Text-zu-Video: aus einem Prompt ein KI-Video mit Ton

4 Modelle erstellen Videos von 4 bis 30 Sekunden in bis zu 2K; 4 davon mit Ton. Videos gibt es ab 25 Credits (0,25 $), ohne Abo, und deine Credits verfallen nicht. Platzierungen in der Artificial Analysis Text to Video Arena (Stand: 30. Oktober 2026): Wan 3.0 auf Platz 1 (Elo 1.175), MiniMax H3 auf Platz 3, Seedance 2.5 auf Platz 4.

Schreib auf, was passieren soll, wähle ein Modell – und nach wenigen Minuten hast du ein KI-Video mit Ton. So funktioniert Text-zu-Video mit KI auf zzo.ai: Den Preis siehst du vor dem Generieren, bezahlt wird mit Credits aus einem Credit-Paket, das du einmalig kaufst, und schlägt ein Video fehl, bekommst du die Credits automatisch zurück.

Prompt aus diesem Video. Pass ihn an oder schreib deinen eigenen.

Ton

Mit diesen Modellen erstellt

Bei jedem siehst du Prompt, Modell und was es hier kostet. Wähl eins aus, um damit zu starten.

Konditorin, 30 Sekunden am Stück — “One unbroken handheld take, direct-flash 35mm snapshot look, fine grain, white tile and bright window light. 0-5s: from behind, a young pastry cook in a white jacket and a long black apron pipes the last pale-yellow buttercream flowers onto a small white cake on a scrubbed wooden bench in a narrow tiled pantry, steel bowls stacked on the shelves. 5-10s: she puts the piping bag down, turns the cake once on its plate to check it from every side, and straightens one flower with a fingertip. 10-15s: she lifts the cake on its plate, turns and carries it through the cramped kitchen past hanging ladles and a steaming stockpot, the camera following at shoulder height. 15-20s: she shoulders open a back door into a quiet, sunlit courtyard and walks across the flagstones. 20-25s: she sets the cake down on a weathered table laid for one and steps back to look at it. 25-30s: she wipes her hands on the apron and walks back inside, leaving the cake alone on the table in the sun. Sound: piping bag squeeze, a pot lid rattling, the door creak, birds outside.”Kling 4.0, 30 s, mit Ton, 1.410 Credits, erstellt auf Kling AI

Filmkulisse bei Nacht, 30 Sekunden am Stück — “One unbroken thirty-second Steadicam move through a working film studio backlot at two in the morning. No cuts anywhere in the take. 0 to 6s: the camera walks out of a scene dock past stacked flats and a rail of period costume, catching a grip taping down a cable run, then pushes through hanging plastic sheeting into open air. 6 to 14s: it crosses a New York street standing set with the rain machines at full pressure, water sheeting off fire escapes and pooling in the gutters, a stunt performer in a soaked overcoat waiting on her mark while a focus puller measures to her face. 14 to 22s: it turns left down a service alley between two sound stages, past a catering truck with its shutter half down and an electrician asleep in a folding chair, the rain noise falling away behind the wall. 22 to 30s: it comes out onto the lot road, cranes up over a parked camera truck and holds on the whole backlot under sodium light, rain still falling on one street and nowhere else. Anamorphic, sodium and mercury practicals, deep blacks, fine film grain. Sound: rain machines roaring then dropping off, a radio crackle, boots on wet asphalt, a generator running under everything, no music.”Wan 3.0, 30 s, mit Ton, 1.200 Credits, erstellt auf Wan

Nudelstand: ein Satz, dann Flammen — “Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”MiniMax H3, 10 s, mit Ton, 80 Credits

