Der nächste große Sprung der KI-Videos ist da.

Gerade als die Welt der KI-Videos vorhersehbar zu werden schien, sprengte Alibabas Wan 2.6 den Rahmen. Nur wenige Monate nach Wan 2.5 veröffentlicht, springt das neue Modell zu 15 Sekunden langen 1080p-Clips und definiert, was ein „Text-zu-Video“-Werkzeug leisten kann, neu. Anstatt OpenAIs Sora Bild für Bild nachzueifern, fühlt sich Wan 2.6 näher am 01-Modell von Kling an, jedoch mit einem schärferen Fokus auf Erzählstruktur und Klang.

Wo frühere Generatoren stille oder fertig produzierte Musikclips ausspuckten, behandelt Wan 2.6 Audio als ein Input erster Klasse. Füttern Sie es mit einem von Suno generierten Song oder einem Roh-Stimmen-Track, und es erstellt visuelle Inhalte, die über mehrere Szenen hinweg lip-syncen, den Rhythmus anpassen und sogar On-Screen-Text anzeigen, der aus den Songtexten extrahiert wird. In einem Test erzeugte das Modell Unternehmensbuzzwords wie „Synergie, Innovation, Wachstum“, die nur im Audio und nicht im schriftlichen Prompt vorhanden waren.

Multimodalität bedeutet nicht mehr, „Musik im Nachhinein hinzuzufügen.“ Wan 2.6 verbindet Audio, Text und Bild in einem einzigen Arbeitsablauf: Sie können mit einem Textprompt, einem hochgeladenen Referenzbild oder einem Nachrichtenclip beginnen und das System die Kamerabewegungen, Schnitte und den Dialogtiming ableiten lassen. Eine Testsequenz von Night of the Living Dead zeigt, wie das Modell die Rede eines Nachrichtenmoderators mit überzeugender Lippenbewegung verfolgt, selbst während es ein seltsames übergroßes Mikrofon im Bild halluciniert.

Der echte Wandel ist die Kontrolle über die Erzählung. Wan 2.6 führt eine intelligente Mehrfachaufnahme-Generierung ein, die versucht, die räumliche Anordnung und die Platzierung der Charaktere zu verstehen, anstatt jede Aufnahme als Reset zu behandeln. Mit einem Umschalter für „intelligente Mehrfachaufnahme“ sorgt das Modell dafür, dass: - Die Raumgeografie über Schnitte hinweg beibehalten wird - Schnittübergänge zwischen den Blickwinkeln versucht werden - Gelegentlich neue Charaktere erfunden werden, jedoch die Beleuchtung und Stimmung konsistent bleiben

All dies bereitet die nächste Phase des AI-Videowettbewerbs vor: praktisches Geschichtenerzählen statt Roulette mit viralen Clips. Funktionen wie Wans bevorstehendes „Starring“-Charaktersystem, ByteDances Seedance 1.5 Pro-Rollout innerhalb von CapCut und Forschungen wie EgoXs Umwandlung von der dritten Person zur ersten Person weisen in die gleiche Richtung. Das Ziel ist nicht mehr nur ein fotorealistisches Spektakel; es geht darum, den Kreativen eine feinkörnige Kontrolle darüber zu geben, wer in einer Szene vorkommt, was sie sagen und wie jede Einstellung in die nächste übergeht.

Ihre Playlist kann jetzt selbst eine Storyboard erstellen. Der Haupttrick von Wan 2.6 ist die Audio-zu-Video-Generierung: Geben Sie einen fertigen Track oder einen Dialogclip ein, und das Modell erstellt visuelle Inhalte, die auf jeden Beat, jede Silbe und jede Pause abgestimmt sind. Alibaba beschränkt jede Renderung auf 15 Sekunden, aber Sie können Clips verketten, sodass Sie ein dreiminütiges Lied effektiv in ein mehrteiliger, KI-geschnittener Musikvideo verwandeln.

In Tests mit einem von Suno generierten Song stellte Wan 2.6 vier separate Clips her, die wie ein kohärentes Video wirkten. Jeder Verswechsel und jede instrumentale Pause rief eine neue visuelle Idee hervor, doch der Hauptcharakter und der Kamerastil blieben ausreichend konsistent, um als ein kostengünstiger, aber zusammenhängender Musikvideo-Edit durchzugehen.

