Entstehung

KI & Video

Zwei Wege zum KI-Musikvideo – und warum es Bild für Bild wurde

Zwei Methoden

Kurzfilme zusammensetzen oder den ganzen Film erzeugen lassen?

Für ein Musikvideo mit KI gibt es heute zwei grundsätzlich verschiedene Wege. Für „Hieronymus“ wurden beide ausprobiert.

Gewählt

Kurzfilme zusammensetzen

Viele kurze Clips, einzeln erzeugt und verkettet

KI-Videowerkzeuge erzeugen meist nur Clips von wenigen Sekunden. Für jedes Video wurden deshalb neun bis zwölf Kurzfilme einzeln erzeugt. Das letzte Bild eines Clips wird zum Startbild des nächsten. So entsteht ein durchgehender Bildfluss, obwohl jeder Clip für sich entstanden ist.

Jede Szene wird bewusst geplant und beschrieben.
Misslungene Clips lassen sich einzeln verwerfen und neu erzeugen.
Die Bildsprache bleibt über das ganze Video kontrollierbar.
Mehr Arbeit – aber das Ergebnis erzählt, was der Song erzählen soll.

Getestet

Den ganzen Film erzeugen lassen

Ein Prompt, ein Song, ein komplettes Video

Neuere Werkzeuge versprechen, aus einem einzigen Prompt und der Musik ein vollständiges Musikvideo zu erzeugen. Das klingt verlockend: kein Planen, kein Verketten, kein Schnitt.

Sehr schnell ein erstes Ergebnis.
Kaum Einfluss auf einzelne Szenen und ihre Abfolge.
Fehler lassen sich nicht gezielt an einer Stelle beheben.
Korrekturen kosten zusätzliche Durchläufe – und oft zusätzliches Geld.

Die Erfahrung mit Freebeat

Neben Canva und Adobe Firefly wurde Freebeat getestet, ein Werkzeug, das nach einem Prompt ganze Videos erstellt. Dabei zeigten sich schnell die Grenzen dieser Methode: In der Darstellung traten erhebliche, unlogische Fehler auf. Figuren veränderten sich von Szene zu Szene, Gegenstände tauchten auf und verschwanden wieder, Abläufe ergaben keinen Sinn.

Solche Fehler hätten sich nur mit viel Aufwand und zusätzlichen Kosten beseitigen lassen, weil jede Korrektur einen neuen, kostenpflichtigen Durchlauf bedeutet hätte. Für ein Album, dessen Bilder eine klare Aussage tragen sollen, war das keine Lösung. Die Methode wurde deshalb nicht weiterverfolgt.

Freebeat ist dabei kein Einzelfall. Neben Freebeat gibt es weitere kostenpflichtige Werkzeuge, die nach demselben Prinzip arbeiten und ähnliche Ergebnisse liefern: schnell ein erstes Video, aber wenig Kontrolle über die einzelnen Szenen und teure Korrekturen.

Was daraus folgt

Je mehr die KI allein entscheidet, desto weniger erzählt das Video, was es erzählen soll.

Das Zusammensetzen aus Kurzfilmen ist aufwendiger, aber es lässt die Entscheidungen beim Menschen: Welche Szene kommt, wie lange sie dauert, welche Fassung bleibt. Genau darum geht es auch im Album selbst – um die Frage, wer die Bilder macht, die wir sehen, und mit welcher Absicht.

Kriterium	Kurzfilme zusammensetzen	Ganzer Film per Prompt
Kontrolle	Jede Szene einzeln planbar	Gering, die KI bestimmt Abfolge und Inhalt
Logik und Stimmigkeit	Fehler sind erkennbar und einzeln behebbar	Im Test erhebliche unlogische Fehler
Zeitaufwand	Hoch: planen, erzeugen, verketten, schneiden	Anfangs gering, Korrekturen aufwendig
Kosten	Planbar, mit Canva auch kostenlos möglich	Jeder neue Durchlauf kostet
Lerneffekt in der Schule	Hoch: Storyboard, Bildsprache, Entscheidungen	Gering, aber gut als Anschauungsbeispiel für KI-Fehler

Werkzeuge

Werkzeuge, Zugang und Kosten

Werkzeug	Eingesetzt für	Zugang und Kosten
Canva	Startbilder, Videoclips, Schnitt	Für Lehrkräfte kostenlos (Canva for Education), inklusive KI-Funktionen. Lehrkräfte können Schülerinnen und Schülern einen eigenen Zugang einrichten.
Adobe Firefly	Videoclips	Nur mit einem Adobe-Abo nutzbar
ChatGPT, Gemini	Startbilder	Eigenes Konto nötig; Altersgrenzen und Nutzungsbedingungen beachten
iMovie	Schnitt	Kostenlos auf Apple-Geräten, auch auf dem iPad
Freebeat	Komplettvideo per Prompt (getestet, verworfen)	Korrekturen nur über zusätzliche, kostenpflichtige Durchläufe
Ähnliche Komplettvideo-Tools	nicht eingesetzt	Ebenfalls kostenpflichtig, mit vergleichbaren Grenzen