Werbespot mit mechanischer Blume — “The theme is "mechanical flower bloom". The image needs to highlight the generative video model's strengths in lighting and shadow, art detail, realism, camera movement, and cinematic character feel. The overall style is a high-end tech-brand ad with strong visual impact. The video uses a single-take macro push-in shot, starting from a metal flower bud in darkness, gradually entering the precision mechanical structure inside the petals, and finally climaxing on the image of the mechanical flower fully blooming with light radiating outward. It requires realistic physical lighting, refined metal and glass materials, delicate mechanical motion, stable composition, cinematic color grading, no subtitles.”Seedance 2.5, 15 s, mit Ton, 890 Credits, erstellt auf Dreamina

Ruderin im Morgengrauen, 15 Sekunden am Stück — “One unbroken handheld take on 16mm film, misty grey dawn, a muted palette of wet timber, slate water and fog with one faded-red accent. 0-4s: inside an old timber boathouse on a still lake, a young woman in a faded red rowing vest and grey leggings lifts a pair of long wooden oars down from a wall rack. 4-8s: she carries the oars on her shoulder down the wet wooden slipway, the camera following behind her at shoulder height. 8-12s: she steps carefully into a narrow white single scull tied at the jetty, sits, and slots the oars into their riggers. 12-15s: she pushes off from the jetty with one hand and takes her first stroke, the scull gliding out into the fog, ripples spreading toward the camera. Sound: creaking boards, her footsteps, water lapping, one distant bird call.”Kling 4.0, 15 s, mit Ton, 705 Credits, erstellt auf Kling AI

Köchin, ein Satz in die Kamera — “A chef in her forties looks straight into the camera in a bright open kitchen and says, "The secret is you never crowd the pan." She smiles and turns back to the stove. Clean daylight from a window, white tile, flour on her apron, a strand of hair loose. Medium close-up, 50mm, slight handheld. Sound: her voice close and clear, a gentle sizzle, a knife on a board off screen.”MiniMax H3, 5 s, mit Ton, 40 Credits

Quallen am Korallenriff — “A deep-sea coral-reef scene, a blue-toned tropical underwater world with large expanses of healthy, thriving colorful living coral, including branching coral, brain coral, plate coral, and soft sea-fan coral, with large schools of tropical fish weaving naturally among them. The foreground is crisp and vivid; the distance gradually turns bluer and grayer with reduced contrast. Natural light from above is filtered through the seawater into soft volumetric light, with fine suspended particles and a gentle sense of flow in the water, the soft corals swaying lightly and the fish schools moving smoothly and in coordination. Add a group of semi-transparent pale-lavender glowing jellyfish slowly appearing, 8-12 of them, in varying sizes. Their bell bodies carry a soft bioluminescent effect, tentacles drifting gently with the current, the tentacle tips bearing faint purple light points. The jellyfish are proportioned harmoniously with the corals and fish, the glow soft and not harsh, forming dreamy light spots against the dark seawater background. The jellyfish swarm's movement path is natural, rising in a slow ascending spiral, with some jellyfish swimming past in front of the lens to produce a slight lens-flare effect. Maintain the underwater blue-toned lighting, the jellyfish glow coexisting harmoniously with the faint reflections of the surrounding coral.”Seedance 2.5, 10 s, mit Ton, 595 Credits, erstellt auf Dreamina

Hüftwurf beim Judo — “Real-time speed, 35mm documentary look, flat daylight from tall paper windows in an old wooden dojo with straw-yellow tatami. Two women judoka, one in a white judogi and one in a deep blue judogi, grip each other's lapels and sleeves. The woman in white steps in, turns her hip under her opponent and throws her in a clean hip throw; the woman in blue rotates over her hip through the air, lands flat on her back with a loud slap of the mat and immediately rolls up to her knees. Camera: low handheld, side-on, following the throw. Sound: bare feet on tatami, a sharp exhale, the slap of the landing.”Kling 4.0, 5 s, mit Ton, 235 Credits, erstellt auf Kling AI

