KI-Video-Modelle im Vergleich
Welches KI-Video-Modell solltest du nutzen?
Alle Video-Modelle bei aicut im Vergleich: Wertung, Ton, deutsche Sprache und Preis.
Für die meisten Videos mit Ton nimm WAN 3.0: Es hat unter den Modellen bei aicut die höchste Arena-Wertung mit Ton. Für eine Produktwerbung nimm Seedance 2.5, für deutsche Sprache Grok Imagine und für stumme B-Roll MiniMax H3 Max. Der günstigste Clip ist Veo 3.1 Lite. Jedes Modell unten läuft in einem aicut-Konto, und der Preis steht da, bevor du generierst.
Kostenloses Konto. Der Token-Preis wird angezeigt, bevor etwas generiert wird.
Welches Modell für welche Aufgabe
Die kurze Antwort für die häufigen Aufgaben. Jede Empfehlung führt zur Modellkarte unten oder zum Tool, das die Aufgabe erledigt.
Eine Person in die Kamera sprechen lassen
- Nimm
- WAN 3.0 / Seedance 2.5
Eine Produktwerbung machen
- Nimm
- Seedance 2.5 / WAN 3.0
Mein Foto animieren
- Nimm
- Seedance 2.5 / MiniMax H3 Max
Eine lange Einstellung ohne Schnitt
- Nimm
- WAN 3.0 / Seedance 2.5
Eine Geschichte in mehreren Einstellungen
Stumme B-Roll, ohne Ton
- Nimm
- MiniMax H3 Max / FLUX 3 Max
Der günstigste Clip
Sprache auf Deutsch
- Nimm
- Grok Imagine / Kling 4
Video in 4K
Ein Video bearbeiten, das ich schon habe
- Nimm
- Kling O3
Die Bewegung eines Videos auf meine Figur übertragen
Ein Foto lippensynchron zu meinem Audio sprechen lassen
Alle KI-Video-Modelle im Vergleich
Sortiert nach der Elo-Wertung der Artificial-Analysis-Arena für Text-zu-Video mit Ton, geprüft am 19. November 2026. Kling 3 ist der Ankerwert der Arena bei 1000. MiniMax H3 Max steht auf dieser Wertung, aber aicut bietet es ohne Ton an. "Nicht bewertet" heißt, die Arena hat noch keine Wertung; diese Modelle sind nach unserer eigenen Schätzung eingeordnet. Der Preis gilt für einen Clip mit 8 Sekunden und 720p oder der nächsten Einstellung, die das Modell erlaubt.
WAN 3.0
- Eingaben
- Text, Startbild, Endbild, 10 Referenzbilder, 5 Referenzvideos, 1 Referenz-Audio
- Ton
- An oder aus
- Sprachen
- Keine veröffentlichte Liste
- Länge
- 2-30 s
- Max. Auflösung
- 1080p
- Preis
- 3,2 Token (1,92 $) für 8 s bei 720p
- Arena-Elo
- 1174
WAN 3.0 Prime
- Eingaben
- Text, Startbild, Endbild, 10 Referenzbilder, 5 Referenzvideos, 1 Referenz-Audio
- Ton
- An oder aus
- Sprachen
- Keine veröffentlichte Liste
- Länge
- 2-30 s
- Max. Auflösung
- 1080p
- Preis
- 4,8 Token (2,88 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
Seedance 2.5
- Eingaben
- Text, Startbild, Endbild, 30 Referenzbilder, 10 Referenzvideos, 3 Referenz-Audios
- Ton
- An oder aus
- Sprachen
- Chinesisch, Englisch
- Länge
- 4-30 s
- Max. Auflösung
- 1080p
- Preis
- 7,68 Token (4,61 $) für 8 s bei 720p
- Arena-Elo
- 1156
FLUX 3 Max
- Eingaben
- Text, Startbild, Endbild, 10 Keyframes
- Ton
- An oder aus
- Sprachen
- Keine veröffentlichte Liste
- Länge
- 5-20 s
- Max. Auflösung
- 1080p
- Preis