Das Lip-Sync hebt sich ab. In allen vier Clips passten sich die Mundformen den Suno-Vokalen mit erstaunlicher Präzision an, selbst während schnellerer Phrasen, die aktuelle KI-Video-Modelle normalerweise ins Stolpern bringen. Das Modell verarbeitete Konsonanten und Geräusche mit geschlossenen Lippen überzeugend und vermied die matschigen, puppenartigen Bewegungen, die frühere Generatoren geplagt haben.

Verstehen geht über Worte hinaus. In einem ungenutzten Shot füllte Wan 2.6 ein Unternehmensbüro mit schwebenden Schlagworten – „Synergie“, „Innovation“, „Wachstum“ – und spiegelte damit die Kritik des Songs an der Arbeitskultur wider, ohne eine explizite Richtung vorzugeben. Diese Art von semantischer Übereinstimmung deutet darauf hin, dass das System nicht nur Phoneme, sondern auch die Bedeutung und Stimmung des Audios analysiert.

Der seltsamste Flex kam von dem Text auf dem Bildschirm. In einem separaten Clip rendierte Wan 2.6 die Lyrics als diegetischen Text innerhalb der Szene, obwohl diese Wörter nie im Texteingabe vorkamen. Sie existierten nur in der Audiodatei, was darauf hindeutet, dass das Modell einen internen Transkriptionsschritt durchführt und diese Wörter dann wieder in das Video einfügt.

Für Musiker verwandelt sich der Arbeitsablauf. Sie können einen Track in Suno oder einer DAW erstellen und aufnehmen, dann die fertige WAV-Datei an Wan 2.6 senden und sofort eine Sammlung von B-Roll, Performance-Aufnahmen und abstrakten Visuals erhalten, die in ein vollständiges Video geschnitten werden können. Keine Kamera, kein Set, nur Anpassungen der Eingabeaufforderungen und Neu-Renderings.

Podcaster und Geschichtenerzähler erhalten ein ähnliches Upgrade. Ein narrativer Monolog, ein Interviewsegment oder ein fiktives Audio-Drama kann Folgendes hervorbringen:

• 1Charakterorientierte Reaktionsaufnahmen
• 2Szenen und Schnittbilder einrichten
• 3Stilisierte Titelkarten und Bildschirmzitate

Das lässt Wan 2.6 weniger wie einen Video-Filter und mehr wie einen ständig aktiven Visualisierer für jedes Audio-Stück erscheinen, das Sie bereits haben.

Mehr als nur ein auffälliges Demovideo verhält sich Wan 2.6 wie ein System, das tatsächlich die Welt versteht, die Sie ihm zur Darstellung geben. Im „corporate dystopia“-Video des Kreativen während seiner Montagsshuttlefahrt rendert das Modell nicht nur Autobahnen und Limousinen; es taucht ein in die Atmosphäre einer seelenzerstörenden Bürokultur, komplett mit leuchtenden Werbetafeln und drückenden Glastürmen, die wirken, als wären sie Severance oder einer ähnlichen Sci-Fi-Serie entnommen.

Text war historisch gesehen die Achillesferse von KI-Videos, doch Wan 2.6 verbindet Unternehmensjargon mit erschreckender Präzision. Die Bildschirmbeschriftungen schreiben „Synergie“, „Innovation“ und „Wachstum“ in lesbaren Schriftarten klar und deutlich, angepasst an Oberflächen und Kamerawinkel, ohne das vertraute Kauderwelsch, das die meisten Modelle bei 1080p und 24 fps plagt.

Interessanter als die Rechtschreibung ist die Satire. Diese Schlagworte erscheinen nicht zufällig; sie landen auf sterilen Büro-Fassaden und Konferenz-Anruf-Overlays, die zu den Texten und dem Ton des Songs passen, obwohl die Texte nur im Audiotrack existieren. Wan 2.6 scheint den Soundtrack zu analysieren, die Stimmung eines „corporate dystopia“ Pendelverkehrs zu erschließen und semantisches Verständnis zu nutzen, anstatt nur Worte ins Bild einzufügen.

