Zum Inhalt springen
im Trend

Anleitungen

KI-Influencer-Video lokal: 15 Clips mit Kandinsky 6 und Wan 2.2

Ich habe 5 fiktive Figuren auf 3 lokalen Videomodellen zum Leben erweckt: 15 vertikale Clips mit Kandinsky 6.0 Lite, Pro und Wan 2.2 5B auf der RTX 4090 im direkten Vergleich.

Text: 6 Min. Lesezeit

👁 111 Aufrufe

Ein KI-Influencer-Video lokal auf der eigenen Grafikkarte zu erzeugen, liefert inzwischen erstaunlich glaubwürdige Smartphone-Bewegungen und konsistente Gesichter. In meiner Übersicht für lokale KI-Modelle für Text, Bilder und Video analysiere ich regelmäßig quelloffene Pipelines, und nun habe ich fünf zuvor erstellte Figuren in 15 Clips auf der RTX 4090 animiert. Das direkte Zusammenspiel von Bild und Ton gelingt dabei mit Kandinsky 6.0, während Wan 2.2 rein visuell punktet.

Stand: 17. Oktober 2026

  • Eingabe: Porträt-Selfies aus FLUX.2 Klein 4B, Ausgabe: 5 Sekunden, Hochformat 9:16, 24 fps.
  • Kandinsky 6.0 Lite: ca. 1,5 bis 2,5 Minuten pro Clip inklusive Audiospur.
  • Kandinsky 6.0 Pro (int8): ca. 6 bis 7 Minuten pro Clip, benötigt 24 GB VRAM und 64 GB RAM.
  • Wan 2.2 5B: ca. 1,5 Minuten pro Clip ohne Audio, bietet jedoch die präziseste Mimik und Handbewegung.
  • Alle drei getesteten Modelle besitzen freie Lizenzen für die kommerzielle Nutzung (MIT und Apache 2.0).

Workflow und Messaufbau für das KI-Influencerin-Video

Für diesen Praxistest habe ich die fünf fiktiven Figuren herangezogen, deren Ausgangsbilder ich bereits im Artikel über die KI-Influencerin lokal ohne KI-Look erzeugt hatte. Als Basis diente jeweils ein Selfie aus FLUX.2 Klein 4B unter Apache 2.0. Das Ziel war ein vertikales Fünf-Sekunden-Video im typischen Smartphone-Format mit 24 Bildern pro Sekunde, bei dem die jeweilige Person einen kurzen Satz in die Handykamera spricht.

Der Ablauf gestaltete sich wie folgt:

  1. Ausgangsbild der Figur als erster Frame (Init-Image).
  2. Formulierung eines kurzen Satzes (7 bis 10 Wörter) samt passender Umgebungsgeräusche für die Tonspur.
  3. Kandinsky erhielt das Porträtfoto als Startbild, den Szenen-Prompt mit der gesprochenen Textzeile in speziellen Tags <S>...<E> sowie einen separaten Prompt für Audio. Wan 2.2 erhielt den identischen Bild-Prompt ohne Tonangaben.
  4. Auflösung: 480×864 Pixel bei Kandinsky und 544×960 Pixel bei Wan 2.2 über 121 Frames (exakt 5 Sekunden).
  5. Sprachprüfung: Das Audiosignal jedes Kandinsky-Clips habe ich durch Whisper large-v3 analysiert, um die Quote der exakt verständlichen Wörter objektiv zu erfassen.

Ein typischer Prompt für die Videoszenen sah folgendermaßen aus:

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>Wieje jak diabli, ale Morskie Oko czeka. Idziemy!<E> Natural handheld phone movement, realistic, no filters.

Sound: strong mountain wind, her energetic voice
Kandinsky 6.0 Pro Clip der Läuferin; im polnischsprachigen Sprachtest waren 6 von 9 Wörtern verständlich.

Sprachtest: Wie verständlich sind die generierten Zeilen?

Kandinsky generiert das Audio direkt synchron zum Bildmaterial. Bei den gesprochenen Passagen handelte es sich um einen Test mit polnischen Textzeilen. Ich habe jede erzeugte Tonspur mit Whisper large-v3 transkribiert und den Anteil der korrekt verstandenen Wörter ermittelt. Dabei zeigt sich, dass Kandinsky 6.0 Pro im Durchschnitt besser abschneidet als die Lite-Variante, es jedoch von Clip zu Clip deutliche Ausreißer gibt.

