Image-to-Video: Wie dein Produktfoto nicht zu Matsch wird

„Ich hab ein ordentliches Produktfoto, wie mache ich daraus ein Video?“ Diese Frage bekomme ich am häufigsten gestellt. Verständlich, niemand will noch mal extra fotografieren. Die Bilder sind schon retuschiert, warum sollten sie sich also nicht einfach bewegen lassen? Genau das ist Image-to-Video, kurz I2V: Das Modell nimmt dein Foto als ersten Frame und baut die Bewegung darauf auf.

Klingt nach Magie. In der Praxis sieht ungefähr jedes zweite Ergebnis so aus, als würde das Produkt atmen, schmelzen oder unter Wasser treiben. Wie du das vermeidest, zeige ich hier. Ich habe nämlich jeden dieser Fehler selbst schon gemacht.

Wie sich I2V von der Generierung aus dem Nichts unterscheidet

Schreibst du einen Prompt ohne Referenzbild, erfindet das Modell das Aussehen deines Produkts selbst. Und oft erfindet es das Falsche: einen leicht anderen Farbton, einen zusätzlichen Knopf, ein Logo, das nicht ganz stimmt. Bei einem echten Produkt ist das ein Problem, weil Käufer genau das erwarten, was im Angebot steht.

I2V löst das. Du gibst ein exaktes Foto deines Produkts vor, und das Modell rät nicht mehr, wie es aussieht. Es animiert nur noch. Farbe, Form und Label bleiben deine, das Modell ändert nur die Bewegung. Deshalb ist I2V für Produktcontent fast immer präziser als reines Text-to-Video.

Einen Haken gibt es trotzdem: Je komplexer die Bewegung, die du verlangst, desto höher die Wahrscheinlichkeit, dass das Modell anfängt, das Produkt zu verformen. Es ist ein ständiger Kompromiss zwischen „lebendig“ und „wiedererkennbar“.

Welche Fotos funktionieren, welche nicht

Die halbe Miete entscheidet sich schon, bevor du die KI überhaupt einsetzt, nämlich bei der Bildauswahl. Ein paar Regeln, die sich bei mir eingespielt haben.

Das Foto sollte scharf und einigermaßen hochauflösend sein. Ist die Quelle unscharf, füllt das Modell Details selbst auf, und das Produkt beginnt zu driften. Nimm am besten das Bild, das auch als Hauptfoto im Listing dient, das ist meist dein sauberstes.

Ein ruhiger oder leicht unscharfer Hintergrund funktioniert am besten. Ist um das Produkt herum visuelle Unruhe, kann das Modell nicht unterscheiden, wo das Objekt endet und die Umgebung beginnt, und animiert alles zusammen. Der Hintergrund zieht das Produkt dann einfach mit.

Lass Platz rund um das Produkt. Berühren die Kanten des Objekts den Bildrand, hat das Modell keinen Raum, um es zu bewegen, und beginnt stattdessen, es zu stauchen und zu verzerren. Lass deshalb genügend Rand.

Eine Sache, die nicht sofort auffällt: Ein Foto, das bereits den „Anfang“ einer Bewegung einfängt, animiert meist besser. Kaffee, der gerade eingegossen wird. Ein Model mitten in der Drehung, als wolle es gerade zur Kamera blicken. Ein statisches, perfekt symmetrisches Flatlay dagegen wirkt beim Animieren eher fade.

Zu welchen Modellen ich greife

Nicht jedes Modell beherrscht Fotoanimation gleich gut. Nach meinen eigenen Läufen sieht die Aufteilung so aus.

Kling 3.0 ist mein Arbeitspferd für I2V. Es hält das Ausgangsbild sauber fest und liefert trotzdem natürliche Bewegung, besonders bei Stoff, Haar, allem, was von selbst schwingt. Auch Text auf Verpackungen bleibt lesbar statt zu verschwimmen. Ausführlicher Kling-Test hier.

Hailuo ist meine Wahl, sobald ein Gesicht im Bild ist. Animierst du ein Frame mit einem Model drauf, liefert es die besten Mimik-Ergebnisse, die ich bisher gesehen habe: ein feines Lächeln, eine Kopfdrehung, ein Blick zur Seite. Für Testimonial-Look oder Beauty-Content greife ich als Erstes dazu. Hailuo habe ich separat besprochen.

Wan 2.7 ist meine Wahl, wenn das Produkt überzeugend funktionieren soll. Mechanik, Physik, irgendetwas, das sich dreht oder eingießt. Es versteht das Verhalten von Objekten besser als die meisten anderen und verzerrt die Form seltener. Wan-Test hier.

