Multi-Referenz-Videogeneratoren im Vergleich

Bei Image-to-Video wird ein Bild zum ersten Frame. Dieser Frame ist präzise, danach wird das Ergebnis unzuverlässiger, weil das Modell alles ergänzt, was das Bild nicht zeigt.

Bei der Multi-Referenz-Generierung wird kein Frame festgelegt. Das Modell liest alle Bilder gemeinsam als Beschreibung der Motive und komponiert daraus eine neue Einstellung. Das hat drei praktische Folgen: Das Motiv kann aus Blickwinkeln auftauchen, die keines der Bilder zeigt. Mehrere Motive können sich eine Szene teilen, jedes aus seinen eigenen Referenzen. Und dieselben Referenzen lassen sich für jede Szene wiederverwenden, was eine Serie konsistent macht.

Der Preis dafür ist weniger Kontrolle über den exakten ersten Frame. Manche Modelle erlauben, Referenzen mit einem Startframe zu kombinieren, andere nicht.

Kling 3.0 Omni: bis zu 7 Referenzbilder oder Elemente, oder ein Referenzvideo von 3 bis 10 Sekunden plus bis zu 4 Bilder oder Elemente, laut Klings Leitfaden. Clips bis 15 Sekunden in 720p oder 1080p. Ein Element kann eine fest zugeordnete Stimme tragen. Verfügbar über die Kling-API und fal.ai.

Kling 4.0: insgesamt bis zu 15 Referenzeingaben, darunter bis zu 10 Bilder, bis zu 5 Videos mit zusammen 30 Sekunden und bis zu 7 Elemente, bei Clips von 3 bis 30 Sekunden, laut Klings Leitfaden. Der Start erfolgte am 15. Oktober 2026 in der Kling-App. Der API-Zugang ist als „demnächst verfügbar“ markiert.

Veo 3.1: bis zu 3 Referenzbilder einer Person, eines Charakters oder eines Produkts, laut Googles Dokumentation. Referenzclips sind 8 Sekunden lang, im Format 16:9 oder 9:16. Google nennt das Ingredients to Video. Veo 3.1 Lite unterstützt keine Referenzen.

Seedance 2.5 und MiniMax H3: beide nehmen mehrere Bildreferenzen an, manche Anbieter auch Video- und Audioreferenzen. Die veröffentlichten Obergrenzen unterscheiden sich je nach Anbieter stark, von etwa 9 bis 30 Bildern bei Seedance 2.5 und von 5 bis 9 bei MiniMax H3. Prüfe daher die genauen Limits des Anbieters, den du nutzt.

Ein höheres Limit hilft, wenn eine Szene mehrere Motive hat. Bei einer einzelnen Figur nimmt der Nutzen schnell ab. Jedes zusätzliche Bild ist eine weitere Chance, ein anderes Outfit, anderes Licht oder einen störenden Hintergrund einzuschleusen.

Eine gute Faustregel: drei bis fünf Bilder pro Motiv, nach Blickwinkeln ausgewählt, und nur so viele Motive pro Szene, wie die Handlung braucht.

Eine wiederkehrende Figur, kurze Social-Clips: Kling 3.0 Omni ist heute die praktischste Wahl. Es hat eine öffentliche API, Clips bis 15 Sekunden und Elemente, die für wiederkehrende Motive gebaut sind.

Figur, Produkt und Ort in einer Einstellung: ein Modell mit höherem Limit und mehreren Motiven pro Anfrage, etwa Seedance 2.5 bei einem Anbieter mit großzügigen Grenzen, oder Kling 4.0, sobald dessen API öffnet.

Werbung, die mit einer exakten Komposition beginnen muss: ein Modell, das einen Startframe zusammen mit Referenzen erlaubt. Klings Omni-Endpunkte auf fal.ai bieten Felder für Start- und Endbild neben den Elementen.

Nur drei gute Bilder: Veo 3.1 ist genau dafür auf drei ausgelegt.

Wiederverwendbare Motive. Du solltest die Referenzen einer Figur einmal hochladen und die Figur danach auswählen können, statt bei jedem Prompt Dateien erneut anzuhängen.

Klare Regeln, welches Bild was macht. Das Tool sollte dir sagen, welches Bild als Hauptansicht gilt und wie viele Bilder es tatsächlich an das Modell schickt.

Verlauf pro Motiv. Alle Clips einer Figur an einem Ort, damit du Abweichungen erkennst.

Ehrliche Modellangaben. Ein Tool sollte dir sagen, welches Modell und welche Version jeden Clip erzeugt hat.

Transparente Preise. Du solltest die Kosten eines Clips kennen, bevor du auf Generieren drückst.

RefVid ist ein Multi-Referenz-Generator, der um gespeicherte Figuren und Produkte herum aufgebaut ist. Jedes Asset enthält 1 bis 5 Referenzbilder, das erste ist die Hauptansicht, und jedes Video nutzt ein Asset. Die Generierung läuft heute auf Kling 3.0 Omni, die Kosten stehen auf dem Button, bevor du startest, und jeder Clip ist auf der Seite des Assets aufgelistet. RefVid wechselt zu Kling 4.0, sobald dessen API öffnet.