Was ist Start- und Endbild bei KI-Videos?

Start- und Endbild funktioniert wie Bild-zu-Video mit einem zweiten Anker. Das Modell setzt dein erstes Bild an den Anfang des Clips und dein letztes ans Ende, markiert beide als Frames, die bleiben, und generiert die Frames dazwischen aus Rauschen, bis sie die beiden so verbinden, wie der Prompt es beschreibt.

Bei Text-zu-Video erfindet das Modell alles; mit einem Bild alles nach dem Anfang. Mit zweien hat es ein Ziel, seine Aufgabe ist also, einen glaubwürdigen Weg zu finden: Der Modus eignet sich für eine geplante Veränderung und tut sich schwer, wenn es keinen solchen Weg gibt.

Unter der Haube: zwei Frames gehalten, die Mitte generiert

Der Bericht zum offenen Modell Wan beschreibt den üblichen Aufbau. Das Bild wird komprimiert und als erster Frame gesetzt, mit leeren Frames danach, und eine binäre Maske markiert, welche Frames bleiben und welche generiert werden. Ein Bild-Encoder liest zusätzlich den Inhalt des Bildes, sodass sein Look auch in Frames übergeht, die es nie gezeigt hat. Laut dem Bericht lässt sich derselbe Aufbau auf die Transformation von Start- zu Endbild und auf die Fortsetzung von Videos erweitern.

Der Name FLF2V stammt aus dieser Familie: Das Wan-Team veröffentlichte Wan2.1 FLF2V, First-Last-Frame-to-Video, am 17. April 2025, nur in 720p.

In der Forschung heißt die Aufgabe Keyframe-Interpolation oder Inbetweening, nach der Arbeit von Animatoren, die die Frames zwischen zwei Schlüsselposen zeichnen. Ein Paper der ICLR 2025 nimmt ein Bild-zu-Video-Modell, das darauf trainiert ist, sich von einem Bild aus vorwärts in der Zeit zu bewegen, stimmt eine Kopie darauf ab, sich rückwärts zu bewegen, und lässt beide zusammen laufen, sodass jeder Schritt eine Schätzung von jedem Ende vermischt.

So schreibst du einen Prompt für Start- und Endbild

Beschreibe die Veränderung, nicht die Bilder: Beide sind schon festgelegt. Sag, was sich bewegt, in welcher Reihenfolge und wie die Kamera vom ersten Bildausschnitt zum letzten fährt. Klings Leitfaden für sein Modell O1 gibt das Muster vor: Nimm das erste Bild als Startbild, das zweite als Endbild und beschreibe dann die Veränderungen dazwischen.

• Nenne eine Handlung, die das erste Bild in das letzte verwandelt: „Sie dreht sich vom Fenster weg zur Kamera.“
• Nenne die Kamerabewegung, die von einem Bildausschnitt zum anderen führt: „Langsame Fahrt von der Totalen in die Nahaufnahme.“
• Sag, wie der Clip ankommt: „kommt zur Ruhe“, „bleibt stehen“, „das Licht steigt zu Ende an“, damit die letzte Sekunde kein Ruck ist.
• Lass weg, was beide Bilder schon zeigen: das Gesicht, die Kleidung, den Raum.

Ein Bild kann ein Video auf mehrere Arten steuern. Was du wählst, entscheidet, wie viel von der Einstellung von dir kommt und wie viel das Modell macht.

Start- und Endbild ist der einzige dieser Wege, der festlegt, wo eine Einstellung endet; eine längere Sequenz besteht aus mehreren solchen Einstellungen, aneinandergeschnitten.

Die meisten Fehlschläge beginnen vor dem Prompt, mit zwei Bildern, die sich in der Zeit nicht verbinden lassen. Klings Leitfaden zu Start- und Endbildern verlangt zwei ähnliche Bilder zum selben Thema und warnt, dass große Unterschiede einen Einstellungswechsel auslösen können: einen Schnitt statt einer Bewegung.

• Gib beiden Bildern dasselbe Format und dieselbe Größe wie dem Clip, damit an keinem Ende etwas beschnitten oder gestreckt wird.
• Halte Motiv, Licht, Objektiv und Stil gleich; ändere ein oder zwei Dinge, etwa eine Pose, eine Kameraposition oder die Tageszeit.
• Pass die Veränderung an die Länge an: Eine Kopfdrehung passt in 5 Sekunden, ein Sonnenaufgang über einer Stadt nicht.
• Mach das Endbild aus dem Startbild: Bearbeite eine Kopie mit der KI-Bildbearbeitung oder erweitere sie mit der KI-Bilderweiterung auf einen weiteren Bildausschnitt, sodass beide jedes Detail teilen, das du nicht geändert hast.
• Halte Gesichter, Hände und Text in beiden groß und klar: Die mittleren Frames sind erfunden, und kleine Details werden zuerst neu gezeichnet.

