Zum Hauptinhalt springen

Generative Medien: Bild-, Audio- & Video-KI

Einsteiger

Der Großteil von AILmanac dreht sich um KI, die schreibt und denkt — Textmodelle wie Claude. Aber ein ganz anderer Zweig der KI erstellt Medien: Bilder, Video, Stimmen und Musik aus einem Prompt. Diese Seite ist eine anbieterneutrale Landkarte dieser Landschaft: die Archetypen, die nennenswerten Tools (jedes als existent verifiziert), wie sie sich von Text-LLMs unterscheiden, die übertragbaren Fähigkeiten und die Rechte- und Ethikregeln, die du nicht überspringen kannst.

What you'll learn
  • Die wichtigsten Archetypen generativer Medien kennen — Bild, Video, Stimme/Musik, Spracherkennung — und ein echtes Tool in jedem davon
  • Verstehen, wie sich Medienmodelle von einem Text-Chat-Modell wie Claude unterscheiden
  • Die dauerhaften Fähigkeiten lernen: Prompting für Medien, Iteration und Referenz-Eingaben
  • Die Nicht-Verhandelbaren respektieren: Nutzungsrechte, Herkunftsnachweis/Wasserzeichen und Deepfake-/Einwilligungsethik

Wie sich Medienmodelle von einem Text-LLM unterscheiden​

Wenn du bisher nur ein Chat-Modell verwendet hast, sind vier Unterschiede wichtig:

  • Anderer Output, anderes „korrekt“. Ein Textmodell liefert eine größtenteils deterministische beste Antwort. Ein Medienmodell liefert ein Artefakt (ein Bild, einen Clip, eine Sprachaufnahme), bei dem es keine einzige richtige Antwort gibt — nur solche, die dir mehr oder weniger gefallen. Du generierst mehrere und wählst aus.
  • Du kannst den Output meist nicht allein durch das Bearbeiten des Prompts verändern. Ein einziges Wort zu ändern kann das ganze Bild umkrempeln. Echte Kontrolle kommt durch Referenz-Eingaben (ein Ausgangsbild, ein Stilbild, eine Referenzstimme) plus tool-spezifische Steuerungen, nicht nur durch Worte.
  • Seeds und Variation sind Teil des Workflows. Viele Tools lassen dich neu würfeln, variieren oder einen „Seed“ für Reproduzierbarkeit festlegen. Iteration ist die Norm, kein Versagen.
  • Die Kosteneinheit ist anders. Text wird nach Tokens abgerechnet; Medien nach Bild, Sekunde Video oder Zeichen/Minute Audio — und gerade Video kann schnell teuer werden.
Pro tip
  • Mentales Modell: Ein Textmodell ist ein Autor, der dir die Antwort gibt; ein Medienmodell ist ein Spielautomat mit Lenkrad — du ziehst, dann lenkst du mit Referenzen und Neu-Würfen, bis es stimmt.
  • Generiere einen Stapel und kuratiere. Dein Geschmack — zu wissen, welcher von 4 Outputs der beste ist — ist die halbe Fähigkeit.

Die Landkarte: Archetypen und nennenswerte Tools​

Denke in Archetypen — die Aufstellungen mischen sich ständig neu, die Kategorien sind stabil. Jedes unten genannte Tool wurde als existent mit einer echten URL verifiziert (in Quellen); konkrete Versionen sind bewusst vage gehalten, weil sie ständig wechseln.

Bildgenerierung (Text-zu-Bild)​

Verwandle einen Text-Prompt — und optional Referenzbilder — in ein Standbild.

  • Midjourney — geschlossen, gehostet; bekannt für eine starke Standardästhetik und Stil-/Referenzsteuerungen.
  • OpenAI Bildgenerierung (die DALL·E- / GPT-Image-Linie) — geschlossen, gehostet; eng in ChatGPT und die API integriert.
  • Googles Gemini-Bildgenerierung („Nano Banana“) und Imagen — geschlossen, gehostet; in Gemini und Google Cloud eingebunden.
  • Adobe Firefly — geschlossen, gehostet; für kreative Workflows gebaut und mit Blick auf kommerzielle Nutzung trainiert (siehe Rechte, unten).
  • Stable Diffusion (Stability AI) und FLUX (Black Forest Labs) — offene Gewichte (open-weight) Modellfamilien, die du herunterladen und selbst ausführen kannst, das Rückgrat des lokalen/offenen Bild-Ökosystems.

