Was kann MAGI-2? 8 Video-Beispiele und offizielle Timeline-Prompts

👁 113 Aufrufe

Was MAGI-2 Preview tatsächlich leistet, lässt sich derzeit nur aus zwei Quellen ableiten: drei Demovideos von Sand.ai und offiziellen Prompts aus dem GitHub-Repository. Ich habe 8 Beispiele zusammengestellt: 3 Hersteller-Clips, 3 Prompts aus dem Repository und 2 Vorlagen für eigene Tests. Alle Details zum Modell, Benchmarks und Hardwareanforderungen finden Sie im Leitfaden zu MAGI-2 Preview.

Demovideos von Sand.ai

Auf der Startseite von sand.ai befinden sich im Abschnitt „Features MAGI-2 Preview“ drei Videos. Ich habe sie am 11. Oktober überprüft: Alle drei URLs liefern den HTTP-Statuscode 200, die Dateien stammen vom 28. August 2026, verfügen über eine Auflösung von 3840 x 2160 Pixeln bei 30 fps und besitzen eine Tonspur. Laut README generiert das Modell jedoch ausschließlich 10-Sekunden-Clips in 1080p. Da die Democlips 5-6 Sekunden lang sind und in 4K vorliegen, wurden sie vom Hersteller offenbar nachbearbeitet und hochskaliert. Die Prompts wurden nicht veröffentlicht.

1. Charakterdarstellung: Dialog, Gesang, Mimik

Einsatzbereich: Szenen mit sprechenden oder singenden Figuren, Musikvideos, Kurzformate mit virtuellen Darstellern.

Prompt: Vom Hersteller nicht angegeben. Beschreibung auf der Website: „Precisely generates dialogue, singing, and emotional shifts“ (erzeugt präzise Dialoge, Gesang und emotionale Wechsel mit lippensynchronen Bewegungen).

Einschätzung: Da es sich um ausgewähltes Werbematerial des Herstellers handelt, lassen sich daraus kaum Rückschlüsse auf typische Ergebnisse ziehen. In den Blindtests von Artificial Analysis belegt MAGI-2 im Bereich Image-to-Video Rang 10 - vergleichbar mit Grok Imagine 1.5, jedoch hinter der Spitzenklasse.

2. Synchronisation von Bild und Ton

Einsatzbereich: Audiovisuelle Effekte, die exakt auf die Bewegung abgestimmt sind, sowie dynamische Umgebungsgeräusche.

Prompt: Vom Hersteller nicht angegeben. Beschreibung: „Visuals and audio are generated jointly by a single model“ (Bild und Ton werden simultan von einem einzigen Modell erzeugt).

Einschätzung: MAGI-2 fügt Audio nicht über ein separates Zweitmodell ein. Text, Bild und Ton durchlaufen denselben Transformer. Im Prompt lässt sich der exakte Zeitpunkt jedes akustischen Ereignisses auf die Zehntelsekunde genau steuern (siehe Beispiel 6).

3. Kamerabewegungen

Einsatzbereich: Kamerafahrten, Verfolgungsaufnahmen oder kreisende Kameraführungen (Orbit) um Objekte.

Prompt: Vom Hersteller nicht angegeben. Beschreibung: Das Modell versteht Einstellungsgrößen, Bildkomposition und Kamerabewegungen wie „zooming in, tracking, and orbiting“ (Heranzoomen, Verfolgen, Kreisen).

Einschätzung: In den offiziellen Prompts wird die Kamerabewegung segmentweise definiert: Bewegungstyp (Push-in), Richtung und Intensität. Das erlaubt deutlich mehr Regie-Kontrolle als pauschale Textanweisungen wie „die Kamera fährt langsam heran“.

Offizielle Prompts aus dem Repository

Die Datei assets/demo_samples.json steuert fünf Generierungsbeispiele an: zwei Image-to-Video-Prompts (mit beigelegten Startbildern), dieselben zwei als Text-to-Video sowie einen Prompt im JSON-Format. Die README verweist zudem auf sample_002.txt, die Datei lieferte am 11. Oktober jedoch einen 404-Fehler. Alle Prompts sind auf Englisch verfasst und mit 9.000 bis 11.000 Zeichen extrem umfangreich - hier sind gekürzte Auszüge dargestellt. Das Repository steht unter der Apache-2.0-Lizenz.