Szeneninhalt (Kurzsatz) Kandinsky 6.0 Pro Kandinsky 6.0 Lite
Läuferin: Distanz & Frage 67% 56%
Food-Bloggerin: Rezeptname 70% 30%
Kleingärtnerin: Ernte & Einladung 62% 38%
Technik-Testerin: Ankündigung 86% 71%
Bergführerin: Wind & Aufbruch 38% 88%

Im Mittel erreichte Kandinsky 6.0 Pro eine Erkennungsrate von 65 Prozent der Wörter, während Kandinsky 6.0 Lite auf 57 Prozent kam (Spanne von 30 bis 88 Prozent). Kurze, unkomplizierte Sätze ohne seltene Fachbegriffe gelingen am besten. Ausgefallene Eigennamen oder spezifische Konsonantenverbindungen führen häufig zu Lautverzerrungen. Wer lokale Sprachmodelle mit weiteren Workflows kombinieren will, findet ähnliche Anforderungen an Audio-Pipelines auch im Test zu ACE-Step 1.5.

Anzeigebei Kinetyra
Synthesia Starter - 12 Monate
86,49 € statt 236,48 € -63%
Zum Angebot →

Die drei Modelle im Leistungsvergleich

Auf meinem System mit RTX 4090 (24 GB VRAM), Core i9-14900KF und 64 GB Arbeitsspeicher unter Windows 11 habe ich die Generierungszeiten für alle 15 Clips gemessen. Ähnlich wie bei anderen Tests rund um LTX-Video lokal entscheidet die Modellarchitektur massiv über Rechenzeit und Speicherbedarf.

Modell Dauer pro Clip Stärken Schwächen
Kandinsky 6.0 Pro (int8) 6:06 - 7:02 Min.* Beste Sprachverständlichkeit, passende Kulissengeräusche Langsamste Generation, verlangt 64 GB RAM
Kandinsky 6.0 Lite 1:24 - 2:32 Min. Sehr schnell, natürliche Handykamerabewegung, Audio inklusive Sprachausgabe unsauber (Mittel: 57%)
Wan 2.2 5B 1:23 - 2:03 Min. Flüssige Hände und Mimik, hohe Treue zum Startbild Keine Audiospur, minimale Gesichtsdrift möglich

* Ein einzelner Pro-Clip benötigte 40 Minuten, da parallel ein anderer Prozess die Grafikkarte beanspruchte. Die regulären Messungen erfolgten bei teilweiser Belegung. Bei vollständig freier Karte dauerte Kandinsky Lite rund 2 Minuten und Pro rund 6,5 Minuten.

Kandinsky 6.0 Lite Clip derselben Läuferin; im polnischsprachigen Sprachtest waren 5 von 9 Wörtern verständlich.

Praxis-Erkenntnisse: Was funktioniert und was scheitert

  • Hohe Gesichts- und Kleidungstreue: Alle drei Modelle behielten die Merkmale der FLUX-Porträts wie Sommersprossen, Brillen, Frisuren und Textilien zuverlässig bei. Lediglich bei Wan 2.2 wirkte die Läuferin gegen Ende des 5-Sekunden-Clips etwas verjüngt.
  • Glaubwürdige Smartphone-Dynamik: Das leichte Schwanken einer handgehaltenen Kamera, das Zurechtrücken von Haarsträhnen oder das Blinzeln im Gegenlicht wirken verblüffend lebensecht, ohne künstliche Werbeästhetik.
  • Unerwartete Gestenfehler: In einem Clip von Wan hob die Food-Bloggerin ihren Löffel fast bis an die Nasenspitze. Die Technik-Testerin vor dem Spiegel bewegte sich wiederum fast überhaupt nicht.
  • Akustische Artefakte: In der Lite-Variante von Kandinsky wurde ein Wort der Food-Bloggerin zu einem unpassenden Lautfragment verzerrt. Jeder generierte Clip muss vor einer Veröffentlichung zwingend abgehört werden.
Wan 2.2 5B Clip derselben Läuferin, erzeugt ohne Audiospur.

So setzen Sie das KI Video lokal auf dem eigenen PC um

Wer eigene Clips lokal nachbauen möchte, nutzt am besten ComfyUI. Zur Verwaltung lokaler Laufzeitumgebungen eignen sich Werkzeuge wie Pinokio oder manuelle Installationen. Beachten Sie bei quantisierten Gewichten auch die Hinweise zur GGUF-Quantisierung.

