Überblick

Videomodelle sind Bildmodelle mit einer Zeitachse: dieselbe Rauschunterdrückungsschleife läuft auf einem Block von Frames gleichzeitig, also gilt alles, was du über Prompts, Seeds und Rauschunterdrückung weißt, auch hier, ebenso die Kosten, multipliziert mit der Anzahl der Frames. Für Anfänger hat das drei praktische Folgen. Fang mit Bild-zu-Video (I2V) an, weil ein gutes Standbild von einem Bildmodell Komposition und Stil festlegt und das Videomodell nur noch die Bewegung erfinden muss. Halte Clips kurz (etwa fünf Sekunden), denn so wurden die Modelle trainiert. Und rechne damit, die großen Modelle in der Cloud laufen zu lassen, wenn du keine 24-GB-Karte hast.

Drei offene Familien decken 2026 die meisten Bedürfnisse ab.

Wan 2.2

(Alibaba) ist der Allrounder: ein 5B-Modell, das auf 12-16 GB läuft, und ein 14B-Zwei-Experten-Modell mit der besten offenen Qualität, dazu ein riesiges LoRA-Ökosystem für Bewegung und Stil.

LTX-2

(Lightricks) ist schnell und erzeugt synchronen Ton, braucht aber 24-32 GB.

MiniMax H3

ist das Audio-Video-Modell mit Dialog und Soundeffekten, meist über gehostete Workflows genutzt; die H3-Prompt-Guides von Mark White auf dieser Seite gehen tief darauf ein.

Hunyuan

Video 1.5 ist eine leichtere Alternative zum

Wan

14B.

Der Katalog listet jedes Videomodell und seine

LoRAs

mit der Basis und Größe, auf die sie abzielen (5B oder 14B, High-Noise- oder Low-Noise-Experte), und die Modellseiten zeigen Beispielclips mit ihren Prompts. Der Run-Button öffnet das Modell auf

PirateDiffusion

, wo ein Workflow-Befehl den Clip aus einer Antwort auf dein Bild erzeugt, oder auf

BitVector

Referenz

Name	Typ	Bedeutung
I2V (image to video)	mode	Bewege ein Standbild. Der beste erste Modus: Die Komposition stimmt schon; der Prompt beschreibt nur die Bewegung.
T2V (text to video)	mode	Nur aus einem Prompt. Mehr Vielfalt, weniger Kontrolle; nutze es für Ideen und B-Roll.
FLF2V / first-last frame	mode	Zwei Keyframes; das Modell füllt die Bewegung dazwischen. Kontrollierte Übergänge.
Frames and fps	setting	Wan: 81 Frames bei 16 fps (5 s); LTX-2: 97-121 Frames bei 24-25 fps; H3: 145 Frames bei ~24 fps. Speicherbedarf steigt mit der Framezahl.
Resolution	setting	Wan 2.2: 832x480 oder 480x832 (schnell), 1280x720 (ab 24 GB); LTX-2 bis 1080p+ mit 32 GB. Hochformat für Personen, Querformat für Szenen.
Motion prompt	prompt	Eine Bewegung des Subjekts plus eine Kamerabewegung: "sie dreht sich zum Fenster und lächelt; langsames Heranzoomen". Vermeide es, Details der Szene zu nennen, die schon im Bild sind.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 Schritte, aufgeteilt 10/10 auf die Experten, CFG 3.5, Shift 5; 5B: 20-30 Schritte, CFG 5; LTX-2: 25-30 Schritte mit eigenem Zeitplan; destillierte LoRAs (lightx2v) bringen Wan auf 4-8 Schritte bei CFG 1.
Motion LoRAs	file	Kamerabewegungen, Tänze, Gesten, Physik; passend zu 5B/14B und zum Experten. Die Seiten hier nennen das Ziel.
Interpolation and upscale	post	RIFE oder FILM auf 32-60 fps; frameweise ESRGAN oder SeedVR für die Auflösung.

Dein erster Clip ohne GPU

BitVector Prism animiert ein Standbild mit den Wan-Modellen aus diesem Guide im Browser: Bild hochladen, Bewegungssatz schreiben, Clip herunterladen. Nichts zu installieren, funktioniert vom Laptop aus.