- 5,6 Token (3,36 $) für 8 s bei 720p
- Arena-Elo
- 1152
Gemini Omni Flash 1.2
- Eingaben
- Text, Startbild, Endbild, 6 Referenzbilder
- Ton
- Immer an
- Sprachen
- Englisch
- Länge
- 3-15 s
- Max. Auflösung
- 4K
- Preis
- 2 Token (1,20 $) für 8 s bei 720p
- Arena-Elo
- 1151
MiniMax H3 Max
- Eingaben
- Text, Startbild, Endbild
- Ton
- Kein Ton
- Sprachen
- Keine
- Länge
- 5-15 s
- Max. Auflösung
- 1080p
- Preis
- 2,4 Token (1,44 $) für 8 s bei 768p
- Arena-Elo
- 1143
Kling 4
- Eingaben
- Text, Startbild, Endbild, 10 Referenzbilder, 5 Referenzvideos, 1 Referenz-Audio
- Ton
- Immer an
- Sprachen
- 9 Sprachen
- Länge
- 3-30 s
- Max. Auflösung
- 1080p
- Preis
- 4,8 Token (2,88 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
Seedance 2.0
- Eingaben
- Text, Startbild, Endbild, 9 Referenzbilder, 3 Referenzvideos
- Ton
- An oder aus
- Sprachen
- Chinesisch, Englisch
- Länge
- 4-15 s
- Max. Auflösung
- 4K
- Preis
- 6 Token (3,60 $) für 8 s bei 720p
- Arena-Elo
- 1133
Seedance 2.5 Flash
- Eingaben
- Text, Startbild, Endbild, 10 Referenzbilder, 5 Referenzvideos, 3 Referenz-Audios
- Ton
- An oder aus
- Sprachen
- Chinesisch, Englisch
- Länge
- 4-30 s
- Max. Auflösung
- 720p
- Preis
- 5,12 Token (3,07 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
MiniMax H3 Max Turbo
- Eingaben
- Text, Startbild, Endbild
- Ton
- Kein Ton
- Sprachen
- Keine
- Länge
- 5-15 s
- Max. Auflösung
- 1080p
- Preis
- 1,6 Token (0,96 $) für 8 s bei 768p
- Arena-Elo
- Nicht bewertet
Kling 4 Flash
- Eingaben
- Text, Startbild, 10 Referenzbilder, 5 Referenzvideos, 1 Referenz-Audio
- Ton
- Immer an
- Sprachen
- 9 Sprachen
- Länge
- 3-20 s
- Max. Auflösung
- 720p
- Preis
- 3,2 Token (1,92 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
Seedance 2.0 Fast
- Eingaben
- Text, Startbild, Endbild, 9 Referenzbilder, 3 Referenzvideos
- Ton
- An oder aus
- Sprachen
- Chinesisch, Englisch
- Länge
- 4-15 s
- Max. Auflösung
- 720p
- Preis
- 4,8 Token (2,88 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
Seedance 2.0 Mini
- Eingaben
- Text, Startbild, Endbild, 9 Referenzbilder, 3 Referenzvideos
- Ton
- An oder aus
- Sprachen
- Chinesisch, Englisch
- Länge
- 4-15 s
- Max. Auflösung
- 720p
- Preis
- 3,2 Token (1,92 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
Grok Imagine
- Eingaben
- Text, Startbild, 7 Referenzbilder
- Ton
- Immer an
- Sprachen
- Keine veröffentlichte Liste
- Länge
- 1-15 s
- Max. Auflösung
- 1080p
- Preis
- 2,4 Token (1,44 $) für 8 s bei 720p
- Arena-Elo
- 1051
Kling 3
- Eingaben
- Text, Startbild, Endbild
- Ton
- An oder aus
- Sprachen
- Chinesisch, Englisch, Japanisch, Koreanisch, Spanisch
- Länge
- 3-15 s
- Max. Auflösung
- 1080p
- Preis
- 6,4 Token (3,84 $) für 8 s bei 720p
- Arena-Elo
- 1000 (Anker)
Kling 3 Turbo
- Eingaben
- Text, Startbild
- Ton
- Kein Ton
- Sprachen
- Keine
- Länge
- 3-15 s
- Max. Auflösung
- 1080p
- Preis
