KI-Videogenerierung

Was ist Bild-zu-Video?

Bild zu Video ist KI-Videogenerierung, die von einem Standbild ausgeht und die folgende Bewegung aus einem Prompt generiert. Dein Bild wird zum ersten Frame, genau so, wie es ist, oder zu einer Referenz, die ein Motiv erkennbar hält, und das Modell fügt die Bewegung hinzu: eine Person, die sich umdreht, brechende Wellen, eine heranfahrende Kamera.

Vom DreamBench-Team. Aktualisiert am 22. Oktober 2026.

Bild-zu-Video auf einen Blick

Auf einen Blick

Eingabe: Ein Bild und ein Prompt; bei manchen Modellen auch ein Endbild.
Ausgabe: Ein kurzer Clip, meist 4 bis 15 Sekunden pro Einstellung, oft mit Ton.
Von dir festgelegt: Das erste Frame, genau wie dein Bild.
Das Modell entscheidet: Alles danach: die Bewegung, die Kamera, was ins Bild kommt.
Schwierig bei: Gesichter, die sich wegdrehen und zurück, Hände, Text und große Abweichungen vom Bild.

So funktioniert Bild-zu-Video

Bild zu Video funktioniert so: Dein Bild wird als erster Frame eines Clips gesetzt, der sonst aus Rauschen besteht, als zu behaltender Frame markiert, und der Rest wird daneben generiert. Ein zweiter Encoder liest den Inhalt des Bildes, damit sein Look in Frames übergeht, die es nie gezeigt hat. Der Prompt steuert nur die Bewegung.

Das Bild legt fest, wie der Clip beginnt, das Modell muss also viel weniger erfinden als bei Text-zu-Video. Was es weiterhin erfindet, ist alles, was das Bild nicht zeigt: den Hinterkopf, den Rest eines Raums, was als Nächstes passiert.

Unter der Haube: wie das Bild das Modell steuert

Das offene Modell Wan dokumentiert einen verbreiteten Aufbau. Das Bild wird vom selben Encoder komprimiert wie das Video und als erster Frame eingesetzt, mit leeren Frames danach. Eine Maske markiert diesen Frame als beizubehalten, und das Modell generiert den Rest daneben aus Rauschen.

Ein zweiter Encoder liest den Inhalt des Bildes und speist ihn ebenfalls ein, sodass sein Look auch in Frames erhalten bleibt, die das Bild nie gezeigt hat. Wird mit derselben Maske zusätzlich ein letzter Frame als beizubehalten markiert, wird die Methode zu Start- und Endbild erweitert.

So schreibst du einen Bild-zu-Video-Prompt

Beschreibe, was sich bewegt und wie sich die Kamera bewegt, nicht die Szene: Das Bild legt Motiv, Licht und Stil schon fest. „Sie dreht sich zum Fenster; langsame Ranfahrt; Vorhänge heben sich im Windhauch“ reicht.

Startbild, Endbild oder Referenz

Ein Bild kann in einem Video drei Rollen spielen. Welche du wählst, entscheidet, wie viel vom Clip von dir kommt und wie viel das Modell macht.

Start

Generiert

Ende

Du legst beide Enden fest. Das Modell erfindet einen Weg dazwischen, der dem Prompt folgt – je weiter die beiden Frames auseinanderliegen, desto mehr muss es erfinden.

Start- und Endbild: Du legst beide Enden fest, und das Modell generiert den Weg dazwischen.

Drei Wege, wie ein Bild ein Video steuert
	Der Clip	Was du korrigierst	Gut für
Startbild	Beginnt exakt mit deinem Bild	Der Anfang	Ein Foto, eine Produktaufnahme oder ein selbst gestaltetes Bild animieren
Start- und Endbild	Beginnt mit einem Bild und endet mit einem anderen	Beide Enden	Übergänge, Enthüllungen, Vorher-nachher
Referenz	Eine neue Einstellung mit deinem Motiv darin	Wer oder was zu sehen ist	Dieselbe Figur oder dasselbe Produkt über viele Einstellungen hinweg

Welche Videomodelle ein Start- und Endbild annehmen

Videomodelle nutzen ein Bild unterschiedlich: Manchen kann man sagen, wo sie enden sollen und wo sie beginnen, anderen nicht. Diese Tabelle stammt aus denselben Einstellungen, die der Composer von DreamBench nutzt:

Videomodelle auf DreamBench: Ton, Start- und Endbild, Auflösungen und Seitenverhältnisse
Modell	Ton	Start- und Endbild	Auflösungen	Seitenverhältnisse
Seedance 2.5	An oder aus	Ja	480p, 720p, 1080p	1:1 · 16:9 · 9:16 · 4:3 · 21:9
Seedance 2.0	An oder aus	Ja	720p, 1080p, 4K	1:1 · 16:9 · 9:16 · 4:3 · 21:9
Veo 3.1	Immer an	Ja	720p, 1080p, 4K	16:9 · 9:16
Kling 4.0	Immer an	Ja	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3 · 21:9
Kling 3.0	An oder aus	Ja	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3 · 21:9
Wan 3.0	Immer an	Ja	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3
Wan 2.7	An oder aus	Ja	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3
Grok Imagine 1.5	Immer an	Nur Startbild	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3
MiniMax H3	Immer an	Ja	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3 · 21:9
HappyHorse 1.1	Immer an	Nur Startbild	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3 · 21:9
LTX-2.3	An oder aus	Ja	720p, 1080p, 4K	16:9 · 9:16
Vidu Q2	An oder aus	Nur Startbild	720p, 1080p	1:1 · 16:9 · 9:16 · 4:3

„Nur Startbild“ heißt, das Modell beginnt mit deinem Bild, aber du kannst ihm nicht sagen, wo es enden soll. Wähle für Übergänge und Enthüllungen ein Modell mit Start- und Endbild.

Wege, ein Standbild in Bewegung zu bringen

Was jede Methode bewegt und was sie beibehält
	Was sich bewegt	Was erhalten bleibt
Bild zu Video	Motiv, Szene und Kamera, alles neu generiert	Der erste Frame; danach nur, was das Modell festhält
Schwenken und Zoomen (der Ken-Burns-Effekt)	Nur eine virtuelle Kamera, die über das Foto gleitet	Jedes Pixel: Nichts Neues wird erzeugt
Sprechendes Foto	Ein Gesicht, passend zur Sprache	Der größte Teil des Bildes, der stillsteht

Wofür Bild-zu-Video genutzt wird

Alte Familienfotos zum Leben erwecken.
Produktfotos in kurze Anzeigen verwandeln.
Ein Logo für ein Intro oder Outro animieren, wobei der Clip so erstellt wird, dass er auf dem Logo endet, wie es hochgeladen wurde.
Eine Figur oder eine Szene animieren, die mit einem Bildmodell erstellt wurde.
Social-Media-Posts, die sich bewegen, statt stillzustehen.
Einen Film mit einem selbst gestalteten Frame beginnen und dann den Rest der Einstellung generieren.

Was Bild-zu-Video nicht kann

Es erfindet die Bewegung: Was nach der Aufnahme eines Fotos geschah, wurde nie aufgezeichnet.
Ein Gesicht, das sich wegdreht und zurückkommt, kann leicht verändert zurückkommen: ein Versagen der zeitlichen Konsistenz.
Je weiter sich der Clip vom Bild entfernt, desto weniger vom Bild bleibt, um ihn auf Kurs zu halten.
Manche Modelle lehnen manche Fotos ab. Auf DreamBench akzeptiert Seedance kein Referenzbild, auf dem das Gesicht einer echten Person zu sehen ist.
Animiere nur Fotos, die du nutzen darfst, und frag nach, bevor du das Bild einer anderen Person animierst.

Warum ist mein Foto im Video beschnitten? Im Composer wird zuerst das Format gewählt, und ein Startbild wird so skaliert, dass es das Format füllt, und in der Mitte zugeschnitten, ein 4:3-Foto in einem 16:9-Clip verliert also oben und unten etwas. Schneide das Foto vorher auf das Format des Clips zu oder erweitere es mit der KI-Bilderweiterung auf dieses Format. Das Ein-Foto-Tool behält das Format des Fotos selbst; ein unscharfes oder kleines Foto animiert sich besser nach dem KI-Fotoverbesserer.

So macht DreamBench aus einem Bild ein Video

Das Bild-zu-Video-Tool macht aus einem einzelnen Foto einen kurzen Clip, der damit beginnt, und „Alte Fotos animieren“ ist auf Familienfotos ausgelegt.