Videogenerierung (Text-/Bild-zu-Video)​

Generiere kurze Clips — zunehmend mit synchronisiertem Audio — aus einem Prompt oder einem Ausgangsbild.

  • OpenAI Sora — ein Frontier-Videomodell (Hinweis: Die eigenständige Verbraucher-App wurde eingestellt; das Modell lief über die API weiter — ein Paradebeispiel dafür, warum Versionen/Verfügbarkeit veralten).
  • Google Veo — Frontier-Video, mit nativem Audio in jüngeren Versionen.
  • Runway — eine Kreativsuite, aufgebaut rund um ihre Gen-Serie an Videomodellen.
  • Kling (von Kuaishou) und Pika — schnelllebige Video-Tools, beliebt für Social-/Kurzformat-Inhalte.

Stimme, Sprache & Musik (Audio)​

  • ElevenLabs — geschlossen, gehostet; lebensechte Text-zu-Sprache- und Stimm-Tools (Voice-Cloning hat echte Einwilligungsimplikationen — siehe Ethik).
  • Suno und Udio — generieren komplette Songs (Gesang + Instrumentierung) aus einem Text-Prompt.
  • OpenAI Whisper — die andere Richtung: Sprache-zu-Text (Transkription). Es ist open-weight (MIT-lizenziert), du kannst es also selbst ausführen oder eine gehostete API aufrufen. Sprache-zu-Text ist das stille Arbeitstier hinter Untertiteln, Sprachnotizen und Meeting-Transkripten.
Pro tip
  • Die größte einzelne Weggabelung (genau wie bei Textmodellen): GESCHLOSSENE gehostete Tools (oft die beste Qualität, am wenigsten Einrichtung) vs. OPEN-WEIGHT-Modelle wie Stable Diffusion, FLUX und Whisper, die du für Datenschutz, Kontrolle und niedrigere Kosten im großen Maßstab selbst hosten kannst.
  • Wähle nicht nach Rangliste. Für deinen tatsächlichen Look/Sound generiere ein paar echte Beispiele in 2-3 Tools und urteile mit deinen eigenen Augen und Ohren.

Wie du ein gutes Ergebnis aus einem Medienmodell holst​

Der Workflow gleicht eher einem Fotoshooting als einer Google-Suche. Diese Schritte sind tool-unabhängig:

Guided walkthrough1 of 6
  1. Beginne mit dem Hauptmotiv, füge dann Schauplatz, Handlung und Stimmung hinzu. „Ein roter Fuchs“ ist schwach; „ein roter Fuchs eingerollt schlafend im frischen Schnee, weiches Morgenlicht“ gibt dem Modell etwas, womit es arbeiten kann.

Beispiel-Prompt für Bildgenerierung (Medium → Motiv → Stil → Details)

A cinematic wide-angle photograph of a lighthouse on a rocky cliff
at golden hour, waves crashing below, dramatic storm clouds parting.
Style: moody, high dynamic range, shot on a 24mm lens, shallow depth of field.
Mood: hopeful, epic. Aspect ratio 16:9.

Tip: if the result is close, change ONE element next pass
(e.g. "blue hour" instead of "golden hour") and re-roll —
or add a reference image to lock the look.

Rechte, Herkunftsnachweis & Ethik — die Nicht-Verhandelbaren​

Medien-KI wirft Fragen auf, die der Text-Chat normalerweise nicht stellt. Behandle diese als Teil der Arbeit, nicht als nachträglichen Gedanken.

Nutzungs- & kommerzielle Rechte. Jedes Tool hat seine eigene Lizenz, und sie unterscheiden sich stark. Manche schränken die kommerzielle Nutzung ein, manche gewähren sie nur in bezahlten Stufen, und Outputs können urheber- oder markenrechtlich geschütztem Werk ähneln. Adobe Firefly etwa stützt sich auf Trainingsdaten, die mit Blick auf kommerzielle Sicherheit ausgewählt wurden — aber du solltest trotzdem die tatsächliche Lizenz für das Tool und die Stufe lesen, in der du dich befindest, statt etwas anzunehmen.