- 3,2 Token (1,92 $) für 8 s bei 720p
- Arena-Elo
- Nicht bewertet
Veo 3.1
- Eingaben
- Text, Startbild, Endbild
- Ton
- Immer an
- Sprachen
- Englisch
- Länge
- 4-8 s
- Max. Auflösung
- 1080p
- Preis
- 5 Token (3,00 $) für 8 s bei 720p
- Arena-Elo
- 963
Veo 3.1 Fast
- Eingaben
- Text, Startbild, Endbild
- Ton
- Immer an
- Sprachen
- Englisch
- Länge
- 4-8 s
- Max. Auflösung
- 1080p
- Preis
- 2 Token (1,20 $) für 8 s bei 720p
- Arena-Elo
- 954
Veo 3.1 Lite
- Eingaben
- Text, Startbild, Endbild
- Ton
- Immer an
- Sprachen
- Englisch
- Länge
- 4-8 s
- Max. Auflösung
- 1080p
- Preis
- 1 Token (0,60 $) für 8 s bei 720p
- Arena-Elo
- 949
Kling 2.5 Turbo
- Eingaben
- Text, Startbild, Endbild
- Ton
- Kein Ton
- Sprachen
- Keine
- Länge
- 5-10 s
- Max. Auflösung
- 1080p
- Preis
- 3 Token (1,80 $) für 10 s bei 1080p
- Arena-Elo
- Nicht bewertet
Was jedes Modell gut und schlecht kann
Aus der Dokumentation der Hersteller und den Festlegungen von aicut, in der Reihenfolge der Tabelle.
WAN 3.0
3,2 Token (1,92 $) für 8 s bei 720p
Sprache
Keine veröffentlichte Liste; der Hersteller zeigt nur Beispiele auf Englisch und Chinesisch.
Gut bei
- •Ein Satz in Anführungszeichen wird zu lippensynchroner Sprache.
- •Ein Referenz-Audio gibt einem Tanz oder einer Lippensynchronisation den Takt vor.
Achte auf
- •Chinesische Modelle sprechen meist kein Deutsch.
- •Sprache kann als eingebrannter Text erscheinen: Beschreibe den Sprecher und ende mit 'no on-screen text, no subtitles'.
- •Start- und Endbild lassen sich nicht mit Referenzmedien kombinieren.
WAN 3.0 Prime
4,8 Token (2,88 $) für 8 s bei 720p
Sprache
Keine veröffentlichte Liste; der Hersteller zeigt nur Beispiele auf Englisch und Chinesisch.
Gut bei
- •Die schnellere Stufe von WAN 3.0: dieselbe Qualität, schneller fertig.
- •Ein Satz in Anführungszeichen wird zu lippensynchroner Sprache.
- •Ein Referenz-Audio gibt einem Tanz oder einer Lippensynchronisation den Takt vor.
Achte auf
- •Chinesische Modelle sprechen meist kein Deutsch.
- •Sprache kann als eingebrannter Text erscheinen: Beschreibe den Sprecher und ende mit 'no on-screen text, no subtitles'.
- •Start- und Endbild lassen sich nicht mit Referenzmedien kombinieren.
Seedance 2.5
7,68 Token (4,61 $) für 8 s bei 720p
Sprache
Spricht vor allem Chinesisch und Englisch.
Gut bei
- •Bis zu 30 Sekunden.
- •Nimmt bis zu 30 Referenzbilder, 10 Referenzvideos und 3 Referenz-Audios.
Achte auf
- •Deutsche Sprache kommt verstümmelt heraus.
- •Lehnt Referenzfotos echter Menschen ab (Datenschutzregel von BytePlus).
FLUX 3 Max
5,6 Token (3,36 $) für 8 s bei 720p
Sprache
Viele Sprachen und Akzente, Wechsel innerhalb eines Clips; keine veröffentlichte Liste.
Gut bei
- •Setzt bis zu 10 Bilder an feste Momente im Clip (Keyframes).
- •Wechselt die Sprache innerhalb eines Clips.
Achte auf
- •Große oder ungleiche Abstände zwischen Keyframes ergeben unvorhersehbare Bewegung.