Die Physik macht ebenfalls einen Fortschritt. Autos im Stau beschleunigen und bremsen mit glaubwürdigem Timing, Kamerabewegungen respektieren den Paralaxeneffekt, und die Bewegungen der Charaktere kippen selten in ein Gummi‑Gliedmaßen-Chaos, insbesondere bei 15-Sekunden-Aufnahmen. Objekte behalten ihre Masse und Kontinuität über Schnitte hinweg, was das Ganze weniger wie zusammengefügte GIFs und mehr wie einen einzigen, simulierten Raum wirken lässt.

Dann steuert das Modell direkt in das Terrain von David Lynch. Mit einem Twin Peaks-ähnlichen „FBI-Agenten im Diner“-Prompt liefert ein Durchlauf eine bodenständige Szene mit Agenten, Kaffee und Kuchen; ein anderer, mit demselben Text, mutiert in ein bizarr-traumhaftes Tableau, in dem Gesichter, Gäste und die Ausstattung in ein surreales Pastiche schmelzen. Die Stimmung schreit nach Lynch, auch wenn der Prompt ihn nie namentlich erwähnt.

Diese Volatilität verdeutlicht den Pfad, den Wan 2.6 einschlägt: verbessertes Weltmodell mit gelegentlichen Halluzinationen, die eher interpretativ als fehlerhaft wirken. Diese Clips deuten auf Modelle hin, die nicht nur Pixel sehen, sondern Referenzen, Tropen und kulturelle Kurzformen verarbeiten. Alibabas eigene Wan AI Creation Platform – Wan 2.6 Video Generation zielt genau auf diesen Wandel ab, hin zu Systemen, die nicht nur verstehen, wie eine Szene aussieht, sondern auch, was sie bedeutet.

Die Charakterkonsistenz war das fehlende Puzzlestück im AI-Video, und das neue Hauptdarsteller-Feature von Wan 2.6 geht direkt darauf ein. Statt einmaligen Gesichtern, die zwischen den Schnitten verschwimmen, können Sie jetzt einen Charakter verankern und ihn über Szenen, Aufforderungen und sogar verschiedene Videos ziehen. Narrativen Schöpferinnen und Schöpfern steht endlich etwas näher an einem wiederkehrenden Cast zur Verfügung, statt einem Spielautomaten voller Fremder.

Wan nennt diese wiederverwendbaren Darsteller „Sterne“, und der Workflow fühlt sich eher wie Casting als wie Aufforderung an. Du lädst einen kurzen Referenzclip hoch – etwa 5–10 Sekunden sauberes Filmmaterial – und Wan trainiert im Hintergrund ein Charakter-Embedding. Dieser Star erscheint dann als auswählbare Option in späteren Generationen, sodass „setze Niki in eine mit Neonlicht beleuchtete Alley“ und „wechsel zu Niki in einem Nachrichtenstudio“ beide zum gleichen digitalen Schauspieler führen.

Die Demo verwendet zwei Anker: Niki, eine Frau, die in einer stimmungsvollen, stilisierten Szene eingeführt wird, und Idris, einen schick gekleideten Mann in einem noir-ähnlichen Setting. Nach dem Training erscheinen beide in verschiedenen, nicht verwandten Aufforderungen wieder, ohne ihre Gesichtsstruktur, Frisur oder Gesamtstimmung zu verlieren. Mehrfachaufnahmen können sogar Niki im Modell halten, während die Kamera von Nahaufnahme zu Weitwinkel schwenkt, etwas, das frühere Modelle häufig nicht schafften.

Starring spielt auch relativ gut mit Dialog und Audio-zu-Video. Sie können einen Star zuweisen, Wan eine Sprachaufnahme geben und eine Sprechperformance erhalten, die sowohl dem Referenzlook als auch dem neuen Audio entspricht. In narrativen Begriffen bedeutet das, dass ein Ersteller einen Protagonisten einmal festlegen kann, um dann durch Dutzende von Szenen zu iterieren, ohne jedes Mal das Gesicht neu zu gestalten.

Die Realität am Launch-Tag sieht jedoch immer noch wie eine Beta-Version aus. Das Modell driftet gelegentlich, wodurch Gesichtsdetails weichgezeichnet oder ein Charakter zwischen den Szenen leicht gealtert wird, insbesondere bei chaotischeren Aufforderungen. Szenen mit mehreren Charakteren verwirren es noch mehr: Niki und Idris vermischen manchmal Merkmale, oder Statisten im Hintergrund beginnen, den Stars zu ähneln.