Verfolgungsjagd im Plüsch-Weltall — “A 20-second ultra-widescreen plush universe adventure clip, featuring ultra-fine plush textures throughout, cinematic space scale, a contrast between cute appearances and intense action, exaggerated FPV camera movements, and realistic soft-body physics. A spaceship made of plush fabric, buttons, zippers, and stuffing cotton carries three small plush animals — a rabbit, a fox, and a crow — fleeing at high speed through a universe composed of giant yarn planets, fluffy nebulae, and puppet giant beasts. A massive interstellar whale beast covered in deep blue long fur with eyes like two glass buttons chases the ship from within the nebula. The dynamics include the zipper ship launching via catapult, high-speed orbiting around a yarn planet, the giant whale bursting out from behind, navigating through a button asteroid belt, being swallowed by the whale beast, escaping through a golden zipper on its back, the whale slowly deflating as if losing its stuffing cotton, and finally flying through a pink-purple fluffy nebula toward a colorful button sun.”Wan 3.0, 20 s, mit Ton, 400 Credits, erstellt auf Wan

Frosch als Knetfigur — “Stop-motion claymation: a round green frog in a knitted scarf carries a stack of pancakes across a tiny kitchen set, sets it down, then looks at camera and blinks. Visible fingerprints in the clay, felt walls, warm practical lamps, stepped 12fps motion. Sound: playful pizzicato strings, soft clay squeaks, a plate clink.”MiniMax H3, 5 s, mit Ton, 40 Credits

So erstellst du aus Text ein Video

1
Modell wählen
Zu Beginn ist Seedance 2.5 ausgewählt. Für Aufnahmen bis zu 30 Sekunden wechselst du zu Wan 3.0 oder Kling 4.0 (Kling AI), für schnelle, günstige Entwürfe zu MiniMax H3 (Hailuo AI). Was jedes Modell kann und kostet, zeigt die Tabelle weiter unten.
2
Die Einstellung beschreiben
Schreib zuerst, was die Kamera macht, dann wer im Bild ist, was passiert und was man hört. Gesprochenen Text setzt du in Anführungszeichen. Details findest du weiter unten in der Prompt-Anleitung.
3
Länge, Format und Ton festlegen
Wähle Länge, Auflösung, Seitenverhältnis (9:16 im Hochformat für Instagram Reels, TikTok und YouTube Shorts) und ob das Video Ton haben soll. Der Preis passt sich bei jeder Änderung an – bevor du etwas ausgibst.
4
Generieren und verfeinern
Die meisten Videos sind nach wenigen Minuten fertig und bleiben in deinem Verlauf. Teste Formulierungen mit kurzer Länge oder niedriger Auflösung und generiere die Version, die dir gefällt, danach in voller Qualität.

Unterstützte Modelle und Preise

Aktualisiert am 30. Oktober 2026

Modell	Videolänge	Max. Auflösung	Ton	Seitenverhältnisse	Video mit 5 s	Video mit 10 s	Arena-Platz
Seedance 2.5	4–15s	1080p	Ja	16:9, 9:16, 1:1, 4:3, 3:4, 21:9	300 Credits3,00 $	595 Credits5,95 $	Platz 4 · Elo 1.157Dreamina Seedance 2.5
Kling 4.0	5–30s	1080p	Ja	16:9, 9:16, 1:1, 21:9	160 Credits1,60 $	315 Credits3,15 $	Noch nicht gelistet
Wan 3.0	5–30s	1080p	Ja	16:9, 9:16, 1:1, 4:3, 3:4	100 Credits1,00 $	200 Credits2,00 $	Platz 1 · Elo 1.175
MiniMax H3	5–15s	2K	Ja	16:9, 9:16, 1:1, 4:3, 3:4, 21:9	40 Credits0,40 $	80 Credits0,80 $	Platz 3 · Elo 1.161MiniMax H3 (768p)

Videopreise gelten für 720p mit Ton (MiniMax H3: 768p), jeweils für die Version des Modells mit dem niedrigsten Preis; höhere Auflösungen kosten mehr. Der Arena-Platz ist die Platzierung samt Elo-Wert aus anonymen Paarvergleichen (AA-Video-T2V v2.1, with audio, Stand: 30. Oktober 2026) in der Artificial Analysis Text to Video Arena

Text-zu-Video-Beispiele mit Prompts

Zu jedem Beispiel gibt es den genauen Prompt, die Einstellungen und den Preis. Übernimm es direkt in den Generator oben oder pass es vorher an.