Für die Schule

Warum Canva für „Hieronymus“ besonders geeignet ist

Für den Einsatz im Unterricht hat Canva einen entscheidenden Vorteil: Lehrkräfte erhalten eine kostenlose Version, und sie können ihren Schülerinnen und Schülern einen eigenen Zugang einrichten. Damit greifen die Jugendlichen selbst kreativ auf die KI-Funktionen zu – ohne eigenes Abo und ohne private Konten bei verschiedenen Anbietern.

Im Projekt „Hieronymus“ können die Gruppen so den ganzen Weg selbst gehen, alles in einem Werkzeug:

ein Startbild zu einem Bosch-Detail oder einem Thema der Gegenwart erzeugen,
daraus kurze Clips entwickeln und über das letzte Bild verketten,
die Clips schneiden, mit Musik unterlegen und präsentieren.

Kreativ und kritisch zugleich

Gerade beim Projektthema ist der eigene Zugang wertvoll. Wer selbst ein KI-Video gebaut hat, sieht die Fehler der Maschine mit anderen Augen: Hände mit sechs Fingern, Gesichter, die sich verändern, Szenen ohne Logik. Was im Album Deceptio heißt – die Täuschung –, wird hier praktisch erfahrbar.

Die Schülerinnen und Schüler erleben beide Seiten derselben Technik: Sie gestalten eigene Bilder gegen Hetze und Angst, und sie lernen, wie leicht sich mit denselben Werkzeugen Bilder herstellen lassen, die täuschen sollen.

Hinweis für Schulen: Vor dem Einsatz mit Schülerinnen und Schülern sollte geklärt sein, ob die Nutzung von Canva an der eigenen Schule datenschutzrechtlich freigegeben ist. Ansprechpartner sind die Schulleitung, die oder der Datenschutzbeauftragte und die Medienberatung vor Ort.

Arbeitsweise

So entsteht ein Video

Das Startbild. Am Anfang steht ein Bild, das die Grundstimmung setzt: eine Bosch-artige Landschaft, ein Nachrichtenstudio, eine Menge mit Fackeln.
Szenen planen. Zum Songtext wird eine Abfolge von Szenen geplant, etwa neun bis zwölf Clips pro Song. Jede Szene erhält eine knappe Beschreibung: Was passiert? Wer bewegt sich wie? Welche Stimmung?
Clip erzeugen. Aus Startbild und Beschreibung erzeugt die KI einen kurzen Clip. Oft braucht es mehrere Versuche, bis Bewegung und Stimmung stimmen.
Verketten. Das letzte Bild des fertigen Clips wird exportiert und als Startbild für den nächsten verwendet.
Zusammensetzen. Im Schnitt werden die Clips zu einem Film verbunden, auf die Musik abgestimmt und bei Bedarf verlangsamt, damit der Rhythmus der Bilder zum Song passt.

Bildsprache

Silhouetten statt Gesichter. In mehreren Videos erscheinen Menschen als Schattenrisse oder anonyme Figuren. Das hat einen inhaltlichen und einen ethischen Grund: Die Figuren stehen für alle, nicht für bestimmte Personen. Und es werden keine realen Menschen nachgebildet.

Bosch in der Gegenwart. Die Bilder mischen Boschs Welt mit heutigen Szenen: Riesenfrüchte neben einem Nachrichtenstudio, ein Narrenschiff im Sturm, brennende Städte. Sie zitieren Boschs Motive, ohne seine Bilder zu kopieren.

Gegenwart im Bild. Die Kurzfilme zu „Die süße Lüge“ führen von der Werbelüge bei Lebensmitteln bis zur politischen Falschinformation.

Dieselbe Technik, zwei Gesichter

Mit denselben Werkzeugen, mit denen diese Videos entstanden sind, lassen sich auch Deepfakes herstellen: gefälschte Videos realer Menschen, die Dinge sagen oder tun, die nie passiert sind.

Woran man KI-Videos oft (noch) erkennt:

Hände, Finger und Zähne sehen seltsam aus oder verändern sich.
Schrift im Bild ist unleserlich oder verschwimmt.
Gegenstände tauchen auf, verschwinden oder verschmelzen.
Licht, Schatten und Spiegelungen passen nicht zusammen.
Clips sind sehr kurz, Schnitte kommen in auffällig gleichen Abständen.

Diese Merkmale werden mit jeder Generation seltener. Wichtiger als das Erkennen von Fehlern ist deshalb die Frage: Woher stammt das Video, und wer hat ein Interesse daran, dass ich es glaube?