← Alle ArtikelRatgeber für Händler

KI Foto zu Video mit Ton: So bringst du ein Foto mit Stimme zum Leben

Jonas Becker13. November 20263 Min. Lesezeit
KI Foto zu Video mit Ton: So bringst du ein Foto mit Stimme zum Leben

KI Foto zu Video mit Ton entsteht selten in einem Schritt: Bewegung und Audio kommen aus getrennten Modellen. So passen die Teile wirklich zusammen.

Ein Tool für KI Foto zu Video mit Ton schafft das fast nie in einem Rutsch. Bewegung und Audio kommen fast immer aus zwei unterschiedlichen Modellen. Das Ergebnis stimmt am Ende trotzdem, nur der Weg dahin braucht drei Schritte.

Die drei Ebenen eines solchen Clips

Bewegung. Aus einem Standbild werden ein paar Sekunden Video: eine leichte Kamerafahrt, ein Objekt, das sich bewegt, ein Blinzeln auf einem Porträt.

Stimme. Sprache aus Text generiert, oder deine eigene Aufnahme.

Hintergrund. Atmosphäre, Effekte oder Musik.

Manche Modelle liefern Bewegung und Hintergrund in einem Durchgang. Wir haben in einem eigenen Beitrag aufgeschlüsselt, wie das in der Praxis aussieht. Die Stimme kommt fast immer erst danach dazu.

So gehst du dabei konkret vor

Schritt eins: Standbild animieren. Setze auf dezente Bewegung statt große Aktion. Ziehst du das zu lange, zerfällt das Bild.

Schritt zwei: Audio vorbereiten. Lass deinen Text von einem Text-to-Speech-Tool vorlesen. Wie man die passende Stimme wählt, steht in einem separaten Guide.

Schritt drei: Zusammensetzen. Stimme unter das Video legen, Hintergrundgeräusch dazumischen, Pegel ausbalancieren.

Steht das Skript schon, dauert das Ganze etwa zwanzig Minuten.

Wenn die Person im Foto sprechen soll

Das ist ein anderer, schwierigerer Fall.

Die Lippensynchronisation muss zur Sprache passen, und das funktioniert zuverlässig nur bei kurzen Textzeilen. Wird der Clip länger, läuft der Sync aus dem Ruder.

Hier dreht sich auch die Reihenfolge um: erst das Audio, dann die passende Bewegung generieren. Die Mechanik dahinter erklärt dieser Guide.

Für Produktfotos kommt das ohnehin selten vor. Ein Voiceover liefert das gleiche Ergebnis mit weniger Aufwand.

Was ein solcher Clip nicht kann

Ton, der exakt zur Bewegung im Bild passt. Dreht sich ein Produkt im Frame, bekommst du kein Swoosh-Geräusch genau zum richtigen Zeitpunkt. Das muss man von Hand platzieren.

Eine lange Laufzeit. Stabile Bewegung aus einem einzelnen Bild hält ein paar Sekunden, danach beginnt das Bild zu verzerren.

Ausdrucksstarke Betonung. Text-to-Speech liefert eine flache, gleichmäßige Sprechweise.

Ein fertiges Ergebnis beim ersten Versuch. Allein die Bewegung richtig hinzubekommen, braucht meist drei bis vier Anläufe.

Ich greife zu diesem Setup in zwei Situationen: wenn es nur eine gute Aufnahme gibt und kein Nachdrehen möglich ist, und wenn ich einen Übergangsclip zwischen Produktfotos brauche.

Ich kann mich damit auch irren. Am Ende ersetze ich die Hälfte dieser Clips wieder durch ein einfaches Standbild mit Textoverlay, weil die Bewegung schlicht nichts bringt.

FAQ

Lässt sich ein Foto mit Ton in einem Durchgang animieren? Meist nicht. Bewegung und Stimme stammen aus unterschiedlichen Tools und werden hinterher im Schnitt zusammengeführt.

Wie lange dauert so ein Clip? Rund zwanzig Minuten, wenn das Skript steht: Standbild animieren, Sprache generieren, alles zusammensetzen.

Was, wenn die Person im Foto sprechen soll? Erst das Audio generieren, dann die passende Bewegung. Lippensynchronisation funktioniert nur bei kurzen Sätzen zuverlässig.

Wie lang kann der fertige Clip sein? Ein paar Sekunden stabile Bewegung aus einem Bild. Danach beginnt das Bild zu verzerren.

Warum passt der Ton nicht zur Bewegung im Bild? Das Modell wählt Ton nach dem, was in der Szene zu sehen ist, nicht nach dem exakten Timing einer Aktion. Präzise Synchronisation muss man manuell nachtragen.

Quellen

  1. Flami: KI-Video mit Ton
  2. Flami: Sprechendes Foto per KI
  3. Flami: Text-to-Speech mit weiblicher Stimme

Über den Autor

Jonas Becker

Tester bei Flami

Auch interessant

Hol dir 15 Credits kostenlos

Damit kannst du Bilder und Videos generieren:

≈ 11 × Nano Banana 2, ≈ 12 × GPT Image 2, ≈ 1 × Seedance 2

Kostenlose Credits holen