4. Anime: Ein Mädchen tritt aus dem Wald ans Meer

Einsatzbereich: Kurze narrative Sequenz im Stil klassischer japanischer 2D-Animation mit einem Schnitt und rein natürlichen Umgebungsgeräuschen.

core_caption: A 10-second continuous animated sequence following a young girl
from a dark, mist-filled forest to a sudden, bright clearing overlooking
a vast ocean...
audio_design: Completely ambient and naturalistic. [...] No dialogue
or background music.

shot_timeline1  time_range_seconds: 0.0 | 8.0   (Wald, Uebergang zum Ozean)
shot_timeline2  time_range_seconds: 8.0 | 10.0  (Nahaufnahme Gesicht, Atem)
audio_event_timeline: Schritte 0-5 s, Wind 3-8 s, Zweige 5-6,5 s,
Wellen 4-10 s, Atem 8-9,5 s, Moewen 8,5-10 s

Deutsche Übersetzung der Szene: Eine 10-sekündige Animation, in der ein Mädchen aus einem düsteren Wald auf eine sonnige Lichtung mit Blick aufs Meer tritt; untermalt von Schritten, Wind und Wellenrauschen statt Hintergrundmusik.

Material: Kein offizieller gerenderter Videoclip verfügbar. Im Repository liegt lediglich das Startbild sample_000.jpeg (Prompt auf GitHub).

Einschätzung: Der Prompt unterteilt sich in Abschnitte für Charaktere und Schauplätze (reference_bank), Kameraeinstellungen und Audio-Events. Dazu kommen Negativanweisungen: keine Flash-to-White-Blenden, keine modernen Requisiten, kein Wechsel in 3D-Optik. So sieht ein Prompt nach der automatischen Prompt-Optimierung (Prompt Enhancement) aus, die in der README empfohlen wird.

5. Knetanimation: Suche nach dem roten Ball

Einsatzbereich: Stop-Motion-Animation mit Musik und Geräuscheffekten (Foley); fünf Schnitte innerhalb von 10 Sekunden.

core_caption: A 10-second stop-motion style 3D clay animation where a small
clay figure searches a cozy room for a lost red ball...
audio_design: Cheerful, warm ukulele and xylophone background music,
layered with animated Foley [...] No dialogue.

Deutsche Übersetzung der Szene: Eine Knetfigur durchsucht ein gemütliches Zimmer nach einem roten Ball, findet zuerst einen blauen Knopf und schließlich den Ball; begleitet von Ukulele- und Xylophonklängen.

Die Balkenlänge visualisiert die Dauer der jeweiligen Einstellung (Gesamtlänge = 10 s), basierend auf den Werten von time_range_seconds in der Datei sample_001.txt.

Material: Kein Video vorhanden, nur das Referenzbild sample_001.jpeg.

Einschätzung: Fünf Schnitte in nur 10 Sekunden sind anspruchsvoll. Der Prompt fordert zudem bewusst leicht ruckartige Stop-Motion-Bewegungen und eine strikte Volumenkonsistenz des Balls in den Händen der Figur. Ob das Modell diese Vorgaben tatsächlich fehlerfrei rendert, bleibt unüberprüft, da ich den Clip nicht selbst erzeugen konnte.

6. Café im Regen: Timeline-Steuerung via JSON und Dialog

Einsatzbereich: Szene mit einer handelnden Person, die eine Handlung ausführt und anschließend einen Satz spricht, kombiniert mit einer langsamen Kamerafahrt. Geeignet für Werbe- oder Filmszenen.