Kamerafahrt auf eine Terrakotta-Vase — erstellt auf Wan

Wan 3.0

Ein Produktvideo in einer Kamerafahrt

Eine langsame Fahrt auf eine Vase in einem sonnigen Raum zu, in einer einzigen Einstellung. Der Prompt stammt aus dem Vergleich Wan 3.0 vs. Seedance 2.5 von Fuser.

Text-zu-Video
720p
5 s
mit Ton
16:9

“Slow dolly-in on a matte terracotta vase standing on a travertine plinth in a sunlit plaster room. Late-afternoon light slides slowly across the wall as dust drifts through the beam. Calm, premium product film, shallow depth of field. Audio: soft room tone and a faint breeze.”

Tipp: Eine Kamerabewegung pro Video, mit Tempo: „slow dolly-in“.

100 Credits

Keks auf dem Drehteller, Hochformat — erstellt auf Dreamina

Seedance 2.5

Hochformat-Werbung für Reels und TikTok

In 9:16 rendert Seedance 2.5 ein echtes Hochformat – keinen Ausschnitt aus einem Querformat – und erzeugt den Ton gleich mit. Der Prompt aus nur einem Satz stammt aus dem Tutorial von ByteDance selbst.

Text-zu-Video
720p
6 s
mit Ton
9:16

“A strawberry sandwich cookie slowly completes one full rotation while the camera moves smoothly around it and keeps the product centered.”

Tipp: Halte das Motiv in der Bildmitte, wo Untertitel und App-Buttons es nicht verdecken.

360 Credits

MiniMax H3

Ein Satz direkt in die Kamera

Sie schaut ins Objektiv und sagt den Satz genau so, wie er im Prompt steht, mit Küchengeräuschen ringsum – erstellt mit der schnellen Version H3 Max Turbo.

Text-zu-Video
768p
5 s
mit Ton
16:9

“A chef in her forties looks straight into the camera in a bright open kitchen and says, "The secret is you never crowd the pan." She smiles and turns back to the stove. Clean daylight from a window, white tile, flour on her apron, a strand of hair loose. Medium close-up, 50mm, slight handheld. Sound: her voice close and clear, a gentle sizzle, a knife on a board off screen.”

Tipp: Setz den Text in Anführungszeichen und schreib, wer spricht und wie: „looks straight into the camera … and says, “…”“.

40 Credits

Kling 4.0

Eine Aufnahme über 30 Sekunden ohne Schnitt

Sechs Abschnitte mit Zeitangaben in einer durchgehenden Einstellung, jeder in seinem Zeitfenster. Der Prompt stammt aus Fusers Prompt-Guide zu Kling 4.0. Wie bei Fuser kam weiches Tageslicht heraus statt des direkten Blitzlicht-Looks, den der Prompt verlangt.

Text-zu-Video
1080p
30 s
mit Ton
16:9

“One unbroken handheld take, direct-flash 35mm snapshot look, fine grain, white tile and bright window light. 0-5s: from behind, a young pastry cook in a white jacket and a long black apron pipes the last pale-yellow buttercream flowers onto a small white cake on a scrubbed wooden bench in a narrow tiled pantry, steel bowls stacked on the shelves. 5-10s: she puts the piping bag down, turns the cake once on its plate to check it from every side, and straightens one flower with a fingertip. 10-15s: she lifts the cake on its plate, turns and carries it through the cramped kitchen past hanging ladles and a steaming stockpot, the camera following at shoulder height. 15-20s: she shoulders open a back door into a quiet, sunlit courtyard and walks across the flagstones. 20-25s: she sets the cake down on a weathered table laid for one and steps back to look at it. 25-30s: she wipes her hands on the apron and walks back inside, leaving the cake alone on the table in the sun. Sound: piping bag squeeze, a pot lid rattling, the door creak, birds outside.”

