Kandinsky 6 und Wan 2.2: KI-Influencerinnen als Video

👁 119 Aufrufe

Ich habe fünf KI-Influencerinnen als Bilder erstellt (beschrieben im Test KI-Influencerinnen ohne Plastik-Look) und sie nun animiert. Jede bekam eine fünf Sekunden lange, vertikale Story, in der sie einen Satz auf Polnisch in ein Smartphone spricht. Ich habe die Clips lokal auf einer RTX 4090 mit drei Modellen erzeugt: Kandinsky 6.0 Lite und Pro (Bild mit Stimme) sowie Wan 2.2 5B (nur Bild). Bewegung und Gesichter wirken wie in echten Smartphone-Stories. Polnische Sprache bleibt die Schwachstelle: Beim besten Modell erkannte Whisper im Schnitt 65 % der Wörter.

So habe ich getestet

1. Ich verwendete für jede Figur ein Selfie aus FLUX.2 Klein 4B, weil das Modell im Bildtest am natürlichsten wirkte und eine Apache-2.0-Lizenz hat.
2. Für jede Figur schrieb ich einen Satz mit 7-10 Wörtern sowie eine kurze Beschreibung der Handlung und der Hintergrundgeräusche.
3. Kandinsky erhielt das Bild als erstes Einzelbild, eine Szenenbeschreibung mit dem gesprochenen Satz in den Markierungen <S>...<E> und eine separate Beschreibung des Tons. Wan erhielt dieselbe Beschreibung, jedoch ohne Ton.
4. Format: 480×864 (Kandinsky) und 544×960 (Wan), 121 Bilder, also 5 Sekunden.
5. Ich ließ die Sprache aus jedem Clip von Whisper large-v3 analysieren und zählte, wie viele Wörter des gesprochenen Satzes zu hören waren.

Der Video-Prompt sah so aus (Beispiel für die Reiseführerin aus Zakopane). Der angezeigte Satz ist eine Übersetzung des polnischen Test-Prompts; getestet wurde auf Polnisch:

A vertical smartphone selfie video of the woman from the reference image, same face and clothes, same place. She is strands of hair blowing across her face, grinning into the phone, looks into the phone camera and says in Polish: <S>Es stürmt wie verrückt, aber der Morskie-See wartet. Los geht's!<E> Natural handheld phone movement, realistic, no filters.

Ton: starker Bergwind, ihre energiegeladene Stimme

Die Clips: 5 Figuren, 3 Modelle

Bei jeder Figur sehen Sie drei Clips in dieser Reihenfolge: Kandinsky Pro, Kandinsky Lite, Wan 2.2. Die Kandinsky-Clips haben Modellton, Wan ist stumm. Alle gesprochenen Sätze und Whisper-Wiedergaben unten sind Übersetzungen des polnischen Testmaterials. Die Tests selbst wurden auf Polnisch durchgeführt; die deutschen Fassungen wurden nicht erneut getestet.

Kasia, Läuferin aus Gdańsk: „Zehn Kilometer vor dem Frühstück. Wer läuft morgen mit mir?“

Amara, Food-Bloggerin aus Wrocław: „Heute gibt es Pierogi mit Jollof-Reis. Klingt seltsam, schmeckt aber fantastisch!“

Halina, Hobbygärtnerin aus Łódź: „Die Möhren sind dieses Jahr prächtig gewachsen. Besuchen Sie meinen Garten!“

Mei, Technik-Reviewerin aus Kraków: „Ich teste neue Kopfhörer. Das Review kommt morgen auf dem Kanal.“

Zofia, Reiseführerin aus Zakopane: „Es stürmt wie verrückt, aber der Morskie-See wartet. Los geht’s!“

Polnische Sprache im Test: Was ist zu verstehen?

Pro gibt polnische Sätze im Schnitt besser wieder als Lite, aber nicht in jedem Clip: Bei der Reiseführerin aus Zakopane erreichte Lite 88 %, Pro dagegen 38 %. Keines der Modelle ist fehlerfrei. Besonders häufig misslingen polnische Zischlaute und ungewöhnliche Namen wie „Jollof rice“. Kurze, einfache Sätze funktionieren am besten: Lite sprach den Satz „Es stürmt wie verrückt, aber der Morskie-See wartet. Los geht’s!“ fast fehlerfrei. Für Instagram-Stories, die ohnehin oft mit Untertiteln versehen werden, reicht Pro aus. Bei längeren Aussagen ist es besser, eine KI-Stimme separat aufzunehmen und unter das Video zu legen.