Dialoge bringen ihre eigene Merkwürdigkeit mit sich. Wenn der Schöpfer nach rein englischen Zeilen fragt, gibt Wan gelegentlich zweisprachige Dialoge wieder – Englisch plus unerwartete chinesische Phrasen – trotz eines einsprachigen Skripts. Dieser Fehler tritt häufiger in Szenen mit mehreren Charakteren auf, in denen eine Stimme mitten im Austausch die Sprache wechselt, was die ansonsten solide Lippenbewegung beeinträchtigt.

Selbst mit diesen Problemen ist das Starring wichtig. Jeder, der eine Serie, einen wiederkehrenden Moderator oder ein fiktives Universum aufbauen möchte, benötigt Kontinuität und keine einmaligen Clips. Wan 2.6 ist das erste mainstream Modell, das Charaktere als Vermögenswerte betrachtet, die man behält, und nicht als Zufälle, die man screenshotet.

Nennen Sie es einen KI-Storyboard-Künstler mit dem Ego eines Regisseurs. Der „intelligente Multi-Shot“-Modus von Wan 2.6 nimmt einen einzigen Prompt oder ein Bild und erzeugt eine Abfolge von Schnitten: Establishing Shot, Over-the-Shoulder, Reaktionsnahaufnahme, manchmal sogar einen überraschenden Einschub. Anstatt Sie zu bitten, 15-sekündige Clips manuell zusammenzufügen, stellt es die Coverage vorab zusammen, so wie es ein menschlicher Regisseur für eine Szene planen würde.

Alibaba integriert dies sowohl in Text‑zu‑Video als auch in Bild‑zu‑Video. Im Test „Film über Depression“ verwandelt sich ein Standbild von zwei Männern an einem Tisch in einen Mini-Edit: eine Weitaufnahme, dann ein engerer Winkel, dann ein Wechsel zu einem neuen Charakter. Schalte intelligente Mehrfachaufnahme aus und du erhältst einen kontinuierlichen Take; aktiviere sie und Wan 2.6 entscheidet, wo zu schneiden und wie zu rahmen, während der Dialog und das Timing intakt bleiben.

Das macht Wan 2.6 strukturell anders als Sora. Das Modell von OpenAI glänzt bei langen, kontinuierlichen Aufnahmen, in denen die Kamera durch eine zusammenhängende 3D-Welt gleitet, aber man erhält immer nur eine Aufnahme pro Eingabeaufforderung. Wan funktioniert mehr wie eine Coverage-Engine: kürzere 15-Sekunden-Abschnitte, mehrere Perspektiven, angedeutete Handlungsstränge. Sora fühlt sich an wie eine virtuelle Steadicam; Wan 2.6 fühlt sich an wie ein Rohschnitt.

Strategisch bringt das Alibaba viel näher an Klings narrativen Ansatz. Klings 01-Modell betont bereits die Planung von Szenen, Kamerabewegungen und die Struktur der Geschichte über reinen Spektakel. Wan 2.6 bewegt sich in der gleichen Richtung und priorisiert, wie Szenen zusammengefügt werden, wie Charaktere zwischen den Perspektiven bestehen bleiben und wie Umgebungen über eine Sequenz hinweg konsistent wirken, anstatt nur innerhalb eines einzelnen Rahmens.

Räumliche Konsistenz wird zur wahren Prüfung. In der Szene der Depression von Bild zu Video hält Wan den Tisch, die Beleuchtung und das gesamte Blocking über die Schnitte hinweg stabil, während die Kamera umher schwenkt. Der Schöpfer merkt an, dass die Match Cuts „in Ordnung“ sind, aber nicht makellos: Ein Übergang wirkt störend, und eine später auftauchende Frau scheint effektiv aus dem Nichts zu erscheinen, obwohl sie in der ursprünglichen Komposition plausibel ist.

In mehreren Tests bewahrt Wan 2.6 größtenteils wichtige Anker – Charakterkleidung, Raumaufteilung, Objektivstil – hat jedoch Schwierigkeiten mit feinen Details. Hände, Requisiten und Hintergrundextras können sich zwischen den Perspektiven verändern, und ein neuer Charakter kann in den letzten wenigen Frames einer Sequenz erscheinen. Im Vergleich zur kohärenten Einzelaufnahme von Sora ist dies chaotischer, doch für das Storyboarding ist es möglicherweise das disruptivere Upgrade, wenn eine Maschine aus einem einzigen Prompt eine vollständige Shot-Liste generiert.

