Wie AI aus einem Foto ein Video macht
Image-to-Video AI nimmt ein einzelnes Standbild und erzeugt daraus einen kurzen Clip. Komposition, Motiv, Licht und Stil sind durch das Foto bereits festgelegt — der Prompt muss die Szene also nicht neu beschreiben.
Genau deshalb schreibst du anders als bei Text-to-Video. Der Prompt sollte vor allem sagen, was sich bewegt. Der häufigste Anfängerfehler: eine schwammige Stimmung vorzugeben, etwa dass die Person „lebendig wirken“ soll, statt eine konkrete Handlung zu nennen. Das führt oft zu steifen oder unheimlichen Bewegungen.
- Nenne eine klare Handlung oder eine kurze Abfolge von Bewegungen.
- Füge genau eine Kamerabewegung hinzu; ein langsamer Push-in ist meist die sicherste Wahl.
- Beschreibe konkrete Bewegung statt nur eine Stimmung.
- Erkläre nicht ausführlich, was das Foto ohnehin schon zeigt.
Das Ausgangsfoto, das wir in allen Tests animiert haben.
Der Test: ein Foto, eine Handlung, vier Engines
Wir haben ein Porträt und dieselbe Handlung mit vier in Vynzo verfügbaren Engines getestet: Kling 2.6, Seedance 2.0, Google Veo 3.1 und WAN 2.7. Die Bewegung: lächeln, blinzeln, der Kamera einen Kuss zuwerfen, warm lachen und Haare in einer leichten Brise.
Getestet wurde in drei Runden: zuerst mit einem einfachen Nutzer-Prompt, dann mit einem je Engine optimierten Prompt und zuletzt mit gezielten Korrekturen. Weil alles im selben Studio lief, konnten wir dasselbe Foto direkt nebeneinander vergleichen.
Die exakten Prompts stehen jeweils unter den Clips, zusammen mit unseren Notizen. So kannst du sie übernehmen, statt aus der Zusammenfassung zu raten.
Runde 1 — der einfache Prompt, den die meisten eingeben
In dieser Runde ging es darum, was passiert, wenn man nur eine schlichte Zeile schreibt, die Standardeinstellungen beibehält und vier Engines bittet, ein Foto ohne weitere Vorgaben zu animieren.
Kling gewann die naive Runde. Seedance lief in Zeitlupe, Veo hatte die besten Haare, aber ein gruseliges Ein-Augen-Blinzeln, und WAN wirkte plastikhaft und halluzinierte Rosenblätter.
Der exakte Prompt – auf allen vier Engines identisch
she smiles, winks and blows a kiss to the camera, her hair blowing in the wind
Sieger der Runde mit einfachem Prompt. Die Identität blieb erhalten und fast alles wurde umgesetzt — nur das Blinzeln fehlte.
Solide: Identität sauber gehalten und jede Bewegung ausgeführt — allerdings wurde der ganze Clip in Zeitlupe gerendert.
Die natürlichsten Haare im Vergleich und gute Identität — aber ein unheimliches Ein-Augen-Blinzeln, dazu zu viel Kopfschütteln beim Kuss.
Erkennbar blieb sie, aber die Haut wurde plastikhaft, das Blinzeln eher zu einer Grimasse, die Brise wirkte wie Sturm — und aus der Hand flogen plötzlich halluzinierte Rosenblätter.
Runde 1 — derselbe einfache Prompt in allen vier Engines.
Runde 2 — ein Prompt, passend zur jeweiligen Engine
In Runde 2 haben wir den Prompt für jede Engine neu geschrieben. Die wichtigste Erkenntnis war ziemlich kontraintuitiv: Mehr Details bedeuten nicht automatisch ein besseres Ergebnis.
Kling wurde mit einem stark ausformulierten Prompt schlechter und küsste die eigene Handfläche statt in Richtung Kamera. Seedance reagierte genau umgekehrt: getaktete Bewegungen lieferten das beste Ergebnis des gesamten Tests.
Veo blieb stark, während WAN sich verbesserte, aus der Nähe aber weiterhin wächsern wirkte. Das Fazit: Die beste Engine hängt davon ab, wie du promptest. Kling mag kurze, natürliche Formulierungen; Seedance profitiert von präzise getakteten Beats.
Deutlicher Rückschritt. Die Mimik wechselte abrupt, das Zwinkern funktionierte nicht — und statt der Kamera einen Kuss zuzuwerfen, küsste sie ihre eigene Handfläche und starrte sie an.
Unser Prompt
She forms a soft smile, then gives one clear, natural blink followed by a playful wink; she raises one hand to her lips and blows a kiss, opening her palm toward the camera — fingers natural and intact, nothing leaves her hand; she finishes with a warm little laugh and a slight head tilt. Her hair drifts in a gentle breeze. Camera holds with a slow, subtle push-in. Keep her face and identity exactly as in the photo; natural real-time motion, no warping.