BitVector ausprobieren

Schritt für Schritt

Mach oder such dir ein Standbild: ein 1024x1024 oder 832x1216 Render mit einem klaren Motiv und einfachem Hintergrund. Gesichter, die größer als ein Zehntel des Bildes sind, animieren am besten.
Öffne eine Wan 2.2 I2V-Modellseite auf dieser Seite, kopiere das Beispiel für den Bewegungs-Prompt und drücke den Run-Button (PirateDiffusion: antworte auf dein Bild mit dem /workflow-Befehl; BitVector: lade hoch und wähle das Modell).
Schreib einen Bewegungs-Prompt mit einem Satz für das Motiv und einem für die Kamera. Nichts zu Kleidung, Farben oder Licht; das Bild hat das schon.
Generiere bei 832x480 (Querformat) oder 480x832 (Hochformat), 81 Frames, Standard-Schritte. Schau dir den ganzen Clip an; beurteile die Bewegung, nicht die Schärfe.
Arbeite nur am Bewegungs-Prompt weiter: langsamere Verben ("langsam", "sanft") reduzieren wildes Herumfuchteln; eine einzige Kameraanweisung verhindert Sprünge.
Lokal, mit einer 16-GB-Karte:
Wan 2.2 5B
fp8 oder GGUF, 832x480, 49-81 Frames, Text-Encoder auf CPU. Mit 24 GB: 14B fp8 bei 480p, 720p mit ausgelagertem Encoder. Siehe den VRAM-für-KI-Video-Guide.
Längere Stücke: nimm den letzten Frame von Clip eins als Startbild für Clip zwei mit einem fortlaufenden Bewegungs-Prompt; füge sie im Editor zusammen; interpolier auf 30 fps und skaliere am Ende hoch.
Ton hinzufügen: LTX-2 und H3 erzeugen Audio mit dem Clip; bei Wan füge Musik oder Effekte im Editor hinzu.

Beispiele

Bewegungs-Prompt für I2V

Positive: she lifts the coffee cup, takes a sip and looks out of the window; slow push-in, shallow depth of field, natural motion

Negative (Wan): static, blurry, distorted face, extra fingers, jump cut, text

PirateDiffusion Workflow-Befehl

/workflow /run:wan22-i2v she lifts the coffee cup and looks out of the window, slow push-in /length:81 (as a reply to the still)

ComfyUI Wan 2.2 5B auf 16 GB

Tipps

Bewegungsverben sind wichtiger als Adjektive: "dreht sich, geht, hebt, gießt, winkt" erzeugen jeweils klare, verlässliche Bewegungen; "schön, filmisch" erzeugt nichts.
Eine Kamerabewegung pro Clip: Heranzoomen, Herauszoomen, Schwenk nach links, Umlauf. Zwei Bewegungen führen zu Wackeln.
Hochformatige Standbilder animieren Gesichter besser; Querformatige animieren Umgebungen besser.
Wan-LoRAs für den High-Noise-Experten formen die Bewegung; Low-Noise formen Details. Viele Pakete haben beide; lade jeweils auf den passenden Experten.
Destillierte LoRAs (lightx2v, FastWan) reduzieren Wan von 20 Schritten auf 4-6 bei CFG 1 mit wenig Qualitätsverlust; die Modellseiten listen sie auf.
Rechne mit 3-10 Minuten pro Clip auf einer 4090 für Wan 14B und etwa 90 Sekunden für LTX-2; die Cloud liefert die meisten Clips in ein bis zwei Minuten zurück.

Fehlerbehebung

Der Clip ist ein Standbild mit leichtem Flimmern

Warum es passiert

Kein Bewegungsverb im Prompt oder ein statisches LoRA-Gewicht zu hoch.

So behebst du es

Füge eine Bewegung des Subjekts und der Kamera hinzu; senke LoRAs auf 0,7.

Gesicht schmilzt oder ändert Identität

Warum es passiert

Gesicht zu klein, zu viele Frames oder 480p bei einem detaillierten Gesicht.

So behebst du es

Nähe das Bild enger zu, 49-61 Frames oder 720p in der Cloud; eine Gesichts-Detailierung pro Frame ist der letzte Ausweg.

Kamera springt oder die Szene schneidet

Warum es passiert

Zwei Kameraanweisungen oder "cut to" Wörter im Prompt.

So behebst du es

Nur eine Kamerabewegung; setze "jump cut" in den Negativ-Prompt.

Speicher voll bei 720p

Warum es passiert

Frames mal Auflösung überschreiten den

VRAM

So behebst du es

Falle auf 480p oder weniger Frames zurück, lade den Text-Encoder aus; siehe den VRAM-für-KI-Video-Guide.

Motion LoRA bewirkt nichts

Warum es passiert

Auf dem falschen Experten oder falscher Modellgröße geladen.

So behebst du es

Prüfe die Modellseite für 5B/14B und High/Low Noise; lade entsprechend mit dem passenden Triggerwort.

Wan 2.2 14B, LTX-2 und H3 per Telegram

PirateDiffusion betreibt die großen Videomodelle auf Server-GPUs: antworte auf ein Bild mit einem Workflow-Befehl und der Clip kommt im Chat zurück. Unbegrenzte Generierung zum Festpreis, keine 24-GB-Karte nötig.