Modelle wie Wan 2.6 wirken magisch, bis sie es nicht mehr tun. Drücken Sie ein wenig, und die Grenzen werden sichtbar: Ein angeblich geerdeter Nachrichtenanker zeigt plötzlich ein riesiges, absurdes Mikrofon, das von rechts ins Bild ragt, oder ein Statist taucht im Hintergrund mit der Energie eines Horrorfilms auf. Im „Twin Peaks Diner“-Test erzeugte der exakt gleiche Textbefehl zwei völlig unterschiedliche Szenen, eine geerdete und eine, die einem vollblutigen Lynch-Traum entsprach.

Diese Fehler sind keine einfachen Pannen; sie zeigen, wie die Prompt-Interpretation aus dem Ruder laufen kann. Wan 2.6 hört „FBI-Agent in einem Diner“ und liefert manchmal eine kohärente Zweischussaufnahme, manchmal ein surreales, überstilisiertes Tableau, das zwar die wichtigen Elemente—Lippensynchronität, Beleuchtung, Kamerabewegung—trifft, aber die beabsichtigte Stimmung verpasst. Man erhält Ausgaben, die technisch ausgefeilt, aber kontextuell chaotisch sind.

Der Clip des „Flammenwerfer-Mädchens“ ist das klarste Beispiel für diese Diskrepanz. Bitten Sie um eine stilisierte Actionaufnahme, und Wan 2.6 liefert mit einer Frau, Feuer, Bewegungsunschärfe und filmischer Bildkomposition – doch die Physik des Flammenwerfers bricht in abstraktes Chaos zusammen, mit Feuer, das aus dem Nichts sprüht, und Requisiten, die zwischen den Bildern verzerrt werden. Das Model fesselt mit Spektakel, während es grundlegende Ursachen und Wirkungen verpatzt.

Ersteller lernen schnell, dass Prompt Engineering nicht optional ist. Oft benötigt man: - Mehrere Regenerierungen desselben Prompts - Mikro-Anpassungen bei Formulierungen und Szenenbeschreibungen - Manuelle Bearbeitung, um 15-sekündige Clips zu etwas Kohärentem zusammenzufügen

Selbst dann hängen die Ergebnisse von einem gewissen Maß an Glück ab, das im Sampling-Prozess eingebaut ist. Zwei Durchläufe mit identischen Einstellungen können in Bezug auf die Charakterblockierung, die Hintergrunddarsteller oder die Ernsthaftigkeit, mit der das Modell Ihre „verankerte“ Anfrage behandelt, variieren.

Die Verankerung des Hypes in diesen Fehlschlägen ist wichtig. Wan 2.6, Seedance 1.5 Pro über Dreamina von CapCut – Seedance 1.5 Pro KI-Video und ihre Kollegen wirken bereits wie Cheatcodes, bleiben aber unzuverlässige Partner, keine Druckknopf-Produktionslinien. Kreative, die sie als experimentelle Werkzeuge und nicht als fertige Pipelines betrachten, werden den größten Nutzen ziehen – und die wenigsten Albtraum-Mikrofone erleben.

ByteDance spielt ein anderes Spiel. Während Alibaba lautstark Wan 2.6 als Flaggschiffmodell eingeführt hat, schlüpfte Seedance 1.5 Pro fast geräuschlos durch CapCut in die Welt, mit verwirrenden Bezeichnungen und regionalspezifischem Zugang. Einige Nutzer sehen „AI Video 3.5“-Labels, andere sehen Referenzen zu Seedance, und es gibt keine klare eigenständige Produktseite oder Forschungsarbeit.

Anstatt Seedance als Zielseite zu bewerben, hat ByteDance es direkt in CapCut integriert, die Bearbeitungs-App, die bereits im Workflow von TikTok-Creators, YouTubern und Shorts-Editoren integriert ist. Man muss nicht zu einer neuen Laborschnittstelle navigieren; man klickt auf „AI-Video“ innerhalb von CapCut und plötzlich steuert man ein hochwertiges Modell, das auf Abruf stilisierte, kurze Clips generieren kann. Diese Integration umgeht den üblichen Zyklus von „Warteliste und Discord“ und bringt die fortschrittliche Generierung in ein Tool mit mehreren hundert Millionen Installationen.

