Wann sieht KI-Video echt aus?

Zwei verschiedene Fragen in einer

Ein Thread, der fragt, ob ein Clip echt aussieht, kann sich innerhalb weniger Antworten spalten. Das eine Lager streitet über das Bild: die Haut, die Augen, wie sich ein Kopf dreht. Das andere streitet über alles um das Bild herum: ob die nächste Einstellung am selben Ort spielt, ob der Mantel noch derselbe Mantel ist. Eine Antwort in so einem Thread definierte den Maßstab des ersten Lagers genau:

Ein Tell ist ein Artefakt oder eine Eigenschaft, die für KI-Generierung typisch ist, etwa Morphing oder Timing-Abweichungen (Gesichtsmuskeln, die nicht synchron zucken)

Und eine andere Antwort in demselben r/aivideo-Thread benannte das Problem des zweiten Lagers genauso präzise:

Die Herausforderung ist, dass diese Clips dieselbe Welt haben wie andere Clips.

Das sind getrennte technische Probleme. Das erste löst sich innerhalb einer einzelnen Generierung; das zweite löst sich dadurch, was jede Generierung als Grundlage bekommt. Ein Clip kann den ersten Test perfekt bestehen und trotzdem scheitern, sobald er an seinen Nachbarn geschnitten wird – deshalb kann sich eine kurze Einzel-Einstellung als Demo echter anfühlen als eine fertige Szene mit demselben Modell.

Im Bild: konkret, beleuchtet, begründet

Das meiste, was eine einzelne Einstellung generiert aussehen lässt, kommt aus drei Arten von Unschärfe in der Beschreibung.

• Generische Gesichter. Ein Gesicht, das mit Wörtern wie schön oder markant beschrieben wird, zieht zum Durchschnittsgesicht des Modells: glatt, symmetrisch, zu sauber. Konkret wird ein Gesicht durch Dinge, die sich zeichnen lassen – der Augenabstand, der Nasenrücken, ein unregelmäßiger Haaransatz, ein Anker wie ein abgebrochener Zahn oder eine Narbe durch die Braue.
• Licht aus dem Nichts. Generiertes Licht ist standardmäßig schmeichelhaft und überall. Gib jeder Einstellung eine Quelle: die Schreibtischlampe, die Kühlschranktür, bedeckter Mittag, Scheinwerfer, die über eine Decke ziehen. Referenzblätter sind bewusst gleichmäßig ausgeleuchtet, damit sie in jeder Szene wiederverwendet werden können; die Stimmung gehört in den Einstellungstext, wo sie sich von Szene zu Szene ändern kann.
• Bewegung ohne Ursache. Die Beschreibung einer Wirkung – ein dramatisches Verschütten, eine Aura der Bedrohung – ist ein Bild, das sich das Modell ausdenken muss. Eine Ursache – der Zug bremst und der Kaffee kippt – ist Physik, der es folgen kann. Schreib die Ursache, und das Ergebnis wirkt verdient.

Wähle für Realfilm einen Realfilm-Look: Digital HD für ein Streaming-Gefühl der Gegenwart, Shot on Film für Korn und Wärme. Ein realistischer 3D-Look ist Computergrafik, keine Fotografie, und wirkt auch so. Die praktische Checkliste steht in KI-Video realistischer machen.

Über den Schnitt hinweg: jedes Mal dieselbe Welt

Die schwierigere Hälfte ist der Punkt der zweiten Antwort. Wer einen Raum von der Tür aus gesehen hat, weiß, wo das Fenster ist; wenn der Gegenschuss das Fenster an die falsche Wand setzt, ist die Illusion in einem Bild dahin. Das lässt sich nicht beheben, indem man jede Einstellung fotografischer macht. Es braucht, dass jede Einstellung von denselben Fakten ausgeht.

In SceneMixer leisten das drei Dinge. Jede Figur, jeder Ort und jedes wichtige Objekt hat ein Referenzbild, das in jeder Einstellung mitläuft, in der sie vorkommen – Mantel, Gesicht und Messingschlüssel bleiben also gleich. Jede Szene bekommt automatisch ein dreidimensionales Modell, sodass die Kamera nur zu Winkeln schneidet, die in diesem Raum existieren, und die Leute dort bleiben, wo sie waren. Und jedes Segment beginnt da, wo das vorige endete, sodass ein Gang durch den Raum nicht auf halbem Weg neu startet. Nichts davon ist ein Filter auf dem Bild; es sind Informationen, die die Generierung bekommt, bevor sie beginnt.

Was die Community-Zahlen sagen

Reaktions-Threads machen einen großen Teil des Gesprächs aus – 7,000 Beiträge tragen ein Publikumsreaktions-Label, und 1,300 Beiträge beklagen sichtbare Artefakte. Die beiden Fragen hinter dieser Seite:

Die zweite Formulierung ist die häufigere, und sie lädt zu einer Prüfung Bild für Bild ein. Wenn man sie für eine ganze Szene statt für einen einzelnen Clip stellt, ändert sich die ehrliche Antwort von Ja oder Nein zu: welche Einstellungen, und warum.

Die Auflösung kommt zuletzt

Detail zählt, ist aber der letzte Schritt und nicht der erste. Ein weicher Clip mit konsistenter Welt wirkt früher echt als ein scharfer Clip in einem Raum, der sich selbst umräumt. Die wirtschaftliche Reihenfolge: jedes Segment in der niedrigsten Auflösung entwerfen, den Text korrigieren, wo eine Einstellung falsch ist, die brauchbaren in einem höheren Tarif neu generieren und erst dann die besten Clips mit Enhance um eine Auflösungsstufe anheben – gleicher Bildausschnitt, gleiche Darstellung, mehr Detail. Video wird pro gerenderter Sekunde berechnet, ab 10 Credits pro Sekunde im Standardtarif; erst für Detail auszugeben, wenn die Szene funktioniert, ist also auch der billigere Weg.

Wenn Realismus nicht gefragt ist

• Manche Arbeiten sollen nicht als echt durchgehen: stilisierte Animation, Musikvideos, Traumsequenzen. Dort die Tells zu entfernen, kann das flachbügeln, was das Stück besonders macht.
• Das Gesicht einer echten Person nachzuahmen wird abgelehnt, und generiertes Material als echte Ereignisse auszugeben ist eine ganz andere Sache; kennzeichne generierte Arbeiten, wo Plattformen es verlangen.
• Menschenmengen, Hände bei feiner Arbeit und Text im Bild bleiben die schwächsten Bereiche; halte sie aus Nahaufnahmen heraus, statt zu hoffen, dass ein neuer Versuch sie behebt.
• Die Zahlen sind regelbasierte Näherungswerte aus einem Erhebungszeitraum, und die zitierten Antworten sind die Ansichten einzelner Zuschauer.

FAQ

Die beiden Hälften werden ausführlich behandelt in Ein Gesicht beschreiben und Wie räumliche Konsistenz hält; die Antwort auf Warum sich eine Figur zwischen Einstellungen verändert behandelt die Gesichtsseite der Kontinuität. Wie die Zahlen entstanden sind, steht in der Methodennotiz.