- •Ein gesprochener Satz kann als Text im Bild erscheinen: Gib ihm einen sichtbaren Sprecher oder einen Hinweis auf Voiceover.
- •'Quiet room tone' im Prompt kann zu Rauschen werden.
Gemini Omni Flash 1.2
2 Token (1,20 $) für 8 s bei 720p
Sprache
Englisch wird voll unterstützt; andere Sprachen hat Google nicht geprüft.
Gut bei
- •Bis zu 6 Referenzbilder vom Motiv: höchstens 3 pro Figur, 2 Figuren.
- •Ton in jedem Clip.
- •Rendert bis 4K.
Achte auf
- •Schneidet standardmäßig zwischen Einstellungen: Verlange eine einzige durchgehende Einstellung.
- •Blockiert Fotos von Minderjährigen und von erkennbaren Personen im EWR, in der Schweiz und in Großbritannien.
- •Nimmt kein Audio entgegen.
MiniMax H3 Max
2,4 Token (1,44 $) für 8 s bei 768p
Achte auf
- •Macht überhaupt keinen Ton.
- •Die Bilddetails können besser werden (Hinweis von MiniMax selbst).
- •Kein 720p: 480p, 768p oder 1080p.
Kling 4
4,8 Token (2,88 $) für 8 s bei 720p
Sprache
Chinesisch, Englisch, Japanisch, Koreanisch, Spanisch, Portugiesisch, Deutsch, Französisch, Hindi. Dazu Kantonesisch und Sichuanesisch sowie amerikanischer, britischer und indischer Akzent im Englischen.
Gut bei
- •Spricht gut Deutsch.
- •Bis zu 30 Sekunden, vom Modell selbst in Einstellungen aufgeteilt.
- •Nimmt bis zu 10 Referenzbilder, 5 Referenzvideos und ein Referenz-Audio.
- •Stereoton in jedem Clip.
Achte auf
- •Teilt einen Clip standardmäßig in Einstellungen: Gib Ereignisse mit Zeitmarken an, um die Schnitte zu steuern.
- •Eine Urheberrechtsprüfung kann eine Generierung ablehnen.
Seedance 2.0
6 Token (3,60 $) für 8 s bei 720p
Sprache
Spricht vor allem Chinesisch und Englisch.
Gut bei
- •Rendert bis 4K.
- •Nimmt bis zu 9 Referenzbilder und 3 Referenzvideos.
Achte auf
- •Deutsche Sprache kommt verstümmelt heraus.
- •Lehnt Referenzfotos echter Menschen ab (Datenschutzregel von BytePlus).
- •4K kommt als 10-Bit-H.265, das manche Player nicht abspielen.
Seedance 2.5 Flash
5,12 Token (3,07 $) für 8 s bei 720p
Sprache
Spricht vor allem Chinesisch und Englisch.
Gut bei
- •Etwa doppelt so schnell wie Seedance 2.5 (Angabe des Herstellers).
- •Bis zu 30 Sekunden.
Achte auf
- •Deutsche Sprache kommt verstümmelt heraus.
- •Lehnt Referenzfotos echter Menschen ab (Datenschutzregel von BytePlus).
- •Eine Stufe unter Seedance 2.5.
- •Nur 480p oder 720p.
MiniMax H3 Max Turbo
1,6 Token (0,96 $) für 8 s bei 768p
Achte auf
- •Macht überhaupt keinen Ton.
- •Eine Stufe unter MiniMax H3 Max.
- •Kein 720p.
Kling 4 Flash
3,2 Token (1,92 $) für 8 s bei 720p
Sprache
Chinesisch, Englisch, Japanisch, Koreanisch, Spanisch, Portugiesisch, Deutsch, Französisch, Hindi. Dazu Kantonesisch und Sichuanesisch sowie amerikanischer, britischer und indischer Akzent im Englischen.
Gut bei
- •Spricht gut Deutsch, dieselben Sprachen wie Kling 4.
- •Nimmt bis zu 10 Referenzbilder, 5 Referenzvideos und ein Referenz-Audio.
Achte auf
- •Eine Stufe unter Kling 4.
- •Nur 720p, bis zu 20 Sekunden.