Jedes DreamBench-Ergebnis lässt sich auch im Composer als Referenzbild öffnen: ein Freisteller, ein restauriertes Foto, ein mit der KI-Bilderweiterung vergrößertes Bild. DreamBench schreibt die Szenen und rendert sie mit dem Videomodell deiner Wahl, etwa Seedance 2.5, Veo 3.1 oder Kling 3.0.

Bild-zu-Video auf DreamBench: das Ein-Foto-Tool und der Composer
	Das Bild-zu-Video-Tool	Der Composer
Eingabe	Ein Foto bis 40 MB, JPEG, PNG, WebP oder jedes Format, das dein Browser öffnet, vor dem Durchlauf auf 2048 Pixel an der langen Seite skaliert	Bis zu 8 Referenzbilder pro Film, ein Startbild und, bei Modellen, die eines annehmen, ein Endbild
Länge	Fünf Sekunden	4 bis 300 Sekunden, begrenzt durch den Tarif: 30 Sekunden in Starter, 2 Minuten in Plus, 5 Minuten in Ultra und Studio
Auflösung	Etwa 720p, unabhängig von der Größe des Fotos	720p oder 1080p auf jedem Modell, 4K auf Seedance 2.0, Veo 3.1 und LTX-2.3
Format	Das Format des Fotos selbst: Ein Hochformatfoto ergibt einen Hochformatclip	1:1, 16:9, 9:16, 4:3 oder 21:9, zuerst gewählt; ein Startbild wird so skaliert, dass es das Format füllt, und mittig beschnitten
Ton	Der leise Klang des Ortes, ohne dass jemand spricht	Dialog, Effekte und Atmosphäre bei Modellen, die Ton generieren; die Tabelle oben zeigt, welche
Gesichter	Ein Foto einer Person geht nie an Seedance, Veo oder Grok Imagine; lehnt das erste Modell es ab, versucht es ein zweites einmal	Seedance lehnt eine Referenz ab, die ein echtes Gesicht zeigt, ein solcher Film wird also auf einem anderen Modell gerendert

Fragen

Was ist der Unterschied zwischen Bild-zu-Video und Text-zu-Video?

Text-zu-Video geht nur von Worten aus, das Modell entscheidet also, wie alles aussieht. Bild-zu-Video geht von einem Bild aus: Motiv, Licht und Stil stammen aus deinem Bild, und der Prompt beschreibt die Bewegung.

Wie lang kann ein Bild-zu-Video-Clip sein?

Die meisten Modelle machen aus einem Bild eine Einstellung von etwa 4 bis 15 Sekunden. Längere Videos werden aus mehreren Einstellungen gebaut; so macht der Composer von DreamBench einen Film.

Kann ich auch das Endbild festlegen?

Ja, bei Modellen, die Start- und Endbild unterstützen: Du gibst zwei Bilder vor, und das Modell generiert die Bewegung dazwischen. Manche Modelle nehmen nur ein Startbild.

Kann KI ein Foto animieren?

Ja. Ein Bild-zu-Video-Modell nimmt dein Foto als erstes Bild und generiert aus einem kurzen Prompt die Bewegung, die darauf folgt: eine Person, die sich umdreht, brechende Wellen, eine Kamera, die näher kommt. Der Clip ist meist 4 bis 15 Sekunden lang und beginnt exakt mit deinem Bild. Ein scharfes Foto mit einem klaren Motiv, gleichmäßigem Licht und Platz für Bewegung eignet sich am ehesten; das Tool von DreamBench behält die Form des Fotos, schneide es also vorher zu, wenn der Clip eine andere braucht.

Warum sieht das Gesicht in meinem Video anders aus als auf meinem Foto?

Das Gesicht verändert sich, weil nur das erste Frame dein Foto ist; jedes spätere Frame wird generiert, und ein Gesicht, das sich wegdreht und zurück, wird aus dem Gedächtnis des Modells neu gezeichnet. Halte Kamera- und Kopfbewegung klein, halte den Clip kurz und beginne mit einem scharfen, gut ausgeleuchteten Foto, auf dem das Gesicht groß im Bild ist.

Kann Bild zu Video Ton hinzufügen?