  1. Erstellen Sie ein Ausgangsbild im Porträtstil ohne störende Filter.
  2. Installieren Sie Kandinsky 6 in ComfyUI und laden Sie die Vorlage „Image to Video+Audio“.
  3. Binden Sie das Foto über „Load Image“ ein und konfigurieren Sie 480 Pixel Breite sowie 864 Pixel Höhe. Schalten Sie bei „Beautify Prompt“ die Option enabled auf false.
  4. Geben Sie den Szenen-Prompt ein und platzieren Sie die gesprochene Zeile innerhalb der Tags <S>...<E>.
  5. Halten Sie Sätze bei 6 bis 10 Wörtern ohne seltene Fremdwörter. Generieren Sie 2 bis 3 Durchläufe, um die beste Aussprache auszuwählen.
  6. Verwenden Sie für stumme Sequenzen (etwa zur späteren Unterlegung mit Musik) die Vorlage „Wan 2.2 5B ti2v“.

Denken Sie daran, erzeugte Inhalte transparent als KI-generiert zu deklarieren, bevor Sie diese auf Plattformen teilen.

Häufig gestellte Fragen

Kann man KI-Influencer-Videos lokal kostenlos erstellen?

Ja, das ist vollständig lokal möglich. Sowohl Kandinsky 6.0 (MIT-Lizenz) als auch Wan 2.2 5B (Apache 2.0) sind kostenlos und gestatten die kommerzielle Nutzung. Sie benötigen eine Grafikkarte mit 24 GB VRAM wie die RTX 4090 sowie für Kandinsky Pro mindestens 64 GB Systemspeicher.

Welches Modell bietet die beste Sprachausgabe im Video?

Kandinsky 6.0 Pro lieferte in meinem Test die verständlichsten Ergebnisse mit durchschnittlich 65 Prozent erkannten Wörtern gegenüber 57 Prozent bei der Lite-Variante. Wan 2.2 generiert hingegen keinerlei Audiospuren und liefert reine Videodateien.

Wie lang können die lokal erzeugten Videoclips sein?

Beide Modellreihen sind auf Clips von exakt 5 Sekunden Dauer bei 24 Bildern pro Sekunde trainiert. Für längere Sequenzen erzeugt man mehrere Segmente und nutzt den letzten Frame des vorigen Clips als Startbild für den nächsten.

Wie lange dauert das Rendern auf einer RTX 4090?

Ein 5-Sekunden-Clip mit Wan 2.2 5B oder Kandinsky 6.0 Lite benötigt etwa 1,5 bis 2,5 Minuten Rechenzeit. Für die int8-Version von Kandinsky 6.0 Pro fallen auf der RTX 4090 zwischen 6 und 7 Minuten pro Clip an.

Warum sollte man Audio und Video getrennt generieren?

Integrierte Audio-Pipelines wie bei Kandinsky neigen gelegentlich zu Lautfehlern und Wortverdrehungen. Für anspruchsvolle Projekte empfiehlt es sich, die Tonspur über ein spezialisiertes Sprachmodell zu erzeugen und nachträglich über den stummen Clip aus Wan 2.2 zu legen.

Google · Deine QuellenWissnox höher in Ihrem Google - mit einem KlickZu bevorzugten Quellen hinzufügen →

Quellen

Geprüft am 17. Oktober 2026.

// read next

More on this from WISSNOX

Piotr Olszewski

Piotr Olszewski

AUTHOR
weiterlesenPing-Anruf bei der Bundesnetzagentur einordnenanleitungenPing-Anruf bei der Bundesnetzagentur einordnenWenn das Telefon nur für den Bruchteil einer Sekunde klingelt, liegt häufig ein sogenannter Ping-Anruf vor.

Meistgelesen

  1. 1100.000 Qubits statt einer Million: Wie nah ist der Quanten-Codeknacker wirklich?
  2. 2Die partielle Mondfinsternis im August 2026: Warum 96 % kein „Blutmond“ sind - und gerade deshalb faszinieren
  3. 3Seedance 2.5 im Test: 8 Video-Beispiele mit Prompts
// Sitemap
wissnox in Zahlen 0Texte im Archiv0News der letzten 7 Tage0Videomodelle im Observatorium
🎬 KI-Video Empfehlung: Higgsfield AI DoP Kamera-Presets & Rechner • Higgsfield AI 50% Gutschein • Higgsfield vs Kling AI
× ‹ Vergrößerung ›