Das beste Ergebnis des gesamten Tests. Die getakteten Beats beseitigten die Zeitlupe; die Mimik wirkte natürlich, die Identität blieb intakt. Einziger Makel: Das Zwinkern war fast zu schnell, um es zu sehen.
Unser Prompt
Real-time natural pacing — NOT slow motion. [0-2s] she forms a soft smile. [2-4s] one clear, natural blink, then a playful wink. [4-7s] she raises a hand to her lips and blows a kiss, opening her palm toward the camera; fingers natural and intact, nothing leaves her hand. [7-10s] a warm laugh and a slight head tilt. A gentle breeze moves her hair throughout. Camera: slow, smooth push-in. Keep her identity and lighting consistent; stable, physically natural motion; no slow motion, no warping.
Fast gelungen. Identität, Natürlichkeit und Prompt-Treue stimmten — aber das Zwinkern wirkte weiterhin seltsam, und das Gesicht zog sich wieder kurz zusammen. Mit ein paar Re-Rolls wäre es vermutlich gelandet.
Unser Prompt
Medium close-up, image-to-video from the still. She forms a soft, genuine smile, then gives one calm, natural blink with both eyes closing and opening together — not a squint, no facial scrunching — followed by a single playful wink. She raises one hand to her lips and gently blows a kiss, opening her palm toward the camera; fingers relaxed and intact, nothing leaves her hand. She keeps her head steady — only her hand, lips and eyes move, no head shaking. Hair drifts softly in a light breeze. Camera: static with a very slow push-in. Warm natural daylight, photorealistic skin. Audio: soft ambient breeze, no dialogue, no music. Keep her face and identity as in the photo.
Besser als Runde 1, aber immer noch wächsern. Das Zwinkern wurde zur verkrampften Grimasse, und durch den nahen Push-in sah die Haut plötzlich wie gealterte Falten aus.
Unser Prompt
Use the photo as the first frame and identity anchor; keep her face and skin exactly as in the photo, photorealistic skin texture (not plastic or waxy). She forms a soft smile, gives one clean, natural eye blink — eyelids gently close and open, do NOT scrunch or wrinkle the face — then a playful wink; she raises a hand to her lips and blows a kiss, opening her palm toward the camera (fingers intact, nothing leaves it); ends with a small warm laugh. Only a light, gentle breeze moves her hair. Camera: slow, subtle push-in. Real-time natural motion. Negative: plastic skin, waxy texture, face wrinkling, grimace, strong wind, rose petals, falling petals, extra fingers, morphing.
Runde 2 — pro Engine ein anders optimierter Prompt.
Runde 3 — gezielte Korrekturen
Nur zwei Engines brauchten danach noch Nacharbeit, also haben wir jeweils genau eine Sache geändert. Bei Kling versuchten wir ein kürzeres, saubereres Skript ohne Zwinkern — trotzdem war das Ergebnis deutlich schlechter als der einfache Einzeiler aus Runde 1.
Das ehrliche Fazit: Bei Kling sollte man den Prompt nicht künstlich „optimieren“; ein natürlicher Satz gewinnt. Bei WAN sorgten eine mittlere Einstellungsgröße und ein Negative Prompt endlich für ein brauchbares Ergebnis: deutlich weniger Plastik, recht natürliche Bewegung, aus der Nähe aber weiterhin leicht synthetisch. Ändere immer nur eine Variable — und denk daran: Manchmal ist weniger Prompt die eigentliche Lösung.
Die Überraschung des Tests: Selbst dieses klarere, kürzere Skript war viel schlechter als der einfache Einzeiler aus Runde 1. Bei Kling gewinnt die simpelste natürliche Formulierung.
Unser Prompt
She smiles warmly, gives one clear natural blink, then raises a hand to her lips and blows a kiss toward the camera while looking straight at the lens; she finishes with a soft laugh. Her hair drifts in a gentle breeze. Slow, subtle push-in. Keep her face and identity as in the photo; natural motion.
Endlich zufriedenstellend. Mit Negative Prompt, ohne Zwinkern und mit mittlerer Distanz wirkte es deutlich weniger plastikhaft und recht natürlich — auch wenn es aus der Nähe noch leicht synthetisch aussieht.
Unser Prompt
Use the photo as the first frame and identity anchor; keep her face and youthful, smooth skin exactly as in the photo. She smiles warmly, gives one clean natural eye blink (no squint, do not wrinkle or scrunch the face), then raises a hand to her lips and blows a kiss toward the camera while looking at the lens; fingers intact, nothing leaves her hand; ends with a small warm laugh. Only a light breeze moves her hair. Camera: hold a steady MEDIUM distance — do NOT push in close, no close-up. Photorealistic smooth young skin. Negative: plastic skin, waxy texture, wrinkles, aged skin, face scrunching, strong wind, petals, extra fingers, close-up.