Seedance 2.0 Fast
4,8 Token (2,88 $) für 8 s bei 720p
Sprache
Spricht vor allem Chinesisch und Englisch.
Gut bei
- •Nimmt bis zu 9 Referenzbilder und 3 Referenzvideos.
Achte auf
- •Deutsche Sprache kommt verstümmelt heraus.
- •Lehnt Referenzfotos echter Menschen ab (Datenschutzregel von BytePlus).
- •Nur 480p oder 720p.
Seedance 2.0 Mini
3,2 Token (1,92 $) für 8 s bei 720p
Sprache
Spricht vor allem Chinesisch und Englisch.
Gut bei
- •Nimmt bis zu 9 Referenzbilder und 3 Referenzvideos.
Achte auf
- •Deutsche Sprache kommt verstümmelt heraus.
- •Lehnt Referenzfotos echter Menschen ab (Datenschutzregel von BytePlus).
- •Zwei Stufen unter Seedance 2.0.
- •Nur 480p oder 720p.
Grok Imagine
2,4 Token (1,44 $) für 8 s bei 720p
Sprache
Keine veröffentlichte Sprachliste.
Gut bei
- •Spricht gut Deutsch.
- •Ton in jedem Clip, Musik inklusive.
- •Nimmt bis zu 7 Referenzbilder.
Achte auf
- •Referenzbilder lenken das Motiv, legen aber das erste Bild nicht fest: Für einen exakten Look nimm ein Startbild.
- •Mit mehr als einem Referenzbild ist der Clip auf 720p begrenzt.
- •Der Ton lässt sich nicht abschalten.
Kling 3
6,4 Token (3,84 $) für 8 s bei 720p
Sprache
Chinesisch, Englisch, Japanisch, Koreanisch, Spanisch. Deutsch steht nicht auf der Liste.
Gut bei
- •Mehrere Einstellungen in einem Clip.
Achte auf
- •Deutsch steht nicht auf seiner Sprachliste.
- •Kann Sprecher verwechseln: Halte Name, Satz und Sprechweise jeweils zusammen.
Kling 3 Turbo
3,2 Token (1,92 $) für 8 s bei 720p
Achte auf
- •Macht überhaupt keinen Ton.
- •Eine Einstellung pro Clip.
- •Eine Stufe unter Kling 3.
Veo 3.1
5 Token (3,00 $) für 8 s bei 720p
Sprache
Englisch wird voll unterstützt; andere Sprachen hat Google nicht geprüft.
Gut bei
- •Macht Ton in jedem Clip.
Achte auf
- •Schwächer als die anderen Modelle hier, in jeder Hinsicht: Realismus, Dialog und Prompt-Treue.
- •Höchstens 8 Sekunden.
- •Nimmt keine Referenzbilder.
Veo 3.1 Fast
2 Token (1,20 $) für 8 s bei 720p
Sprache
Englisch wird voll unterstützt; andere Sprachen hat Google nicht geprüft.
Gut bei
- •Macht Ton in jedem Clip.
- •Nimmt bis zu 3 Referenzbilder über MCP und CLI.
Achte auf
- •Schwächer als die anderen Modelle hier, in jeder Hinsicht: Realismus, Dialog und Prompt-Treue.
- •Höchstens 8 Sekunden.
Veo 3.1 Lite
1 Token (0,60 $) für 8 s bei 720p
Sprache
Englisch wird voll unterstützt; andere Sprachen hat Google nicht geprüft.
Gut bei
- •Macht Ton in jedem Clip.
Achte auf
- •Schwächer als die anderen Modelle hier, in jeder Hinsicht: Realismus, Dialog und Prompt-Treue.
- •Höchstens 8 Sekunden.
- •Nimmt keine Referenzbilder.
Kling 2.5 Turbo
3 Token (1,80 $) für 10 s bei 1080p
Achte auf
- •Macht überhaupt keinen Ton.
- •Nur 5 oder 10 Sekunden.
- •Eine Stufe unter Kling 3 Turbo.
Tools für Aufgaben, die ein Prompt nicht kann
Ein vorhandenes Video bearbeiten, Bewegung übertragen und Lippen zu deinem eigenen Audio synchronisieren: Dafür gibt es jeweils ein eigenes Tool.