Herkunftsnachweis & Wasserzeichen. Ein zunehmender Standard, C2PA / Content Credentials, hängt manipulationssichere „Nährwerttabellen“-Metadaten an, die festhalten, wie ein Asset erstellt und bearbeitet wurde. Viele große Bild- und Video-Tools betten ihn inzwischen ein. Halte diesen Herkunftsnachweis intakt und bevorzuge Tools, die ihn unterstützen — er wird zur Norm für vertrauenswürdige Medien.

Deepfakes, Stimmen & Einwilligung. Realistische Gesichts- und Stimmgenerierung kann echte Menschen imitieren. Klone keine Stimme oder kein Abbild ohne ausdrückliche Einwilligung, nutze generierte Medien niemals zur Täuschung, und befolge das Gesetz deiner Rechtsordnung. Die Einwilligung zum Voice-Cloning und die Offenlegung von KI-generierten Inhalten sind nicht bloß Etikette — zunehmend sind sie rechtliche Anforderungen.

Watch out
  • Generierte Medien können Nutzungsrechtsgrenzen und Deepfake-/Einwilligungsrisiken mit sich bringen — prüfe die Lizenz jedes Tools und lege KI-generierte Inhalte offen.

Was sich aus deinen Text-KI-Fähigkeiten überträgt​

Gute Nachricht: Vieles von dem, was du bereits weißt, lässt sich übertragen.

  • Klares, konkretes Prompting — konkret zu sein über das, was du willst, schlägt vage Wünsche, in jeder Modalität.
  • Iteration statt One-Shot — dieselbe „Entwurf, Kritik, Verfeinerung“-Schleife, die du mit Claude nutzen würdest, gilt auch hier, nur mit Neu-Würfen und Referenzbildern statt Folgenachrichten. Siehe Prompting-Grundlagen.
  • Das richtige Tool für die Aufgabe wählen — das Vorgehen aus Ein Modell wählen (zuerst die Einschränkungen, dann ein winziger realer Test) funktioniert für Medien genauso gut.
  • Verstehen, was das Modell tatsächlich ist — zu wissen, dass dies Muster-Lerner sind, keine Magie, hält deine Erwartungen und deine Ethik im Lot. Siehe Grundlagen.

Überprüfe dich selbst​

Überprüfe dich selbst

0/4
  1. Was ist der zuverlässigste Weg, den Look des Outputs eines Medienmodells zu steuern — über Worte hinaus?
  2. Welches davon ist ein OPEN-WEIGHT-Tool, das du herunterladen und selbst ausführen kannst?
  3. Was ist C2PA / Content Credentials?
  4. Bevor du KI-generierte Medien kommerziell nutzt, ist der sicherste Schritt:

Lernkarten​

Drücke Enter oder die Leertaste, um die Karte umzudrehen. Nutze die Pfeiltasten links und rechts, um zwischen den Karten zu wechseln.Begriff angezeigt.
1 / 6
Key takeaways
  • Generative Medien sind ein vom Text-Chat getrennter Zweig der KI: Sie erstellen Bilder, Video, Stimme und Musik, und du steuerst sie mit Referenzen und Neu-Würfen, nicht nur mit Worten.
  • Denke in Archetypen — Bild, Video, Stimme/Musik, Sprache-zu-Text — und denk an die Weggabelung geschlossen vs. open-weight (z. B. Midjourney vs. Stable Diffusion/FLUX; gehostetes TTS vs. offenes Whisper).
  • Die dauerhaften Fähigkeiten übertragen sich aus der Text-KI: konkretes Prompting, Iteration und das Wählen des richtigen Tools für die Aufgabe.
  • Rechte und Ethik sind Teil der Arbeit: Prüfe die Lizenz für dein Tool und deine Stufe, halte den Herkunftsnachweis (C2PA/Content Credentials), hole Einwilligung für Stimmen/Abbilder ein und lege KI-generierte Medien offen.
  • Details veralten schnell — verifiziere Versionen, Preise und Fähigkeiten anhand der jeweiligen Tool-Seite, bevor du dich darauf verlässt.

Quellen & weiterführende Literatur​