Dies ist das einzige offizielle Beispiel im JSON-Format. Es gliedert sich in zwei Ebenen: global_layer (Stil, Licht, Charakter, 50-mm-Objektiv, Bildformat 16:9) und dynamic_layer mit detaillierten Timeline-Segmenten. Struktur im Auszug:

{
  "global_layer": {
    "context": "A single continuous take inside a small corner cafe on a rainy afternoon.",
    "video_metadata": { "duration": 10.0, "aspect_ratio": "16:9" },
    "camera_cinematography": { "lens_focal_length": "50mm" }
  },
  "dynamic_layer": {
    "timeline_segments": [
      { "segment_basic_info": { "timestamp_range": "00:00.0-00:05.0",
          "camera_delta": { "camera_movement": { "type": "push-in" } } },
        "audio": { "special_audio_events": [
          { "timestamp": "00:02.4",
            "sound_description": "a short soft ceramic tap..." } ] } },
      { "segment_basic_info": { "timestamp_range": "00:05.0-00:10.0" },
        "audio": { "dialogue_lines": [
          { "timestamp": "00:05.6-00:07.4",
            "speaker": "<subject 1>",
            "text": "Careful, it's still very hot." } ] } }
    ]
  }
}

Deutsche Übersetzung der Szene: Eine Barista stellt eine Tasse auf die Untertasse, bei Sekunde 2,4 ist das Klacken von Porzellan zu hören, und zwischen 5,6 und 7,4 Sekunden sagt sie: „Vorsicht, er ist noch sehr heiß.“

Material: Kein offizieller Videoclip verfügbar (Datei auf GitHub).

Einschätzung: Die vollständige JSON-Datei umfasst rund 9.500 Zeichen und beschreibt sogar Details wie einen Ring an der Hand der Figur. Das Dialogfeld enthält den Parameter "language": "English". Da der Entwickler keine weiteren Sprachmodelle nennt, ist unklar, wie stabil andere Sprachen unterstützt werden.

Vorlagen für eigene Tests

7. Kürzester Test-Prompt aus der README

Einsatzbereich: Schneller Funktionstest zur Überprüfung der lokalen Server-Installation.

torchrun --nproc_per_node=8 inference/pipeline/entry.py \
    --prompt "a red fox in snow" --output output/

Deutsche Übersetzung der Textanweisung: Ein roter Fuchs im Schnee.

Material: Keines. Einschätzung: Die README weist darauf hin, dass ultrakurze Prompts das Modell unterfordern („underuses“), da es primär auf lange, stark strukturierte Beschreibungen trainiert wurde. Deshalb enthält die Pipeline einen optionalen Zwischenschritt, bei dem ein LLM den Prompt vorab ausarbeitet.

8. Eigene Vorlage: Produktwerbung mit Timeline

Einsatzbereich: 10-sekündiger Produktspot mit Nahaufnahme, Audioeffekt und Claim. Diese Vorlage basiert auf der Struktur aus Beispiel 6, wurde von mir jedoch nicht live gerendert - sie dient als konzeptioneller Leitfaden.

{
  "global_layer": {
    "context": "A single continuous product shot on a dark kitchen counter at night.",
    "video_metadata": { "duration": 10.0, "aspect_ratio": "16:9" },
    "camera_cinematography": { "overall_camera_style": "slow orbit around the product",
                               "lens_focal_length": "85mm" }
  },
  "dynamic_layer": {
    "timeline_segments": [
      { "segment_basic_info": { "timestamp_range": "00:00.0-00:04.0",
          "segment_description": "A hand presses the button of a steel coffee grinder." },
        "audio": { "special_audio_events": [
          { "timestamp": "00:01.2", "sound_description": "a sharp mechanical click" } ] } },
      { "segment_basic_info": { "timestamp_range": "00:04.0-00:10.0",
          "segment_description": "Ground coffee falls into a glass jar as the camera orbits." },
        "audio": { "dialogue_lines": [
          { "timestamp": "00:07.0-00:09.0", "speaker": "<narrator>",
            "text": "Fresh every morning." } ] } }
    ]
  }
}

