KI-Video

Was die Leistung KI-Video umfasst

Wir nehmen die Aufgabe des Kunden und bringen sie von der Idee bis zum fertigen Clip: Wir formulieren und justieren den Prompt, lassen die Videogenerierung durch ein neuronales Netz laufen und schneiden anschließend und führen die Nachbearbeitung des Ergebnisses durch. Am Eingang nehmen wir eine Beschreibung, Referenzen, Markenmaterialien und den Text des Drehbuchs entgegen; am Ausgang geben wir einen geschnittenen Clip in der gewünschten Länge und im gewünschten Format heraus. Wir arbeiten in Iterationen: Der erste Durchlauf liefert Rohaufnahmen, danach verfeinern wir Bildausschnitt, Bewegung, Licht und die Übergänge der Szenen, bis das Bild mit der Aufgabe zusammenpasst. Gesondert stellen wir die Wiederholbarkeit des Stils ein, damit eine Serie von Clips wie ein einziges Material aussieht und nicht wie eine Sammlung verschiedener Generierungen. Eine physische Filmproduktion betreiben wir nicht: Die gesamte Arbeit läuft in einer Softwareumgebung auf der Seite unseres Teams.

Wie die Technologie im Kern aufgebaut ist

Ein neuronales Netz zur Videogenerierung ist auf großen Mengen von Paaren "Text-Bild" und "Bild-Bild" trainiert und sagt voraus, wie eine Bildfolge nach einer vorgegebenen Beschreibung aussehen soll. Moderne Modelle bauen auf Diffusion auf: zuerst aus zufälligem Rauschen, dann wird dieses Rauschen Schritt für Schritt entfernt, bis ein sinnvolles Bild erscheint, das mit den zeitlich benachbarten abgestimmt ist. Der Prompt gibt Inhalt und Stil vor, und die Steuerparameter halten ein einheitliches Objekt und die Bewegung zwischen den Bildern, damit es kein Zittern und keinen Austausch von Details gibt. Die Rohausgabe des Modells erfordert fast immer eine Nacharbeit: das Zusammenfügen von Szenen, Farbkorrektur, Stabilisierung, den Austausch schwacher Fragmente und die Anpassung an den Ton. Deshalb setzt sich das reale Ergebnis aus zwei etwa gleich großen Teilen zusammen: der eigentlichen Generierung und der technischen Nachbearbeitung darüber.

Die Entstehungsgeschichte des generativen Videos

Der Ausgangspunkt der Richtung ist das Jahr 2014, als Ian Goodfellow mit Koautoren die Arbeit "Generative Adversarial Nets" veröffentlichte und die gegnerischen Netze GAN vorschlug, in denen Generator und Diskriminator gegeneinander lernen. Das zweite Fundament legten sie 2015: Sohl-Dickstein und Koautoren beschrieben im Artikel "Deep Unsupervised Learning using Nonequilibrium Thermodynamics" den Diffusionsansatz, Daten in Rauschen zu verwandeln, um dann aus dem Rauschen die Daten wiederherzustellen. Der Boom begann 2022: Am 22. August brachte Stability AI gemeinsam mit der Gruppe CompVis Stable Diffusion für Bilder heraus, und im November 2022 zeigte Google Imagen Video bereits für Video. Danach beschleunigte sich das Tempo: Im Juni 2023 öffnete Runway Gen-2 mit der Videogenerierung aus Text, und am 15. Februar 2024 stellte OpenAI Sora vor, dessen öffentliche Veröffentlichung (Sora Turbo) am 9. Dezember 2024 erfolgte. In zehn Jahren legte die Richtung den Weg von Forschungs-GAN bis zu kommerziellen, für Unternehmen verfügbaren Modellen zurück.