Jeder Hersteller setzt seine eigenen Grenzen. Das stand auf ihren Seiten, als wir sie am 29. Oktober 2026 gelesen haben:

• Übergänge: dieselbe Straße bei Tag und bei Nacht, ein Raum leer und eingerichtet, Sommer zu Schnee.
• Vorher-nachher: ein Umstyling, eine Renovierung, ein Gericht roh und gegart, beide Enden genau so, wie sie fotografiert oder gestaltet wurden.
• Enthüllungen, die auf einem geplanten Schlussbild landen: einem Produkt, einer Titelkarte oder einem Logo.
• Ein Produkt, das sich von vorn nach hinten dreht, mit beiden Ansichten exakt.
• Eine Figur, die sich zwischen zwei Posen bewegt, die für ein Storyboard gezeichnet wurden.
• Loops, mit demselben Bild an beiden Enden.

Auf DreamBench kannst du Seedance 2.5, Seedance 2.0, Veo 3.1 mit seinen Versionen Fast und Lite, Kling 4.0, Kling 3.0, Wan 3.0, Wan 2.7, MiniMax H3 und LTX-2.3 vorgeben, wo der Clip enden soll. HappyHorse 1.1, Grok Imagine 1.5 und Vidu Q2 starten nur von einem Startbild. Die Tabelle stammt aus denselben Einstellungen, die der Composer von DreamBench verwendet:

„Nur Startbild“ heißt: Das Modell kann mit deinem Bild beginnen, aber man kann ihm nicht vorgeben, wo es enden soll; das Ende bleibt dem Prompt überlassen.

Warum endet mein Video nicht auf meinem Endbild? Das Startbild wird exakt gesetzt, das Endbild aber ist ein Ziel: Das Modell generiert die letzten Frames so, dass sie es treffen, und ein Weg, der zu spät dran ist, oder eine Veränderung, die für die Sekunden zu groß ist, landet in der Nähe oder springt in den letzten Momenten hinein. Je näher sich die beiden Bilder sind, desto genauer die Landung.

• Die mittleren Frames können trotzdem flackern oder abdriften: ein Versagen der zeitlichen Konsistenz, umso stärker, je weiter die Enden auseinanderliegen.
• Zwei Enden legen eine Einstellung fest. Eine Person, die über mehrere Einstellungen gleich aussehen muss, braucht in jeder dieselben Bilder: Das ist Figurenkonsistenz.
• Manche Modelle lehnen manche Bilder ab: Laut dem Tutorial von ByteDance nimmt Seedance 2.5 keine Bilder mit echten menschlichen Gesichtern an.
• Verwende nur Bilder, für die du die Rechte hast, und frag nach, bevor du ein Foto von jemand anderem animierst.

Das Tool Logo-Animation ist der Start-und-Endbild-Durchlauf von DreamBench. Du lädst ein Logo hoch und wählst einen Stil, und das Modell bekommt dein Logo, so wie du es hochgeladen hast, auf seinem eigenen Hintergrund als Bild, auf dem es enden soll. Das Startbild hängt vom Stil ab: das Logo selbst bei „Lichtstreifen“, der leere Hintergrund bei einer Enthüllung oder ein aus dem Logo gezeichneter Frame, zerstückelt bei „Glitch“, als schwache Kontur bei „Neon“, von der Kante her bei „3D-Drehung“.

Jeder Durchlauf ist ein fünf Sekunden langer Clip mit Kling 3.0: 720p und ohne Ton, 1080p oder 1080p mit Ton. Manche Durchläufe landen nicht sauber auf dem Logo-Bild; wenn die letzte Sekunde falsch aussieht, lass es noch einmal laufen.

Das Bild-zu-Video-Tool ist die Version mit einem Bild: Ein Foto wird zum ersten Frame eines fünf Sekunden langen Clips. Und wenn du einen Film beschreibst, schreibt DreamBench ihn als Einstellungen, zeichnet für jede aus deinen Referenzbildern ein Startbild, und das Videomodell generiert die Einstellung daraus; wohin sie führt, steht in ihrem Prompt.