Seedance 2.0 eignet sich für UGC-artige Bewegung, wenn es aussehen soll, als hätte jemand das mit dem Handy gefilmt. Etwas lebendiger, lockerer. Mehr zu Seedance.

Und Runway ist für die Nachbearbeitung da: Wenn dein I2V-Ergebnis fast stimmt, aber etwas im Hintergrund stört oder das Licht nicht passt, kann Aleph einen bereits generierten Clip per Textprompt korrigieren. Was Aleph kann.

Meist klappt es bei mir nicht beim ersten Versuch. Ich schicke dasselbe Foto durch zwei oder drei Modelle und schaue, welches mein Produkt tatsächlich verstanden hat. Der Vorteil bei Flami: Alle liegen unter einem Abo, kein Springen zwischen einzelnen Tools und Accounts.

Prompts für die Animation schreiben

Die Logik unterscheidet sich hier von Text-to-Video. Das Produkt ist durch das Bild schon festgelegt, du musst also nicht beschreiben, wie es aussieht. Nur die Bewegung zählt.

Gut: „Kamera fährt langsam heran, Produkt dreht sich leicht, weiches Licht wandert über die Oberfläche.“ Kurz, fokussiert auf Bewegung.

Schlecht: das Produkt selbst noch einmal zu beschreiben, etwa dass es sich um einen roten Edelstahlkessel handelt. Das Modell sieht das bereits auf dem Foto. Beschreibst du das Aussehen erneut, riskierst du, dass das Modell beschließt, das Produkt an deine Worte „anzupassen“, was es vom Ausgangsbild wegzieht.

Der wichtigste Trick: Verlange die kleinste Bewegung, die noch bewusst wirkt. Keine „wilde 720-Grad-Drehung“, sondern ein „ruhiges Heranfahren mit sanftem Schwingen“. Je zurückhaltender die Bewegung, desto höher die Chance, dass das Produkt es selbst bleibt. Eine auffällige, dramatische Bewegung kostet fast immer Verzerrung.

Trotzdem heißt „wenig Text“ nicht „vage“. Zerlege die Bewegung sekundenweise, genauso detailliert wie einen Text-to-Video-Prompt, nur dass es ausschließlich um Bewegung geht, nicht um Aussehen. Hier ein funktionierendes Beispiel für das Foto einer Parfümflasche:

„Animiere dieses Foto: eine Parfümflasche auf einem Tisch. 0-2 Sek: Kamera fährt langsam von der Totale auf eine Nahaufnahme, die Flasche bleibt still. 2-4 Sek: Ein Lichtstrahl gleitet sanft von links nach rechts über das Glas, ein Lichtblitz huscht über die Facetten. 4-6 Sek: Die Reflexion verschiebt sich kaum merklich, ein feiner Dunst bildet sich hinter der Flasche und löst sich auf. Kamera bleibt fast statisch, Bewegung minimal und ruhig. Das Produkt behält Form, Farbe und Etikett unverändert."

Beachte: Die Detailtiefe ist voll da, aber sie betrifft Licht, Kamera und Mikrobewegung, nicht das Aussehen der Flasche, das ist bereits durchs Foto gesetzt.

Unterstützt das Modell Negative Prompts, ergänze ich „Verformung, verzerrte Form, Schmelzen, verzerrter Text“. Hilft nicht immer, schadet aber nie.

Und derselbe Punkt wie in meinem Prompt-Guide gilt auch hier: Es lohnt sich, die Bewegungsbeschreibung ins Englische zu übersetzen, bevor du sie laufen lässt. Bei I2V fällt das besonders auf, ein englischer Prompt verleitet das Modell seltener dazu, das Produkt eigenmächtig zu „korrigieren“.

Häufige Fehler, die aus einem Produkt Matsch machen

Zu schnelle Bewegung. Mit Abstand das häufigste Problem. Du willst einen Wow-Effekt, verlangst eine schnelle Drehung, und das Modell schafft es nicht, die Form zusammenzuhalten. Die Proportionen verschieben sich direkt vor deinen Augen. Die Lösung ist simpel: Bewegung zurücknehmen.

Ein unruhiger Hintergrund. Hatte ich schon erwähnt, ist aber wichtig genug für die Wiederholung. Ein verrauschter Hintergrund zieht das Produkt beim Animieren mit. Fotografiere wenn möglich auf einem sauberen Hintergrund oder bereinige das Foto, bevor es durch I2V läuft.