Ein Video bearbeiten, das ich schon habe
Kling O3
Gut bei
- •Bearbeitet ein Video, das du schon hast, und behält standardmäßig Einstellung, Bewegung, Länge und Ton.
- •Nimmt bis zu 4 Referenzbilder oder Elemente.
Achte auf
- •Deutsch steht nicht auf seiner Sprachliste.
Die Bewegung eines Videos auf meine Figur übertragen
Kling 3.0 Motion Control
Gut bei
- •Überträgt die Bewegung eines bis zu 30 Sekunden langen Clips auf eine Figur.
Achte auf
- •Lehnt ein Bild oder einen Clip ohne vollständigen Oberkörper ('No complete upper body detected') oder mit mehr als einer Person ab.
Kling Motion Control
Gut bei
- •Der günstigere Weg, die Bewegung eines Videos auf eine Figur zu übertragen.
Achte auf
- •Lehnt ein Bild oder einen Clip ohne vollständigen Oberkörper ('No complete upper body detected') oder mit mehr als einer Person ab.
Ein Foto lippensynchron zu meinem Audio sprechen lassen
Kling AI Avatar 2.0
Gut bei
- •Lässt ein Foto lippensynchron zu deinem eigenen Audio sprechen.
Welches KI-Video-Modell spricht Deutsch?
Kling 4, Kling 4 Flash und Grok Imagine sprechen gut Deutsch. Seedance-Modelle versuchen es, aber ihr Deutsch kommt verstümmelt heraus. Veo und Gemini Omni unterstützen offiziell nur Englisch, und chinesische Modelle wie WAN sprechen meist kein Deutsch.
- Spricht gut Deutsch
- Kling 4, Kling 4 Flash, Grok Imagine
- Deutsch kommt verstümmelt heraus
- Seedance 2.5, Seedance 2.0, Seedance 2.5 Flash, Seedance 2.0 Fast, Seedance 2.0 Mini
- Deutsch steht nicht auf der Liste des Herstellers
- Kling 3
- Spricht kein Deutsch
- WAN 3.0, WAN 3.0 Prime, Gemini Omni Flash 1.2, Veo 3.1, Veo 3.1 Fast, Veo 3.1 Lite
- Auf Deutsch nicht getestet
- FLUX 3 Max
- Spricht nicht
- MiniMax H3 Max, MiniMax H3 Max Turbo, Kling 3 Turbo, Kling 2.5 Turbo
Warum ist mein KI-Video misslungen?
Die häufigen Probleme, warum sie passieren und was du ändern kannst. Hinweise nennen die Modelle, für die eine Lösung gilt.
Sprache in der falschen Sprache, verstümmeltes Deutsch oder ein schlechter Akzent
Warum
- •Das Modell spricht die Sprache nicht.
- •Chinesische Modelle sprechen meist kein Deutsch.
Was du änderst
- •Für deutsche Sprache nimm Grok Imagine oder Kling 4, nie ein Seedance-Modell.
Kein Ton, keine Stimme, ein stummes Video
Warum
- •Das Modell macht keinen Ton.
- •Der Ton-Schalter war aus.
- •Kein sichtbarer Sprecher und kein Satz in Anführungszeichen, also behandelt das Modell die Sprache als Hintergrund.
Was du änderst
- •Nimm ein Modell mit Ton.
- •Schreib Dialog in Anführungszeichen direkt zu einem sichtbaren Sprecher; für einen Erzähler außerhalb des Bildes gib einen Hinweis auf Voiceover.
- MiniMax H3 Max, MiniMax H3 Max Turbo, Kling 3 Turbo und Kling 2.5 Turbo: Macht überhaupt keinen Ton: Wechsle zu einem Modell mit Ton.
- Seedance 2.0, Seedance 2.0 Fast, Seedance 2.0 Mini, Seedance 2.5, Seedance 2.5 Flash, WAN 3.0, WAN 3.0 Prime, Kling 3 und FLUX 3 Max: Der Ton ist ein Schalter: Prüfe, ob er an war.
Ungewollte Hintergrundmusik
Was du änderst
- •Schreib 'no music'.