Dies ist eine klassische Trojanisches Pferd-Strategie für KI-Videos. Indem Seedance 1.5 Pro in einen vertrauten Editor integriert wird, verwandelt ByteDance experimentelle Modellfunktionen in alltägliche Schaltflächen für Creator, die mehr auf das Ergebnis als auf die Architektur Wert legen. Das Unternehmen umgeht effektiv den Hype-Zyklus der Forschungslabore und konzentriert sich direkt auf Nutzerbindung, Wiedergabezeit und Tools für Creator innerhalb seines Ecosystems für Kurzformate.

Tests mit gemeinsamen Prompts stellen Seedance in die gleiche Liga wie Wan 2.6, allerdings mit einer anderen Ausrichtung. Wan zielt auf filmisches, 15-sekündiges Erzählen in 1080p ab; Seedance setzt auf packende, TikTok-bereite Aufnahmen mit kräftigen Farben, scharfer Bewegung und stilisierten Gesichtern, die Kompression und vertikales Zuschneiden überstehen. Bei charakterorientierten Clips erreicht Seedance noch nicht die Konsistenz von Wans Starring-Stil, meistert jedoch schnelle Reaktionsaufnahmen, Zooms und Schnitte, die sich nativ für Reels und TikTok anfühlen.

Wo Seedance glänzt, ist Geschwindigkeit und „ausreichende“ Zuverlässigkeit für soziale Videos. CapCut-Nutzer können: - Kurze Text-zu-Video-Clips generieren - KI-Transformattionen auf vorhandenes Filmmaterial anwenden - Mehrere KI-Aufnahmen direkt auf einer Timeline verknüpfen

Dieser Workflow macht Seedance 1.5 Pro weniger zu einem Meilenstein in der Forschung und mehr zu einem infrastrukturellen Ansatz: einer leise eingeführten Engine, die darauf ausgelegt ist, Kurzform-Feeds mit KI-unterstütztem Video zu überfluten, lange bevor die meisten Zuschauer bemerken, dass sich etwas verändert hat.

Die Energie des Hauptcharakters in AI-Videos hat jetzt eine technische Bedeutung. Ein neues Forschungsprojekt namens EgoX zeigt, wie ein Modell gewöhnliche Aufnahmen aus der dritten Person in eine überzeugende Ich-Perspektive umwandeln kann, als ob Sie die Kamera tragen würden. Anstatt Szenen von Grund auf neu zu generieren, interpretiert EgoX vorhandenes Videomaterial neu und rekonstruiert es aus dem Inneren des Kopfes eines Charakters.

Die Autoren des Papiers demonstrieren den Effekt mit Clips, die wie unautorisierte VR-Modifikationen für das Kino wirken. Ein herausragendes Beispiel stellt eine Szene aus Christopher Nolans „The Dark Knight“ neu dar, sodass man sie aus den Augen des Jokers erlebt, nicht als Zuschauer. Eine weitere Sequenz verwandelt eine banale Über-die-Schulter-Aufnahme in eine echte POV, komplett mit glaubhaften Kopfbewegungen und Blickwechseln.

Anstatt eine völlig neue Welt zu halluzinieren, stützt sich EgoX auf geometrisch geleitete Selbstaufmerksamkeit. Das System schätzt die 3D-Struktur und die Kameraposition aus dem Originalmaterial und verwendet diese Geometrie als Gerüst, während ein Transformer die Szene aus einem neuen Blickwinkel neu rendert. Diese geometrischen Prämissen schränken das Modell ein, sodass Objekte, Gesichter und Bewegungen konsistent bleiben, anstatt in Traum-Logik zu schmelzen.

Diese geometrischen Leitlinien sind wichtig, da naive Filter wie „mach dies aus der Ich-Perspektive“ oft die Kontinuität stören. Der Ansatz von EgoX bewahrt die tatsächliche Position von Wänden, Requisiten und anderen Charakteren im Raum, sodass beim Schwenken der Kamera Parallaxen und Okklusionen korrekt funktionieren. Man sieht nach wie vor neuronale Unschärfen an den Rändern, jedoch nicht die schweren, die Szene ruinierenden Halluzinationen, die viele aktuelle Videomodelle plagen.