Kleine Schrift auf dem Etikett. Viele Modelle tun sich schwer, winzigen Text über die Bewegung hinweg stabil zu halten, er beginnt zu flimmern und zerfällt. Ist eine lesbare Zutatenliste oder ein Markenname wichtig, wähle entweder ein Modell, das Text gut hält (Kling, Wan), oder lege keine aktive Bewegung auf diesen Bildbereich.

Nahaufnahmen von Gesichtern beim falschen Modell. Animierst du ein Porträt mit einem Modell, das nicht für Gesichter gebaut ist, entsteht dieser Uncanny-Effekt, bei dem der Ausdruck leicht daneben wirkt. Nimm stattdessen Hailuo.

Eine Beobachtung noch, bei der ich mir nicht ganz sicher bin, ob sie wirklich stimmt: Vertikale Fotos scheinen bei Produktcontent etwas zuverlässiger zu animieren als horizontale. Könnte daran liegen, dass die Modelle stärker auf vertikalem Social-Content trainiert sind. Könnte auch einfach Zufall in meinen eigenen Tests sein.

Wann I2V, wann lieber neu fotografieren

I2V ist keine Magie und kein Ersatz für alles. So sortiere ich es für mich.

Eine Fotoanimation funktioniert hervorragend, wenn du bereits eine solide statische Aufnahme hast und nur noch Bewegung für ein zweites Galeriebild oder ein Coverfoto brauchst. Schnell, günstig, und das Produkt bleibt wiedererkennbar.

Brauchst du dagegen ein volles Narrativ mit mehreren Szenen, einer Person, einer Schritt-für-Schritt-Demo, reicht ein einziges Foto nicht. Dann ist entweder Text-to-Video von Grund auf gefragt oder ein echtes Shooting. Aus einem einzigen Bild zauberst du keine Geschichte, egal wie sehr du es versuchst.

I2V bringt also ein Foto zum Leben. Soll es eine Geschichte mit Szenenwechseln werden, ist das eine andere Aufgabe, neu generieren oder neu drehen.

Wie du es ausprobierst

Bei Flami lädst du dein Foto hoch, wählst das Modell, das zu deiner Aufgabe passt, und schreibst einen kurzen Prompt zur Bewegung. Hast du viele Produkte auf einmal, kannst du im Modus „Video aus Produkt“ einfach den Link deiner Produktseite einfügen, und der Dienst zieht die Fotos von dort und animiert sie mit einer Vorlage deiner Wahl. Die zweite Option ist für Stapelverarbeitung gedacht, die erste für Einzelstücke.

Ein letzter Tipp: Starte mit deinem saubersten Foto und der ruhigsten Bewegung, die du formulieren kannst. Funktioniert das, kannst du von dort aus mehr Dynamik dazunehmen. Das ist günstiger, als gleich groß einzusteigen und sich hinterher zu fragen, warum aus dem Produkt Matsch geworden ist.

Animiere dein eigenes Foto → flami.pro

FAQ

Was ist Image-to-Video? Ein Modus, bei dem ein KI-Modell dein Foto als ersten Frame nimmt und Bewegung darauf aufbaut, aus einem stehenden Bild wird so ein kurzes Video. Das Produkt bleibt wiedererkennbar, nur die Bewegung ändert sich.

Welches Modell eignet sich am besten, um ein Produktfoto zu animieren? Kommt auf die Aufgabe an. Kling 3.0 ist vielseitig und hält das Ausgangsbild gut, Wan 2.7 eignet sich für funktionierende Mechanik und Physik, Hailuo für Gesichter und Mimik, Seedance für UGC-artige Bewegung. Ich schicke ein Foto meist durch zwei oder drei und wähle den Gewinner.

Warum verzerrt sich das Produkt beim Animieren? Meist liegt es an zu aggressiver Bewegung, einem unruhigen Hintergrund oder daran, dass das Objekt die Bildränder berührt. Nimm die Bewegung zurück und verwende ein Foto auf sauberem Hintergrund mit Rand um das Produkt.

Kann ich ein unscharfes, qualitativ schwaches Foto animieren? Besser nicht. Ist die Quelle nicht scharf, füllt das Modell Details selbst auf, und das Produkt driftet. Nimm dein sauberstes Bild, meist dein Hauptfoto.

Muss ich das Produkt im Prompt für I2V beschreiben? Nein. Das Aussehen ist schon durch das Foto festgelegt. Beschreibe nur die Bewegung: Kamerafahrt, eine leichte Drehung, wie sich das Licht bewegt. Beschreibst du das Aussehen erneut, kann das Produkt vom Ausgangsbild wegdriften.

Quellen

1. Flami: Kling 3.0 Test
2. Flami: Hailuo von MiniMax Test
3. Flami: Wan 2.7 Test
4. Flami: Runway Aleph Test