- Kling 4 und Kling 4 Flash: Die einzigen Ausschlüsse, die Kling empfiehlt, sind 'no subtitles, no background music'.
- FLUX 3 Max: 'No music' entfernt nur die Musik; vermeide 'quiet room tone', das zu Rauschen werden kann.
Eingebrannte Untertitel, falsch geschriebener oder unleserlicher Text
Warum
- •Sprache wird als Untertitel gerendert, oder das Modell erfindet Schilder und Beschriftungen.
Was du änderst
- •Ergänze 'no on-screen text, no subtitles' und ordne jeden Satz einem sichtbaren Sprecher zu.
- •Für Text, den du willst, zitiere die genauen Worte und sag, wo sie stehen.
- •Sonst rendere ohne Text und füge die Untertitel im aicut-Editor hinzu.
Es hat meinen Prompt, meine Referenz oder mein Produkt ignoriert
Was du änderst
- •Gib jeder Referenz eine klare Rolle: 'Image 1 is the product, keep its logo'.
- •Für einen exakten Look nimm das Bild als Startbild statt als Referenz.
- Seedance 2.5, Kling 4, WAN 3.0 und Gemini Omni Flash 1.2: Nimmt Referenzbilder: Nimm es, wenn ein Produkt zu sehen sein muss.
- Grok Imagine: Referenzbilder lenken das Motiv, ohne das erste Bild festzulegen.
Die Figur oder das Gesicht verändert sich
Warum
- •Ein einzelner Clip hält ein Gesicht nicht über mehrere Clips fest.
- •Pronomen statt Namen in einem Prompt mit mehreren Personen.
Was du änderst
- •Für mehrere Clips mit denselben Personen nimm AI Video Story mit einem gespeicherten Cast.
- •Nenne eine Person jedes Mal mit derselben Bezeichnung.
Ungewollte Schnitte, ein Splitscreen, eine Linie in der Mitte
Warum
- •Das Modell schneidet von selbst, oder der Prompt beschreibt mehr als eine Einstellung.
Was du änderst
- •Beschreibe eine Einstellung pro Clip ohne 'cut to'; schreib 'single continuous shot, no scene cuts' und nenne eine statische Kamera.
- Gemini Omni Flash 1.2: Schneidet standardmäßig zwischen Einstellungen.
- Kling 4 und Kling 4 Flash: Teilt standardmäßig in Einstellungen: Gib Ereignisse mit Zeitmarken an, um sie zu steuern.
Die falsche Person spricht, Sätze verschmelzen, der Mund des Zuhörers bewegt sich
Warum
- •Sätze, die keinem sichtbaren Sprecher zugeordnet sind.
Was du änderst
- •Ordne jeden Satz einer sichtbaren Figur zu.
- Kling 3, Kling O3, Kling 4 und Kling 4 Flash: Halte Name, Satz und Sprechweise zusammen, setze die Handlung vor den Satz und schreib 'Immediately' bei jedem Sprecherwechsel.
Vom Inhaltsfilter blockiert oder fehlgeschlagen
Warum
- •Der Inhaltsfilter des Herstellers hat den Prompt oder ein Bild abgelehnt.
Was du änderst
- •Nimm eine generierte Figur oder ein Cast-Porträt aus AI Video Story statt eines Fotos einer echten Person.
- Seedance 2.0, Seedance 2.0 Fast, Seedance 2.0 Mini, Seedance 2.5 und Seedance 2.5 Flash: Lehnt Referenzfotos echter Menschen ab (Datenschutzregel von BytePlus) und prüft das Ergebnis auf Urheberrecht.
- Gemini Omni Flash 1.2: Blockiert Fotos von Minderjährigen und von erkennbaren Personen im EWR, in der Schweiz und in Großbritannien.
- Kling 4: Eine Urheberrechtsprüfung kann die Generierung ablehnen.
Zu kurz, die falsche Länge
Warum
- •Die Länge war nicht eingestellt, oder das Maximum des Modells ist kürzer als gewünscht.
Was du änderst
- •Stell die Länge vor dem Generieren ein, im veröffentlichten Bereich des Modells.