Tipp: Beginne mit „One unbroken take“ und gib jedem Fünf-Sekunden-Abschnitt eine eigene Handlung („0-5s: …, 5-10s: …“).

1.410 Credits

Kling 4.0

Schnelle Action zwischen zwei Personen

Ein sauberer Hüftwurf: Arme und Beine bleiben bei der richtigen Person, und im Ton hört man den Aufprall auf der Matte. Die Kamera bleibt allerdings stehen, statt der tiefen Handkamera-Bewegung zu folgen, die der Prompt verlangt.

Text-zu-Video
1080p
5 s
mit Ton
16:9

“Real-time speed, 35mm documentary look, flat daylight from tall paper windows in an old wooden dojo with straw-yellow tatami. Two women judoka, one in a white judogi and one in a deep blue judogi, grip each other's lapels and sleeves. The woman in white steps in, turns her hip under her opponent and throws her in a clean hip throw; the woman in blue rotates over her hip through the air, lands flat on her back with a loud slap of the mat and immediately rolls up to her knees. Camera: low handheld, side-on, following the throw. Sound: bare feet on tatami, a sharp exhale, the slap of the landing.”

Tipp: Unterscheide die Personen über ihre Kleidung („the woman in white … the woman in blue“), damit das Modell sie nicht verwechselt.

235 Credits

Seedance 2.5

Ein hochwertiger Markenfilm

Licht auf Metall und Glas ist die größte Stärke von Seedance 2.5. Der Prompt nennt Stil, eine einzige Makro-Kamerafahrt und die Materialien, und das Video folgt ihm von der dunklen Knospe bis zur Blüte, die sich im Licht öffnet.

Text-zu-Video
720p
15 s
mit Ton
16:9

“The theme is "mechanical flower bloom". The image needs to highlight the generative video model's strengths in lighting and shadow, art detail, realism, camera movement, and cinematic character feel. The overall style is a high-end tech-brand ad with strong visual impact. The video uses a single-take macro push-in shot, starting from a metal flower bud in darkness, gradually entering the precision mechanical structure inside the petals, and finally climaxing on the image of the mechanical flower fully blooming with light radiating outward. It requires realistic physical lighting, refined metal and glass materials, delicate mechanical motion, stable composition, cinematic color grading, no subtitles.”

Tipp: Nutze für dein eigenes Produkt denselben Aufbau: Stil, eine Einstellung, Materialien, „no subtitles“.

890 Credits

Wan 3.0

Erst der Satz, dann der große Moment

Er sagt den Satz wie geschrieben, dann schlagen die Flammen aus dem Wok. Der Prompt stammt aus dem Test Seedance 2.5 vs. Wan 3.0 von Krea, in dem ebenfalls Wan 3.0 die Flammen zeigte und Seedance nicht. Die Schilder hinter ihm tragen erfundene Schriftzeichen.

Text-zu-Video
720p
8 s
mit Ton
16:9

“Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”

Tipp: Setz den Satz früh und die große Aktion danach („first …, only then …“).

160 Credits

MiniMax H3

Stop-Motion-Look

Der Knetfiguren-Look und die ruckartige Bewegung halten das ganze Video über. Nach etwa 4 Sekunden schnitt das Modell ungefragt auf eine Nahaufnahme.

Text-zu-Video
768p
5 s
mit Ton
16:9

“Stop-motion claymation: a round green frog in a knitted scarf carries a stack of pancakes across a tiny kitchen set, sets it down, then looks at camera and blinks. Visible fingerprints in the clay, felt walls, warm practical lamps, stepped 12fps motion. Sound: playful pizzicato strings, soft clay squeaks, a plate clink.”

Tipp: Schreib „one continuous shot“ dazu, wenn du keinen Schnitt willst.

40 Credits

So schreibst du einen guten Prompt für KI-Videos

Was in den Prompt gehört – in der Reihenfolge, die die Modelle zuverlässig verarbeiten.