Runde 3 — je eine gezielte Änderung für die zwei schwächsten Ergebnisse.
Die größte Stolperfalle: Zwinkern
Ein Detail scheiterte in den ersten Runden bei jeder Engine: das Zwinkern. Kling ließ es aus, Seedance machte es zu schnell sichtbar, und Veo sowie WAN verwandelten es in eine verkrampfte Grimasse.
Asymmetrische Ein-Augen-Bewegungen gehören derzeit zu den schwierigsten Mikroexpressionen für aktuelle Modelle. Nimm lieber ein sauberes Blinzeln mit beiden Augen plus ein Lächeln — oder rechne mit mehreren Re-Rolls. Bei WAN half das Streichen des Zwinkerns, in Runde 3 zu einem ordentlichen Clip zu kommen; bei Kling schlug selbst das den einfachen Prompt nicht.
Welche Engine animiert Fotos am besten?
Die eine beste Engine für jede AI Photo Animation gibt es nicht. Seedance 2.0 war nach dem Tuning am natürlichsten, Kling 2.6 am zuverlässigsten mit einem einfachen Prompt, Veo 3.1 lieferte die besten Haare und die überzeugendste Physik plus natives Audio, war aber am teuersten, und WAN 2.7 hielt die Identität, wirkte bei nahen Porträts jedoch am synthetischsten.
Die folgende Übersicht trennt diese Stärken und Schwächen, damit du nach dem auswählst, was für deinen Clip zählt: natürliche Bewegung, einfacher Prompt, Haare und Physik, Audio, Identität oder Realismus in Nahaufnahme.
- Identität
- Ausgezeichnet
- Handlung
- Am besten mit einfachen Prompts
- Realismus
- Natürlich
- Bewegung
- Flüssig
- Tempo
- Schnell
- Kosten
- Mittel
- Content-Flexibilität
- Standardrichtlinien
- Am besten für
- Schnelle, zuverlässige Porträtanimationen
- Identität
- Ausgezeichnet
- Handlung
- Am besten mit getakteten Beats
- Realismus
- Sehr natürlich
- Bewegung
- Cineastisch
- Tempo
- Langsamer
- Kosten
- Mittel
- Content-Flexibilität
- Mehr Spielraum
- Am besten für
- Polierte Ergebnisse, wenn du die Beats sauber skriptest
- Identität
- Stark
- Handlung
- Gut
- Realismus
- Starke Haare/Physik
- Bewegung
- Natürlich
- Tempo
- Schnell
- Kosten
- Am höchsten
- Content-Flexibilität
- Strenge Filter
- Am besten für
- Realistische Bewegung + natives Audio
- Identität
- Gut
- Handlung
- Nach Tuning okay
- Realismus
- Leicht synthetisch
- Bewegung
- Okay
- Tempo
- Mittel
- Kosten
- Niedrig
- Content-Flexibilität
- Open-Weight, selbst hostbar → die wenigsten Einschränkungen
- Am besten für
- Weitere Einstellungen, Multi-Reference, Self-Hosting
Teste alle vier Engines mit deinem eigenen Foto – in einem Studio.
Studio öffnenDer zuverlässige Workflow für jede Engine
So sind unsere besten Ergebnisse entstanden, wenn aus einem Bild ein natürlicher Clip werden soll.
Starte mit einer klaren Handlung, ergänze eine einfache Kamerabewegung, teste zuerst die schlichte Version und optimiere danach nur das, was tatsächlich kaputtgeht. Die folgenden Schritte machen daraus einen wiederholbaren Image to Video AI Workflow — auch wenn du nach bild zu video ki kostenlos oder einem ki bild-zu-video generator kostenlos ohne anmeldung suchst.
- 1Wähle ein klares Foto: ein Motiv, gutes Licht, das Gesicht vollständig im Bild; lass Platz für mögliche Handgesten.
- 2Beschreibe die Bewegung, nicht die Szene: nenne eine konkrete Handlung wie Lächeln, Blinzeln oder einen Kuss und eine Kamerabewegung.
- 3Passe den Prompt an die Engine an: kurz halten für Kling; getaktete Beats ([0-3s] …) für Seedance verwenden.
- 4Erzeuge zuerst einen kurzen Clip und halte die Bewegung dezent, damit das Gesicht stabil bleibt.
- 5Wenn sich das Gesicht verzieht oder die Mimik falsch wirkt, reduziere die Anzahl der Aktionen — zu viel Bewegung ist der häufigste Grund für Verzerrungen.
- 6Exportiere vertikal (9:16) für TikTok, Reels und Shorts.