Zum Inhalt springen

So funktioniert’s · Aktualisiert am Okt. 2026

Bild zu Video mit Audio: Der Ton steuert die Bewegung

Die meisten Bild-zu-Video-Tools animieren ein Bild anhand eines Text-Prompts und fügen den Ton – wenn überhaupt – erst später hinzu. Bild zu Video mit Audio andersherum – bei dem das Audio die Animation steuert – ist genau das, was OmniHuman 2.0 macht: Sprache und Musik bestimmen, wann sich der Mund bewegt, wann der Kopf nickt und wann eine Hand zur Betonung nach oben geht.

Foto+Stimme=Video

Stimme
Kein Foto? Probier:
  • Kostenlose Vorschau
  • Anmeldung mit Google
  • Private Uploads
UGC-Anzeigen
Gesang
Mehrere Personen
pro Video
5 Min.
Ausgabe
720p
Personen pro Szene
Mehrere
Sprachen
6

Diese Seite erklärt den Unterschied zwischen promptgesteuerter und audiogesteuerter Generierung, welche Arten von Ton funktionieren und wie du Audio für mehr Kontrolle mit einem kurzen Prompt kombinierst.

Promptgesteuert vs. audiogesteuert: Bild zu Video mit Audio

Allgemeine Videomodelle sind stark bei Landschaften und Kamerafahrten, die in Worten beschrieben werden, haben aber keine Ahnung, wann eine Silbe fällt. Audiogesteuerte Modelle lesen die Wellenform: Plosivlaute schließen die Lippen, betonte Wörter lösen Nachdruck aus, Pausen lassen das Gesicht zur Ruhe kommen. Das Ergebnis ist framegenau synchron – entscheidend für jeden Clip, in dem eine Person im Bild spricht oder singt.

Mit OmniHuman 2 bekommst du trotzdem einen Prompt – er formt aber Performance und Kamera, während das Timing komplett aus dem Ton kommt.

Welches Audio funktioniert

Das Modell ist auf menschliche Stimmen ausgelegt. Die besten Ergebnisse liefern:

  • Gesprochene Voice-overs, Interviews, Lektionen und Podcast-Ausschnitte.
  • Gesang – Solo-Gesang, Duette und Chöre.
  • Dialoge zwischen zwei oder mehr Personen im selben Bild.
  • Synthetische Sprache aus Text-to-Speech-Tools.

Audio mit einem kurzen Prompt kombinieren

Nutze den Prompt für das, was das Audio nicht ausdrücken kann: wohin die Person schaut, wie sich die Kamera bewegt, welche Geste einen Satz begleitet. Beschränk dich auf ein oder zwei Sätze. „Looks at the camera, opens hands on the question, slow push-in“ (schaut in die Kamera, öffnet bei der Frage die Hände, langsame Ranfahrt) reicht für einen 20-Sekunden-Clip völlig aus.

Zu den Formaten: Lade MP3 oder WAV zwischen 4 Sekunden und 5 Minuten hoch; Bilder können JPG, PNG, WEBP und mehr sein, bis zu 30 MB.

Von Bild und Audio zum fertigen Video

Der Ablauf im Studio:

  1. 1BildLade das Standbild hoch, das du zum Leben erwecken willst.
  2. 2AudioLade die Tonspur hoch, die es antreiben soll, oder nimm sie auf.
  3. 3RegieFüge optional einen Satz mit Hinweisen zu Performance und Kamera hinzu.
  4. 4RendernSieh dir die Vorschau kostenlos an und rendere dann eine 720p-MP4.

Kombination mit anderen KI-Tools

Viele Creator erstellen die Eingaben mit anderen Tools: einen Bildgenerator für die Figur, ein Voice-Tool für die Erzählstimme und dieses Modell für die Performance. So bleibt jeder Schritt spezialisiert – Design, Stimme, Bewegung –, und du kannst jeden Teil austauschen, ohne die anderen neu machen zu müssen.

Wenn du das Bild selbst generierst, frag nach einer frontal ausgerichteten Figur mit sichtbarem Mund und schlichtem Hintergrund; diese Entscheidungen machen den späteren Animationsschritt deutlich zuverlässiger.

Grenzen, die du kennen solltest

Das Modell animiert Menschen und Figuren, keine ganzen Szenen; Hintergrundelemente bleiben abgesehen von der Kamerabewegung weitgehend unbewegt. Es kann außerdem weder das Outfit ändern noch Requisiten hinzufügen oder die Person an einen neuen Ort versetzen – diese Entscheidungen gehören ins Ausgangsbild.

So bekommst du das sauberste Ergebnis

Die Audioqualität bestimmt die Obergrenze für die Synchronität, die Bildschärfe die Obergrenze für den Realismus. Ein scharfes, gleichmäßig beleuchtetes Gesicht und eine trockene, nah am Mikro aufgenommene Stimme verbessern dein Ergebnis mehr als jede Prompt-Formulierung.

FAQ

Kann ich Hintergrundmusik hinzufügen?

Füge sie nach dem Rendern im Schnittprogramm hinzu. Musik unter der Stimme kann bei der Generierung die Genauigkeit der Lippensynchronisation verringern.

Bestimmt das Audio die Videolänge?

Ja. Das Video ist genau so lang wie dein Audio – von 4 Sekunden bis zu 5 Minuten.

Kann es Landschaften anhand von Audio animieren?

Das Modell ist für Menschen und Figuren gemacht. Szenen ohne Gesicht liefern keine sinnvollen Ergebnisse.

Welche Audioformate funktionieren?

MP3 und WAV. Browseraufnahmen werden automatisch konvertiert.

Brauche ich einen Prompt?

Nein. Ohne Prompt kommt die Bewegung rein aus dem Audio; ein Prompt fügt Regieanweisungen hinzu.

Ist der Ton im heruntergeladenen Video enthalten?

Ja. Die MP4 enthält dein Original-Audio, synchron zur Animation.

Kann ich eine generierte Stimme und ein generiertes Bild zusammen verwenden?

Ja. Viele Creator kombinieren einen Bildgenerator, eine Text-to-Speech-Stimme und OmniHuman 2 – stell nur sicher, dass du an jeder Eingabe die Rechte hast.

Weiter entdecken

Lass dein Foto sprechen.

Kostenlose Vorschau.