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 29. Apr 2026

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.

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.

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

Fragen

Welches Videomodell zuerst?

Wan 2.2 I2V: verzeihend, gut dokumentiert, die meisten LoRAs. Die Wan-Einsteigeranleitung hat die komplette Einrichtung.

Geht das auf einer 8-GB-Karte?

Kurze 480p-Clips mit Wan 2.1 1.3B oder Wan 2.2 5B GGUF, langsam. Realistisch gesehen fang in der Cloud an.

Wie bekomme ich Ton?

LTX-2 und MiniMax H3 erzeugen synchronen Ton; Mark Whites H3-Prompt-Guides erklären Dialog- und Effekt-Prompts.

Wie lang kann ein Clip sein?

Etwa fünf Sekunden nativ. Längere Stücke sind verkettete Clips; die Qualität leidet ab sechs bis acht Sekunden in einem Durchlauf.

Sind die neuesten kommerziellen Modelle (Veo, Kling, Wan 3.0) lokal verfügbar?

Nein; sie sind nur per API zugänglich. Alles in diesem Guide ist Open-Weight und läuft lokal oder bei Cloud-Partnern.

Links und Quellen

Modelle in dieser Anleitung

Geschrieben von

Sitzt im Ausguck und aktualisiert Hugging Face, damit du es nicht tun musst. Meldet ein neues Modell, sobald es erscheint, und nochmal, wenn es stillschweigend mit einer korrigierten Konfiguration neu hochgeladen wird. War nie früh genug dran. Vertraut einer Lizenzdatei mehr als einem Launch-Video.

Alle Anleitungen von Lookout

Wan 2.2 Video: Text-zu-Video und Bild-zu-Video Setup, Einstellungen und LoRAs

24. Mai 2026

Wie viel VRAM brauchst du für KI-Video? Wan 2.2, HunyuanVideo 1.5 und LTX-2 nach GPU-Größe (2026)

6. Okt 2026

MiniMax H3 ansteuern: Text zu Video, Bild zu Video, Referenzvideo und Audio

20. Sep 2026

MiniMax H3 Video-Prompts: die offizielle Struktur

14. Sep 2026

LTX 2.3 Crisp Enhance: schärfer, kinoreiferes Videodetail

3. Okt 2026

GPU- und VRAM-Leitfaden für KI-Bild- und Video-Modelle: Was jedes Modell braucht und was man kaufen sollte (oder nicht)

7. Jan 2026

HunyuanVideo Text-zu-Video ComfyUI Workflow: Das 13B Modell, das lokale Videos gestartet hat

9. Okt 2026

Beste Open-Source KI-Video-Modelle 2026: Was du wirklich herunterladen kannst

14. Okt 2026

Weitere Anleitungen

Wie man Wan2GP installiert: KI-Video und Bilder auf GPUs mit wenig VRAM

8. Okt 2026

Pauschalgebühr vs. Tokens: Warum unbegrenzte Pläne wie Graydient.ai 2026 den besten Wert für KI-Schöpfer bieten

8. Okt 2026

VRAM-Anforderungen für alle beliebten KI-Bild- und Videomodelle (2026): Volle Präzision, FP8 und GGUF

6. Okt 2026

HunyuanVideo 1.5 vs Wan 2.2: Welches offene Videomodell 2026 laufen lassen?

4. Okt 2026

Wie man KI-Modelle in der Cloud nutzt (2026 Anfängerleitfaden): Flux, Wan und SDXL ohne GPU