Text zu Video oder Bild zu Video: Was du wirklich brauchst

Fellowi betreibt vier Videomodelle. Zwei starten von einem Satz und zwei von einem Bild, und jedes dieser Paare gibt es in einer schnellen Turbo- und einer langsameren vollen Fassung. Das ist der ganze Katalog, und die einzige Entscheidung, die wirklich verändert, was zurückkommt, ist die erste: Reichst du dem Modell ein Standbild oder eine Beschreibung?

Wir sollten zugeben, dass wir das eine Weile falsch beschrieben haben. Drei Beiträge in diesem Blog behaupteten glatt, es gebe keinen reinen Textweg. Das war falsch, und wir haben sie korrigiert. Wenn du hier Anfang September gelesen hast, Bild zu Video sei die einzige Möglichkeit, dann ist das der Satz, den wir repariert haben.

Die eine Regel, die die meisten Fälle klärt

Muss am anderen Ende ein bestimmtes Gesicht herauskommen, fang mit einem Bild an.

Das ist keine Vorliebe. Eine Textbeschreibung kann kein Gesicht tragen. „Eine Frau Ende zwanzig mit dunklen Haaren und grünen Augen“ engt die Kategorie ein wenig ein und lässt darin Tausende Gesichter übrig, und das Modell greift bei jedem Lauf ein anderes heraus. Ein Standbild nimmt das Raten vollständig weg: Wer im Bild ist, steht schon fest, und die Aufgabe des Modells schrumpft darauf, diese Person zu bewegen. Warum Identität in einem Referenzbild wohnt und nicht in Worten, haben wir schon beschrieben, und Video ist die schärfste Fassung dieses Problems: Eine Abweichung über vierundzwanzig Bilder pro Sekunde fällt weit stärker auf als zwischen zwei einzelnen Bildern.

Text zu Video verdient sich seinen Platz, wenn das Motiv generisch ist und es auf die Szene ankommt. Wellen an einer Mole, nächtlicher Verkehr, eine herunterbrennende Kerze, eine Totale einer Straße. Niemand im Publikum weiß, wie das auszusehen hätte, es gibt also nichts, womit man inkonsistent sein könnte, und du sparst dir den ganzen Schritt, erst ein Standbild zu bauen.

Was jeder Weg von dir verlangt

Text zu Video will einen Prompt, der die ganze Welt trägt: Motiv, Ort, Licht, Kamera und Bewegung. Das ist der schwerere Prompt, weil nichts für dich festgelegt ist, und ein vager liefert einen gemittelten Clip mit Stockfoto-Anmutung.

Bild zu Video will fast das Gegenteil. Das Standbild hat bereits gesagt, wie die Szene aussieht, davon etwas im Prompt zu wiederholen ist also verschwendet, und ihm zu widersprechen ist schlimmer als verschwendet. Gib jedes Wort für Bewegung aus: was sich bewegt, wie schnell, und was die Kamera tut. Unser Leitfaden für Videoprompts ist genau um diese Disziplin herum gebaut, und einer unserer fertigen Prompts ist eigens als gutes Startbild geschrieben.

Der Bildweg kann etwas Drittes, das der Textweg nicht kann: neben dem Startbild auch ein Endbild annehmen. Gib beide an, und er rendert die Bewegung zwischen zwei von dir gewählten Standbildern, die stärkste Kontrolle über einen Clip, die es hier gibt. Für ein kurzes Hochformat, bei dem du genau weißt, wo die Einstellung landen muss, ist das das natürliche Werkzeug.

Turbo oder voll ist eine eigene Frage

Ist der Weg gewählt, wählst du noch die Familie, und hier geht es um Obergrenze und Preis, nicht um Werktreue zur Idee.

Die Turbo-Modelle sind das schnelle, günstige Paar. Sie bieten 720p und 1080p, und vier Sekunden in 720p kosten 500 Coins. Die vollen Modelle sind langsamer und reichen weiter: Sie ergänzen 480p unten und 4K oben, und ihr 720p ist sichtbar besser, weshalb dieselben vier Sekunden 900 statt 500 Coins kosten. Mit der Auflösung geht die Schere schnell auf, denn das sind Sekundenpreise und 4K ist eine gewaltige Menge Pixel: vier Sekunden volles 4K sind 4.400 Coins, dreißig Sekunden davon 33.000.

Der ehrliche Rat lautet, in Turbo zu entwerfen. Bring Bewegung und Ausschnitt für 500 Coins in 720p in Ordnung, und entscheide erst dann, ob genau dieser Clip einen Render im vollen Modell verdient. Alles ist pro Sekunde bepreist, also hängt der Preis der Erkenntnis, dass du eine andere Kamerafahrt wolltest, vollständig davon ab, auf welchem Modell du sie gewonnen hast.

Die Einstellungen, die beide Wege teilen

Die Länge reicht von vier bis dreißig Sekunden. Es gibt sieben Seitenverhältnisse, darunter 9:16 für vertikales Social-Video, dazu eine Automatik, die den Bildausschnitt des Startbilds beibehält, statt ihm eine Form aufzuzwingen. Ton ist ein Häkchen, wird mit dem Clip erzeugt und ändert den Preis nicht. Mehr zu jedem Regler steht im Beitrag über die Bedienoberfläche.

Ein praktischer Hinweis zum Preis: Er ist linear in der Länge und wird von Modell und Auflösung bestimmt, also identisch, über welchen Weg du auch gekommen bist. Text zu Video spart dir nichts, und Bild zu Video kostet nichts extra. Entscheide nach der Sache.

Eine gescheiterte Generierung gibt deine Coins automatisch zurück. Das billige Experiment gehört also zuerst gefahren: Mach ein Standbild in Fellowi Images für 40 Coins, nimm es mit zu Fellowi Video, und beschreibe nur, was sich bewegt. Stellt sich heraus, dass dein Motiv gar kein Gesicht braucht, hast du gerade gelernt, dass ein Schritt entbehrlich war, und das ist eine billige Lektion.