Warum Präzision und Einstellung wichtig sind

Die Qualität eines Clips bestimmt nicht die Tatsache der Generierung, sondern wie genau Prompt, Modellparameter und Nachbearbeitungslogik vorgegeben sind. Eine ungenaue Formulierung ergibt ein auseinanderlaufendes Objekt, Flimmern und Bilder, die sich nicht zu einem zusammenhängenden Video zusammenfügen lassen, und dann muss die Generierung von Grund auf neu gemacht werden. Die Einstellung der Steuerparameter, des Grads der Textübereinstimmung, der Länge und Bildfrequenz, der Referenzbilder, beeinflusst direkt die Stabilität und Vorhersehbarkeit des Ergebnisses. Die Nachbearbeitung schließt das, was das Modell selbst nicht hinbekommt: Farbe, Schärfe, Artefakte, den Rhythmus des Schnitts und die Synchronisation mit dem Ton. Ohne diesen Software- und Technikteil bleibt eine Sammlung von Rohfragmenten in der Hand und kein Material, das zur Veröffentlichung taugt.

Mit welchen Werkzeugen wir arbeiten

Der Stack gliedert sich in drei Schichten: neuronale Netze zur Videogenerierung, Schnittwerkzeuge und Werkzeuge zur Nachbearbeitung. Auf der Ebene der Generierung setzen wir Diffusions-Videomodelle der Familien Runway, Stable Video Diffusion und kompatible ein und wählen das Modell passend zur Aufgabe, Dynamik, Stil, Szenenlänge. Schnitt, Übergänge, Timing und die Arbeit mit dem Ton führen wir in Videoeditoren durch, und Stapeloperationen sowie die Automatisierung der Bearbeitung bauen wir auf FFmpeg, das Formate umwandelt, Spuren schneidet und zusammensetzt. Farbe, das Bereinigen von Artefakten, Upscaling und Stabilisierung erledigen wir als gesonderte Knoten über der Modellausgabe. Den konkreten Satz wählen wir passend zu Budget, Format und Plattform und drängen kein einziges universelles Werkzeug auf.

Wann die wichtigsten Werkzeuge entstanden sind

Das grundlegende Arbeitswerkzeug der Videobearbeitung, FFmpeg, wurde am 20. Dezember 2000 vom französischen Programmierer Fabrice Bellard veröffentlicht, und seitdem wurde es zum Standard für das Umkodieren und Zusammensetzen von Video. Die moderne Generierungsschicht stützt sich auf die Diffusion, die 2015 in der Arbeit von Sohl-Dickstein formalisiert wurde, und auf deren angewandte Umsetzung Stable Diffusion vom 22. August 2022. Videomodelle erschienen kurz darauf in der Breite: Imagen Video im November 2022, Runway Gen-2 im Juni 2023, OpenAI Sora im Februar 2024. Das heißt, ein reifes Bearbeitungswerkzeug existiert schon mehr als zwanzig Jahre, und die generative Schicht darüber formte sich buchstäblich in den letzten Jahren. Wir verbinden beide Schichten: die zeiterprobte Bearbeitung und die frischen Generierungsmodelle.

Warum Sie das uns anvertrauen können

ASI Robotics ist ein Entwicklungsteam mit einer gesammelten Erfahrung in der IT von über 45 Jahren, und an Video gehen wir wie an eine technische Aufgabe heran und nicht wie an einen einmaligen kreativen Akt. Wir schreiben Prompts und richten die Pipeline auf ein konkretes Ergebnis ein, halten die Parameter fest und prüfen die Ausgaben vor dem produktiven Start, statt den erstbesten Durchlauf herauszugeben. Dasselbe technische Prinzip liegt allem zugrunde, was wir tun: Für Aufgaben des Schneidens, Schweißens, 3D-Drucks oder der Lagerlogistik bereiten wir das Programm und die Einstellung vor, während die Anlage des Kunden schneidet, schweißt, druckt und transportiert. Diese Trennung ist ehrlich: Den Produktionsteil erledigt die Technik des Auftraggebers, und an uns liegen Software, Logik und das Feintuning bis zu einer stabilen Qualität. Deshalb ist das Risiko auf die Phase der Entwicklung und Prüfung beschränkt, und in den Produktivbetrieb geht eine bereits abgestimmte Lösung.