Für immersive Medien gehen die Implikationen über einen coolen YouTube-Trick hinaus. Studios könnten klassische Filme neu veröffentlichen mit optionalen Ich-Perspektiven, die es den Zuschauern ermöglichen, einen Raubüberfall aus den Augen des Einbrechers oder einen Weltraumspaziergang aus dem Helm des Astronauten zu erleben. Dokumentarfilmer könnten parallele Perspektiven desselben Ereignisses anbieten – Demonstrant, Polizeibeamter, Journalist – ohne etwas neu zu drehen.

Gaming und XR werden noch stärker profitieren. Designer könnten Cutscenes in der gängigen Third-Person-Previs erstellen und dann automatisch spielbare First-Person-Erlebnisse ableiten, die die gleiche Choreografie zeigen. In Kombination mit Headsets von Meta, Apple oder Sony deuten EgoX-ähnliche Modelle auf eine Zukunft hin, in der jedes flache Video zu einer leichten, quasi-interaktiven XR-Umgebung wird.

All dies existiert weiterhin in Forschungscode und ausgewählten Beispielen, nicht in Produktionspipelines. Doch EgoX reiht sich nahtlos neben Wan 2.6 und Seedance 1.5 Pro ein und zeigt, dass Sichtweise und Verkörperung zu zentralen Steuerungen in der KI-Videoerstellung werden, nicht zu Nachgedanken.

KI-Videos fühlen sich weniger wie eine Produktkategorie und mehr wie eine praktische Übung an. Wan 2.6 und Seedance 1.5 Pro sind nicht im luftleeren Raum erschienen; sie kamen gleichzeitig mit Tencent’s Hunyuan World, Meta’s SAM Audio und frischen GPT-Bild-Updates, die alle innerhalb weniger Wochen veröffentlicht wurden. So sieht ein Wettrüsten aus, wenn jedes Labor gleichzeitig die multimodale Dominanz anstrebt.

Tencents Hunyuan World zielt auf anhaltende 3D-Umgebungen und interaktive Szenen ab, was einen anderen Ansatz als Wans Audio-zu-Video-Pipeline oder Seedances CapCut-vorzugsweise Einführung darstellt. Metas SAM Audio fokussiert auf die Segmentierung für Geräusche und versucht, für Wellenformen das zu erreichen, was Segment Anything für Pixel getan hat – ein Baustein für intelligenteres Synchronisieren, Foley und klangbewusste Bearbeitung. Die GPT-Bild-Updates treiben OpenAI leise näher an ein einheitliches System, das vom Prompt über das Storyboard zum Animatik wechseln kann, ohne ein Ökosystem zu verlassen.

Statt einer Sora vs. "alle anderen" Erzählung sieht dies wie ein globaler Wettlauf aus, bei dem jedes Unternehmen einen anderen Teil des multimodalen Stapels wählt. Alibaba setzt auf Workflows von Skript zu Song zu Szene, ByteDance auf kreative Werkzeuge, die direkt in die Bearbeitung der TikTok-Ära integriert sind, und Tencent auf Welt-Simulatoren, die in Gaming und Social blitzen. Meta pflanzt weiterhin grundlegende Modelle—Vision, Audio, Segmentierung—die später zu einer End-to-End-Medienmaschine zusammengefügt werden könnten.

Geschwindigkeit ist die eigentliche Überschrift. Wan sprang in wenigen Monaten von 2.5 auf 2.6; Seedance 1.5 Pro tauchte mit minimalem Aufsehen in CapCut auf; Meta und OpenAI liefern leise, aber konstante Iterationen bei Audio und Bild. Eine Funktion wie Wans Audio-zu-Video oder EgoX-Stil POV-Neuverteilung, vorgestellt in EgoX: Von Drittpersonen-Videos zu Erster-Person-POV, wirkt jetzt wie Science-Fiction, könnte aber bis Anfang nächsten Jahres eine Checkbox in Verbraucher-Editoren sein.

Die nächste Phase von KI-Videos sieht weniger wie ein einzelnes magisches Modell aus, sondern mehr wie ein Netz aus multimodalen Eingaben, erzählerischen Werkzeugen und Perspektiventricks. Wan 2.6 hört Audiomaterial, verfolgt Songtexte und Dialoge und gibt 15-sekündige 1080p-Clips aus, die größtenteils im Takt bleiben. EgoX verändert die Kameraperspektive vollständig und verwandelt Third-Person-Clips in die Ich-Perspektive mit geometriegesteuerter Rekonstruktion.