Mit der Kamera anfangen

Beginne mit Einstellungsgröße, Objektiv oder Kamerabewegung, danach folgen Motiv, Handlung und Licht. Mehrere Prompt-Guides empfehlen diese Reihenfolge, und die automatische Prompt-Überarbeitung der Modelle hält den Bildausschnitt besser ein, wenn er am Anfang steht.

“Medium close-up, 50mm, slow push in. A night-market noodle vendor in a white apron stands behind a steaming wok…”

Eine Handlung pro Video – oder jede mit Zeitangabe

Ein Video von 5 Sekunden schafft eine Handlung gut. Bei längeren Aufnahmen bekommt jeder Teil einen eigenen Zeitabschnitt: Fuser hat gemessen, dass Wan 3.0 höchstens ein Frame neben den angegebenen Zeiten schneidet, und Fusers Guide zu Kling 4.0 empfiehlt etwa eine Handlung pro fünf Sekunden.

“0-5s: she pipes the last flower. 5-10s: she steps back and wipes her hands…”

„One continuous shot“ schreiben, wenn du keine Schnitte willst

Kling 4.0 erstellt standardmäßig Videos mit mehreren Einstellungen, und Wan 3.0 wechselt manchmal mitten im Video die Perspektive. Die Guides beider Hersteller lösen das auf dieselbe Weise: Schreib es in die erste Zeile.

“One unbroken take, no cuts. The camera follows…”

Dialog in Anführungszeichen – und früh

Setz gesprochenen Text in Anführungszeichen, schreib dazu, wer spricht und in welcher Sprache, und platziere den Satz früh im Video, damit er Zeit hat, zu Ende zu kommen. Ein Satz, der erst für die letzte Sekunde geplant ist, wird oft abgeschnitten.

“He looks up and says in English, “Thirty years, same pan, same recipe.” Only then the wok flares.”

Den Ton beschreiben, den du willst – und den, den du nicht willst

Alle Modelle hier erzeugen Ton, und ohne Vorgaben wählen sie selbst, oft Musik. Der Guide von ByteDance nutzt Verneinungen nur für Ton und Untertitel: Beende den Prompt mit „No background music“ oder „No subtitles“.

“Sound: oil hissing, a crowd murmuring, no background music. No subtitles.”

Konkrete Details statt Adjektive

Wörter wie „cinematic“ oder „epic“ geben dem Modell nichts, woran es sich halten kann. Eine Farbe, ein Material, eine Tageszeit und ein Gegenstand im Hintergrund schon. Verlass dich nicht auf eine exakte Anzahl von Dingen oder darauf, dass kleiner Text richtig geschrieben wird.

“A red bicycle leaning on a wet brick wall at dusk, a sodium street lamp flickering behind it.”

Welches Text-zu-Video-Modell passt zu dir?

Alle vier Modelle erstellen aus einem geschriebenen Prompt Videos mit Ton, verhalten sich aber unterschiedlich. Die folgenden Hinweise stammen aus unabhängigen Tests mit identischen Prompts von Fuser, Krea und Atlas Cloud, aus den Prompt-Guides der Hersteller und aus den Beispielen, die wir selbst generiert haben. Platzierungen und Preise stehen in der Tabelle oben.

Wan 3.0, das KI-Videomodell von Alibaba, setzt den Prompt am wörtlichsten um. In Kreas Test lieferte es „the most literal, dramatic version of a prompt“, und in Fusers fünf Runden mit identischem Input erfasste es Details, die Seedance 2.5 übersah. Es erstellt bis zu 30 Sekunden in einem Durchgang und kostet pro Sekunde weniger als Seedance 2.5. Seine Schwächen: Manchmal wechselt es mitten im Video die Perspektive, und der Ton ist laut abgemischt (Krea, Fuser).