Deutsche Übersetzung der Szene: Eine Hand drückt den Einschaltknopf einer Kaffeemühle aus Edelstahl (Klickgeräusch bei Sekunde 1,2), gemahlener Kaffee rieselt während einer kreisenden Kamerabewegung in ein Glas, und der Sprecher sagt: „Jeden Morgen frisch.“

Einschätzung: Die Kernregeln aus den offiziellen Vorlagen lauten:

• Die Segmente müssen die vollen 10 Sekunden lückenlos abdecken, da dies die feste Clipdauer ist;
• Jedes Audio-Ereignis erhält einen festen Zeitstempel samt detaillierter Klangbeschreibung;
• Dialogzeilen gehören in ein separates Feld mit Zeitfenster und Sprecherkennung, nicht in den visuellen Fließtext;
• Stilistik, Beleuchtung und Hauptmotive werden einmal im global_layer definiert; in den Segmenten folgen nur noch relative Änderungen.

Warum keine eigenen Testclips vorliegen

Bei anderen Videomodellen greife ich auf einheitliche Testszenarien der Video-Arena zurück. Bei MAGI-2 ist das derzeit nicht möglich:

• API: Auf Artificial Analysis steht der Preis auf „Coming soon“. Weder fal.ai, Replicate, WaveSpeedAI noch OpenRouter führen das Modell (Stand: 11.10.2026).
• Lokale Hardware: Die Modellgewichte umfassen ca. 307 GB; die README verlangt 8 NVIDIA-Hopper-GPUs. Meine RTX 4090 bietet lediglich 24 GB VRAM.
• Cloud-Instanzen: Nach Schätzungen des Fachblogs mushroom.cv benötigt ein einzelner AWS-Renderlauf 15 bis 30 Minuten und kostet rund 22,36 bis 37,56 EUR (25 bis 42 USD; umgerechnet zum EZB-Referenzkurs vom 12.10.2026, Quelle: EZB). Für diesen Betrag lassen sich bei führenden Modellen Dutzende Clips per API generieren.

Sobald eine nutzbare API oder eine destillierte Modellversion erscheint, werde ich eigene Renderings für die Beispiele 4 bis 8 nachreichen. Wenn Sie nach Open-Source-Modellen suchen, die auf regulärer Consumer-Hardware laufen, werfen Sie einen Blick auf Wan 2.2 und unseren Vergleich offener Videomodelle. Generierte Beispiele alternativer Modelle aus dieser Ranking-Runde finden Sie bei HappyHorse 1.1 und HiDream-O1-Video.

Häufig gestellte Fragen (FAQ)

Stammen die Demovideos auf sand.ai wirklich von MAGI-2?

Die drei Clips im Bereich „Features MAGI-2 Preview“ stammen laut Hersteller direkt vom Modell. Weiter unten auf der Website („Creative Partners“) gezeigte Arbeiten wurden von Videokünstlern erstellt, ohne Angabe des konkreten Modells (Sand.ai bietet parallel auch die Plattform VidMuse an) - diese gelten daher nicht als Referenzmaterial.

Wie formuliert man Prompts für MAGI-2 richtig?

Erforderlich sind lange, modular aufgebaute Beschreibungen: Gesamtszene, Charaktere, Kameraeinstellungen mit Zeitfenstern und exakt getaktete Audio-Ereignisse. Offizielle Templates finden sich im Verzeichnis assets/ des Repositories.

Unterstützt MAGI-2 gesprochene Dialoge?

Ja, das Café-Beispiel demonstriert lippensynchronen Dialog mit festem Start- und Endzeitpunkt. Die Dialogzeilen sind dort auf Englisch hinterlegt; offizielle Angaben zu weiteren Sprachen fehlen bislang.

Wie lang sind die generierten Videos?

Die Ausgabelänge ist fest auf exakt 10 Sekunden eingestellt. Laut README ist dies das einzige derzeit unterstützte Format.

// weiterlesenAI Act: 10 verbotene KI-Praktiken mit BeispielenAnleitungenMagic Patterns Anleitung: vom Prompt zum Prototyp und CodeAnleitungenWas kann Agnes Video 2.5? 8 Beispiele und PromptsKI-Werkzeuge