Konsistente KI-Videos mit Charakteren: dasselbe Gesicht in jedem Clip

Ein Videomodell merkt sich deinen Charakter nicht zwischen Anfragen. Jede Generierung startet von dem, was du ihr gibst: einem Prompt, vielleicht einem Startbild. Ein Prompt wie „eine Frau mit kurzen roten Haaren und grünem Mantel“ beschreibt Millionen mögliche Menschen, also wählt jeder Clip einen anderen aus. Ein einzelnes Startbild ist besser, aber das Modell muss es nur im ersten Frame treffen; sobald sich die Kamera bewegt, ergänzt es, was das Bild nicht zeigte, und diese Ergänzungen fallen jedes Mal anders aus.

Die Drift wird stärker bei Kamerawinkel-Wechseln, Lichtwechseln und längeren Clips – genau den Dingen, die eine Sequenz wie echtes Material wirken lassen.

Lange, detaillierte Charakterbeschreibungen fühlen sich an, als müssten sie helfen, verschieben aber meist nur die Zufälligkeit. Hilfreich sind visuelle Informationen. Jeder zusätzliche Blickwinkel auf das Gesicht und jede Nahaufnahme eines markanten Merkmals nimmt dem Modell eine Entscheidung ab, die es sonst selbst träfe.

Referenzfähige Modelle – Kling Omni, der Referenz-zu-Video-Modus von Veo 3.1, der Multi-Referenz-Modus von Seedance – nehmen mehrere Bilder des Motivs zusammen mit dem Prompt entgegen und behandeln sie als Beschreibung dessen, wer erscheinen muss. Das ist die derzeit größte Verbesserung überhaupt. Die Ergebnisse hängen stark von den Referenzen ab: drei bis zehn scharfe Bilder mit gleichmäßigem Licht, die Front-, Dreiviertel- und Profilansicht abdecken, schlagen ein einzelnes perfektes Porträt.

Jedes Modell hat eigene Grenzen und Stärken. Kling 3.0 Omni akzeptiert bis zu sieben Referenzbilder oder einen kurzen Referenzclip plus bis zu vier Bilder; der Referenzmodus von Veo 3.1 nimmt bis zu drei Bilder. Ein Workflow, der dich an ein einziges Modell bindet, bindet dich auch an dessen Grenzen.

Der stille Konsistenz-Killer ist das Wechseln der Eingaben. Wenn Clip eins fünf Fotos nutzte und Clip vier drei andere, hast du zwei leicht unterschiedliche Charaktere. Behandle die Referenzen eines Charakters wie ein Ensemblemitglied: lege sie einmal fest, speichere sie und verwende für jede Szene exakt dasselbe Set. Ändere das Outfit nur, indem du bewusst eine neue Version des Charakters anlegst.

1. Referenzen aufnehmen oder auswählen: Front, Dreiviertel links und rechts, Profil, eine Nahaufnahme von allem Markanten (Brille, Narbe, Logo auf der Kleidung). Neutraler Hintergrund, weiches Licht, keine Filter.

2. Als einen benannten Charakter speichern. Ab jetzt steht nichts über den Charakter im Prompt – der Prompt beschreibt Szene, Handlung und Kamera.

3. Kurze, konkrete Szenen-Prompts schreiben: wo, was die Figur tut, wie sich die Kamera bewegt. „Geht bei Regen nachts in eine Straße in Tokio, die Kamera folgt von hinten, dann dreht sie sich zum Objektiv.“

4. Clips nebeneinander prüfen. Wenn einer driftet, generiere ihn neu, statt ihn mit Prompt-Formulierungen zu retten; Drift ist meist zufällig, nicht systematisch.

5. Jeden Clip mit seinem Charakter behalten, damit die nächste Szene am selben Punkt beginnt.

Alles oben Genannte gilt auch für Produkte, Maskottchen und Requisiten. Eine Flasche, deren Etikett sich zwischen den Einstellungen ändert, ist in einer Werbung unbrauchbar. Produktreferenzen sollten die Hauptansicht, die Rückseite und eine scharfe Nahaufnahme des Logos enthalten. Kleiner Aufdruck ist nach wie vor die schwächste Stelle aller aktuellen Modelle, also plane Einstellungen, in denen feine Schrift nicht im Fokus steht.

RefVid ist um genau diesen Workflow herum gebaut. Du legst einmal einen Charakter oder ein Produkt an und lädst seine Referenzen hoch; jede Generierung verwendet genau dieses Set, aufbereitet so, wie das gewählte Modell es erwartet. Alle Clips eines Motivs liegen zusammen in einer Serienansicht, sodass Drift leicht zu erkennen ist. Modelle wechseln im Hintergrund – heute Kling 3.0 Omni, später Kling 4 – ohne dass du deine Besetzung neu aufbauen musst.