Bei Modellen, die Ton generieren, ja: Der Clip beginnt mit deinem Bild, und das Modell generiert Effekte, Atmosphäre oder Dialog zur Bewegung. Die Tabelle oben zeigt, welche Modelle immer, optional oder nie Ton erzeugen.

Kann ich mehr als ein Bild verwenden?

Ja, auf zwei Arten: ein erstes und ein letztes Bild bei Modellen, die beides unterstützen, oder mehrere Referenzbilder einer Figur oder eines Produkts, die sie über die Einstellungen eines Films im DreamBench-Composer hinweg erkennbar halten.

Kann ich ein Foto auf dem Smartphone in ein Video umwandeln?

Ja. Das Bild-zu-Video-Tool von DreamBench funktioniert im Browser des Smartphones, ohne Installation: Wähle das Foto aus deiner Galerie, und der Clip wird als MP4 heruntergeladen.

Kann ich ein Foto einer echten Person animieren?

Mit manchen Modellen. Auf DreamBench lehnt Seedance Referenzbilder ab, die das Gesicht einer echten Person zeigen; ein Video aus einem solchen Foto entsteht also mit einem anderen Modell. Animiere nur Fotos, die du nutzen darfst.

Kostet Bild-zu-Video etwas?

Das hängt von der App ab. Auf DreamBench legst du vor dem ersten Clip ein kostenloses Konto an und wählst einen Tarif, und jeder Clip verbraucht Credits aus dem Tarif.

Behält Bild-zu-Video das Seitenverhältnis meines Fotos, oder wird es beschnitten?

Bild-zu-Video behält das Seitenverhältnis deines Fotos im Ein-Foto-Tool von DreamBench: Ein Hochformat-Foto ergibt einen Hochformat-Clip und ein Querformat-Foto einen im Querformat, bei etwa 720p. Im Composer wählst du zuerst das Format des Clips, und ein Startbild wird so skaliert, dass es das Format füllt, und mittig beschnitten; schneide das Foto also vorher selbst auf diese Form zu, oder erweitere es mit der KI-Bilderweiterung.

Welche Größe und welches Format eines Fotos eignen sich für Bild zu Video?

Ein Foto für Bild-zu-Video auf DreamBench kann ein JPEG, PNG, WebP oder jedes Format sein, das dein Browser öffnet, bis 40 MB; es wird vor dem Durchlauf auf 2048 Pixel an der langen Seite skaliert, eine größere Datei bringt also nichts. Wichtiger als Pixel ist ein scharfes, gut ausgeleuchtetes Bild mit einem klaren Motiv, das nicht am Rand liegt, denn der Clip beginnt genau damit, und jedes spätere Frame wird daraus erfunden.

Wie lange dauert Bild-zu-Video?

Bild-zu-Video dauert im Tool von DreamBench ein paar Minuten für einen Fünf-Sekunden-Clip, und die Seite zeigt den Clip, sobald er fertig ist. Lehnt das erste Modell dein Foto ab, versucht es ein zweites einmal, was etwas Zeit hinzufügt; lehnt auch dieses ab, kommen die Credits für den Durchlauf zurück. Im Composer dauert eine Einstellung je nach Modell, Länge, Auflösung und Ton von unter einer Minute bis zu mehreren Minuten.

Was passiert mit dem Foto, das ich für Bild zu Video hochlade?

Das Foto, das du für Bild zu Video hochlädst, bleibt in deinem Browser, bis du einen Clip erstellst. Dann wird es nur für diesen Clip verwendet und nach 7 Tagen zusammen mit dem Ergebnis aus dem Speicher des Tools entfernt; ein Ergebnis, das du in deiner Bibliothek behältst, bleibt, solange du es behältst. Das MP4 enthält in seinen Dateidaten eine Kennzeichnung, dass es mit KI auf DreamBench erstellt wurde, über das Bild wird nichts gelegt.

DreamBench-Tools

Modellseiten

Begriffe

Mehr im Bereich Glossar

Quellen

Wan: Open and Advanced Large-Scale Video Generative Models, §5.1 Image-to-Video GenerationarXiv, abgerufen am 13. Oktober 2026

DreamBench ist eine unabhängige Plattform, die mit den auf dieser Seite genannten Unternehmen nicht verbunden ist und von ihnen nicht unterstützt wird.