- Veo 3.1, Veo 3.1 Fast und Veo 3.1 Lite: Höchstens 8 Sekunden.
- Seedance 2.5, Seedance 2.5 Flash, Kling 4, WAN 3.0 und WAN 3.0 Prime: Bis zu 30 Sekunden.
Fehler bei Motion Control
Warum
- •Auf dem Bild oder im Clip fehlen sichtbarer Kopf, Körper und Gliedmaßen.
- •Mehr als eine Person im Clip.
Was du änderst
- •Eine Person pro Clip.
- Kling Motion Control und Kling 3.0 Motion Control: Überträgt nur Bewegung: Ein Foto, das lippensynchron zu Audio sprechen soll, gehört in Kling AI Avatar 2.0.
Sieht nach KI aus, wenig Details
Warum
- •Meist das Modell.
Was du änderst
- •Wechsle zu einem stärkeren Modell: Veo steht unter den Modellen bei aicut ganz unten.
- Seedance 2.0: 4K kommt als 10-Bit-H.265, das manche Player nicht abspielen.
Häufige Fragen zu KI-Video-Modellen
Was ist das beste KI-Video-Modell 2026?
In der Artificial-Analysis-Arena für Text-zu-Video mit Ton hat WAN 3.0 die höchste Wertung unter den Modellen bei aicut (geprüft am 19. November 2026). Das beste Modell hängt trotzdem von der Aufgabe ab: Seedance 2.5 für Produktwerbung, Grok Imagine für deutsche Sprache und MiniMax H3 Max für stumme B-Roll.
Welches KI-Video-Modell spricht Deutsch?
Kling 4, Kling 4 Flash und Grok Imagine sprechen gut Deutsch. Seedance-Modelle versuchen es, aber ihr Deutsch kommt verstümmelt heraus. Veo und Gemini Omni unterstützen offiziell nur Englisch, und chinesische Modelle wie WAN sprechen meist kein Deutsch.
Welche KI-Video-Modelle machen Ton?
Immer mit Ton: Gemini Omni Flash 1.2, Kling 4, Kling 4 Flash, Grok Imagine, Veo 3.1, Veo 3.1 Fast und Veo 3.1 Lite. Ton zum An- und Ausschalten: WAN 3.0, WAN 3.0 Prime, Seedance 2.5, FLUX 3 Max, Seedance 2.0, Seedance 2.5 Flash, Seedance 2.0 Fast, Seedance 2.0 Mini und Kling 3. Gar kein Ton: MiniMax H3 Max, MiniMax H3 Max Turbo, Kling 3 Turbo und Kling 2.5 Turbo.
Was ist das günstigste KI-Video-Modell?
Veo 3.1 Lite, für 1 Token (0,60 $) für 8 s bei 720p. Die Preise auf dieser Seite gelten zum Pay-as-you-go-Tokenpreis.
Warum hat mein KI-Video keinen Ton?
Entweder macht das Modell keinen Ton, sein Ton-Schalter war aus, oder der Prompt hatte keinen sichtbaren Sprecher und keinen Satz in Anführungszeichen, sodass das Modell die Sprache als Hintergrund behandelt hat. Nimm ein Modell mit Ton und schreib jeden Satz in Anführungszeichen neben die Person, die ihn sagt.
Wie werden die Modelle bewertet?
Über die Video-Arena von Artificial Analysis, in der Menschen zwei Clips vergleichen, ohne die Modelle zu kennen. Diese Seite nutzt die Wertung für Text-zu-Video mit Ton, geprüft am 19. November 2026. Kling 3 ist der Ankerwert der Arena bei 1000. Modelle ohne Arena-Wertung stehen als "nicht bewertet" da und sind nach unserer eigenen Schätzung eingeordnet.
Kann ich alle diese Modelle mit einem Konto nutzen?
Ja. Jedes Modell auf dieser Seite läuft im KI-Video-Generator von aicut mit einem Token-Guthaben, und der Preis eines Clips wird angezeigt, bevor du ihn generierst.
Modell wählen und generieren
Jedes Modell auf dieser Seite ist im KI-Video-Generator, mit einem Token-Guthaben.
KI-Video-Generator öffnen