Der Ton ist schon fertig: KI-Video ohne Audiodurchgang

Wer schon einmal ein kurzes Video gemacht hat, weiß: Das Video ist nur die erste Hälfte. Dann kommt die andere: exportieren, ein Schnittprogramm öffnen, Musik suchen, die passt und deren Rechte geklärt sind, ein paar Effekte auftreiben, sie am Bild ausrichten, feststellen, dass die Zeiten leicht danebenliegen, das korrigieren, wieder exportieren. Das dauert regelmäßig länger als das Herstellen des Materials.

Diese Hälfte gehört hier nicht dazu. Ein Clip aus Fellowi Video kommt mit seinem Ton bereits darin zurück, zur gleichen Zeit und für dieselbe Szene gemacht wie das Bild.

Was tatsächlich ankommt

Eine MP4, in der Video- und Tonspur schon zusammengeführt sind. Kein Video plus separater Soundtrack zum Ausrichten, kein Stemsatz zum Abmischen. Eine Datei, die in jedem Player mit Ton läuft, sich auf jede Plattform laden lässt und ohne Anleitung an jeden verschickt werden kann.

Der Schalter ist im Studio standardmäßig an und ändert den Preis nicht. Die Kosten sind Modell mal Auflösung mal Länge; der Ton kommt in dieser Rechnung nirgends vor. Vier Sekunden 720p Turbo kosten mit Ton 500 Coins und ohne Ton 500 Coins, ihn anzulassen ist also gratis und ihn abzuschalten spart nichts.

Das gehört klar gesagt, weil der Reflex aus anderen Werkzeugen das Gegenteil unterstellt: Es gibt kein separates Audioguthaben, keinen zusätzlichen Tonerzeugungsschritt, auf den man wartet, und keinen zweiten Rendervorgang.

Der Prompt ist das Mischpult

Weil der Ton für dieselbe Szene erzeugt wird, steuert ihn derselbe Satz. Unser Leitfaden für Videoprompts führt Ton als fünften Punkt, den ein guter Prompt beantwortet, und deshalb: Ein Satzteil darüber, was zu hören sein soll, ist so viel wert wie einer darüber, was sich bewegt.

Sag nichts, und das Modell wählt etwas für die Szene Plausibles, was oft in Ordnung ist und gelegentlich nicht das, was du im Sinn hattest. Sag eine Sache, und es hört meistens zu:

• „rain against the window, muffled traffic below“
• „a quiet room, a clock ticking, nothing else“
• „wind through pines, distant water“
• „low ambient music, no percussion“
• „a busy cafe behind her, cups and conversation, no music“

Zwei Gewohnheiten lohnt es von der Bildseite zu übernehmen. Benenne eine Sache statt fünf: Die Klanglandschaft hat dasselbe Aufmerksamkeitsbudget wie das Bild, und eine Liste aus sechs Geräuschen liefert einen matschigen Durchschnitt von allen. Und benenne die Abwesenheit, wenn sie zählt, denn „no music“ und „nothing else“ sind die seltenen Fälle, in denen es funktioniert, das Unerwünschte zu nennen: Stille ist ein realer Zustand einer Tonspur und kein Objekt, das gezeichnet werden müsste.

Wann man ihn ausschaltet

Es gibt drei ehrliche Fälle, und keiner davon handelt von Qualität.

Du vertonst selbst. Geht der Clip in einen Schnitt mit eigener Musik, wird eine erzeugte Atmosphäre darunter nur mit der gewählten Spur streiten. Schalte sie ab und halte die Timeline sauber.

Du brauchst ein bestimmtes Stück. Die Klangidentität einer Marke, ein lizenzierter Titel, ein Song, um den das Stück gebaut ist. Nichts Erzeugtes ersetzt eine bestimmte Aufnahme, und es sollte es auch nicht versuchen.

Niemand wird es hören. Vertikales Social-Video spielt stummgeschaltet ab, und die meisten Zuschauer schalten nie den Ton ein. Unser Beitrag zu vertikalem Social-Video sagt dasselbe von der anderen Seite: Muss die erste Sekunde stumm funktionieren, gib deinen Prompt für die Bewegung aus und nicht für den Klang.

Was es nicht ersetzt

Behandle das Zurückkommende als den eigenen Klang der Szene, nicht als Sprecher, der nach deinem Text arbeitet. Hängt ein Clip davon ab, dass genaue Worte zu genauen Momenten fallen, oder ein Schnitt exakt auf einen Beat, machst du das weiterhin im Schnittprogramm, und das ist richtig so. Die ehrliche Beschreibung dieser Funktion lautet: Sie nimmt die routinehafte Hälfte der Tonarbeit weg, nicht die ganze.

Sie nimmt trotzdem den größten Teil davon. Für die enorme Zahl von Clips, die einfach nur nicht stumm sein sollen, kostet der Schritt, der früher eine Stunde brauchte, jetzt nichts und passiert, während du nicht hinsiehst.

Beide Wege liefern ihn: eine Szene per Text zu Video von Grund auf beschreiben oder ein vorhandenes Standbild animieren. Wenn du unsicher bist, klärt der Vergleich das in einem Satz. Der komplette Satz Regler, samt der vier Modelle und Längen bis dreißig Sekunden, steht im Beitrag über die Bedienoberfläche. So oder so: Spiel das Ergebnis mit aufgedrehter Lautstärke ab, bevor du entscheidest, etwas zu ändern.