Modelle im Vergleich

* Ein Pro-Clip benötigte 40 Minuten, weil die Grafikkarte währenddessen von einem anderen Programm belegt war. Alle Zeiten wurden bei teilweise ausgelasteter Grafikkarte gemessen. Bei freier Grafikkarte dauerten frühere Kandinsky-Lite-Clips etwa 2 min, Pro-Clips etwa 6,5 min (Test Kandinsky 6.0 lokal).

Was gut und was weniger gut funktionierte

• Das Gesicht bleibt dem Bild treu. Alle drei Modelle bewahrten Sommersprossen, Brille, Frisur und Kleidung aus dem ersten Bild. Nur die Läuferin wirkte bei Wan gegen Ende des Clips etwas jünger.
• Bewegung wie mit dem Smartphone. Leichtes Wackeln der Kamera, eine Hand, die die Haare richtet, zusammengekniffene Augen in der Sonne. Niemand posiert wie in einer Werbung.
• Seltsame Gesten. Im Wan-Clip hebt die Food-Bloggerin einen Löffel mit einem Pierogi fast bis zur Nase. Die Technik-Reviewerin bewegt sich vor dem Spiegel kaum.
• Polnische Wörter. Im Lite-Clip wurde „Pierogi“ durch ein Wort ersetzt, das ich nicht zitieren möchte. Hören Sie sich einen Clip vollständig an, bevor Sie ihn veröffentlichen.

So können Sie den Test nachstellen

1. Erstellen Sie ein Bild der Figur nach den Regeln aus dem Test KI-Influencerinnen ohne Plastik-Look.
2. Installieren Sie Kandinsky 6 in ComfyUI (Anleitung im Test Kandinsky 6.0 lokal) und öffnen Sie die Vorlage „Image to Video+Audio“.
3. Laden Sie das Bild mit „Load Image“, setzen Sie die Breite auf 480 und die Höhe auf 864, stellen Sie bei „Beautify Prompt“ enabled auf false und geben Sie die Szenenbeschreibung mit dem gesprochenen Satz in <S>...<E> ein.
4. Formulieren Sie kurze Sätze mit 6-10 Wörtern und vermeiden Sie fremdsprachige Namen. Erstellen Sie 2-3 Versionen und wählen Sie diejenige, in der alle Wörter zu verstehen sind.
5. Verwenden Sie Wan 2.2 5B (Vorlage „Wan 2.2 5B ti2v“), wenn der Clip ohne Sprache auskommen soll, etwa mit Musik im Hintergrund.

Kennzeichnen Sie den Inhalt als KI-generiert. Die Regeln dazu habe ich im Abschnitt über Kennzeichnungen des Bildtests beschrieben.

Häufige Fragen

Lässt sich eine sprechende KI-Influencerin kostenlos erstellen?

Ja, lokal. Kandinsky 6.0 (MIT) und Wan 2.2 (Apache 2.0) sind kostenlos und erlauben die kommerzielle Nutzung. Sie benötigen eine NVIDIA-Grafikkarte mit 24 GB VRAM. Kandinsky Pro braucht außerdem 64 GB RAM.

Welches Modell spricht am besten Polnisch?

Kandinsky 6.0 Pro: In meinen fünf Clips waren im Schnitt 65 % der Wörter zu verstehen. Bei Lite waren es 57 %. Wan 2.2 erzeugt keinen Ton.

Wie lang können die Clips sein?

Die Modelle sind auf fünf Sekunden trainiert. Längere Stories lassen sich aus mehreren Clips zusammensetzen, indem das letzte Bild des vorherigen Clips als Ausgangspunkt für den nächsten dient.

Wie lange dauert die Erstellung?

Auf einer RTX 4090 dauert ein fünfsekündiger Clip etwa 1,5 min (Lite, Wan) bis etwa 7 min (Pro).

Quellen

• Kandinsky 6.0 auf Hugging Face (MIT-Lizenz)
• Wan 2.2 TI2V 5B auf Hugging Face (Apache-2.0-Lizenz)
• Eigener Test auf einer RTX 4090, 17. Oktober 2026: 15 Clips, Whisper large-v3.

// weiterlesenGünstigster KI-Videogenerator der Top 10: Lohnt Agnes Video 2.5?BenchmarksFLUX 3 Video API: Anleitung und fertiges Python-SkriptAnleitungenAmazon will Prime Video mit KI personalisieren - und ich merke, dass mich nicht der Algorithmus stoert, sondern das Ende des ZufallsTechnik