Dieser Wandel verwandelt Kreative von zeit­bear­beitenden Editoren in etwas, das näher an einem KI-Regisseur ist. Man beschreibt eine Szene, fügt einen Soundtrack hinzu, vielleicht ein Referenzbild, und Systeme wie Wans „intelligentes Multi-Shot“ entscheiden, wo geschnitten wird, wie gerahmt wird und welchem Charakter gefolgt wird. ByteDances Seedance 1.5 drängt leise in die gleiche Richtung durch CapCut und integriert fortgeschrittene Generierung in die Werkzeuge, die TikTok-Kreative bereits nutzen.

Kreatives Arbeiten beginnt auszusehen wie die Verwaltung von Einschränkungen statt von Keyframes. Ein KI-Regisseur könnte jonglieren mit: - Einem Drehbuch und Storyboard - Einer Bibliothek von hauptsächlichen Charakteren und Orten - Audio-Stems für Musik, Voiceover und Dialog - Perspektivwahl: Drittperson, EgoX-ähnliche POV oder Hybriden

Sie orchestrieren; die Modelle führen aus, überarbeiten und stellen auf Anfrage neu in Szene.

Große Fragen stehen im Raum, wer tatsächlich diesen Stack kontrolliert. Geschlossene Systeme von Alibaba, ByteDance, OpenAI und Tencent sind derzeit in Bezug auf Genauigkeit und Benutzerfreundlichkeit weit voraus, während Open-Source-Videos in Bezug auf Kohärenz, Bewegung und Klang eine Generation hinterherhinken. Wenn ein offenes Wan 2.6-Klassenmodell erscheint, läuft es dann auf Verbraucher-GPUs oder nur auf Cloud-Kollektiven, die verdächtig wie Mini-Hyperscaler aussehen?

Neue Medienformen scheinen nahezu garantiert. Audio-zu-Video- sowie POV-Konvertierung deutet auf „spielbare“ Musikvideos hin, in denen man in die Augen des Sängers springen kann, oder automatisch generiertes B-Roll, das in Echtzeit mit einem Podcast-Transkript übereinstimmt. EgoX-artige Perspektivbearbeitung weist auf interaktive Filme hin, die aus der Sicht jedes Charakters neu gerendert werden, ohne einen Frame erneut drehen zu müssen.

Für den Moment sind die disruptivsten Features keine perfekten Sora-ähnlichen Simulationen, sondern diese harten, produktionsbereiten Verbesserungen. Zuverlässige Lippenbewegungen, 15-sekündige Multi-Shot-Sequenzen, wiederverwendbare Charaktere und Perspektivwechsel fügen sich nahtlos in bestehende Arbeitsabläufe ein. Studios, YouTuber und Marken benötigen kein fehlerfreies Fake-Universum; sie brauchen einen KI-Assistenten, der heute exportieren kann.

Was macht Wan 2.6 anders als andere KI-Video-Modelle?

Die wichtigsten Unterscheidungsmerkmale sind die fortschrittliche Audio-zu-Video-Generierung mit präzisem Lippen-Synchronisation, intelligentes Multi-Shot-Storytelling aus einem einzigen Impuls und eine 'Starring'-Funktion für konsistente Charakterdarstellung in kommerzieller Qualität.

Ist Wan 2.6 besser als OpenAIs Sora?

Es ist anders. Während Sora bei längeren, physisch kohärenten Szenen glänzt, konzentriert sich Wan 2.6 auf praktische, produktionsorientierte Funktionen wie Audio-Synchronisation, Erzählkontrolle und Wiederverwendung von Charakteren, was es zu einem engeren Wettbewerber für Modelle wie Kling macht.

Wie kann ich auf Seedance 1.5 Pro zugreifen?

Seedance 1.5 Pro wird derzeit leise ausgerollt und ist hauptsächlich in ByteDances Videobearbeitungsprogramm CapCut in ausgewählten Regionen oder Stufen verfügbar, anstatt als eigenständige Plattform.

Was ist die EgoX-Forschungsarbeit?

EgoX ist ein neues KI-Modell, das bestehende Videoaufnahmen aus der dritten Person in eine Perspektive aus der ersten Person (POV) umwandeln kann, indem es die Kameraperspektive effektiv neu verfasst, um immersive Erlebnisse zu schaffen.