Seedance 2.5 vom TikTok-Mutterkonzern ByteDance wirkt von den vier Modellen am meisten wie ein Kinofilm: Licht auf Metall, Glas und Haut, ein ruhigerer Mix und Dialoge in mehr als zehn Sprachen. Pro Sekunde ist es das teuerste der vier, in Nahaufnahmen bei 720p werden Gesichter weicher, und schnelle Bewegungen können verzerren. Der Guide von ByteDance rät zu einer Kamerabewegung pro Einstellung (ByteDance).

Kling 4.0 (Kling AI) vom chinesischen Kurzvideo-Anbieter Kuaishou ist das Modell für Action und lange Einstellungen: Bei allen Testern hielten Aufnahmen von 15 bis 30 Sekunden ohne Schnitt, in unserem Judowurf blieben Arme und Beine bei der richtigen Person, und Schild und Untertitel waren richtig geschrieben. Ohne gegenteilige Anweisung setzt es Schnitte und Musik, und manche Stilangaben wie einen bestimmten Filmmaterial-Look lässt es weg (Fuser).

MiniMax H3 (Hailuo AI) vom KI-Unternehmen MiniMax gibt es hier in zwei Versionen. H3 Max Turbo ist am schnellsten und kostet von allen Videos auf dieser Seite am wenigsten – gut, um Formulierungen zu testen, bevor du mehr ausgibst. Die offizielle Version H3 bietet zusätzlich 2K. 768p rendert H3 als 1344×768 statt 720p, und kurze Prompts schreibt es um, was einen Schnitt hinzufügen kann (Krea).

Text-zu-Video oder Bild-zu-Video?

Bei Text-zu-Video erfindet das Modell alles aus deinen Worten, deshalb ergeben zwei Durchläufe mit demselben Prompt zwei verschiedene Videos. Wenn Produkt, Figur oder Bildaufbau zu etwas passen müssen, das du schon hast, startest du besser mit einem Bild: Bei Bild-zu-Video ist dein Bild das Startbild. Ein üblicher Ablauf: das Standbild mit dem KI-Bildgenerator erstellen und es dann animieren.

Länge, Auflösung und Format

Wähle die kürzeste Länge, in die die Handlung passt. 5 Sekunden reichen für eine Bewegung, 10 Sekunden für zwei oder drei Abschnitte mit Zeitangaben, 20 bis 30 Sekunden eignen sich für eine lange Einstellung mit Kling 4.0 oder Wan 3.0. Die Auflösung beeinflusst den Preis stärker als alles andere, und ein neuer Durchlauf in höherer Auflösung ist eine neue Aufnahme, kein Hochskalieren deines Entwurfs – nutze 720p also nur, um Formulierungen zu testen. Lege das Seitenverhältnis vor dem Generieren fest: 16:9 im Querformat für YouTube und Websites, 9:16 im Hochformat fürs Smartphone (Reels, TikTok, Shorts), 1:1 für Feeds und 21:9 mit Kling 4.0, Seedance 2.5 und MiniMax H3 für ein breites Kinoformat.

Was du bezahlst

Jedes Video hat einen Preis in Credits, der von Modell, Länge, Auflösung und Ton abhängt, und du siehst ihn, bevor du generierst. Credits bekommst du in Credit-Paketen, die du einmalig bezahlst. Deine Credits verfallen nicht, und es gibt kein Abo, das du kündigen müsstest. Schlägt ein Video fehl, überschreitet es das Zeitlimit oder wird es abgelehnt, bekommst du die Credits automatisch zurück.

So sind die Beispiele auf dieser Seite entstanden

Zu jedem Beispiel siehst du Prompt, Modell und Einstellungen sowie den heutigen Preis auf zzo.ai. Die meisten Prompts stammen aus veröffentlichten Tests und Guides, die auf jeder Karte genannt sind – so kannst du unser Ergebnis mit ihrem vergleichen. Die Prompts sind auf Englisch, so wie das Modell sie bekommen hat. Einige Beispiele wurden in der App des Modellherstellers mit demselben Modell, Prompt und denselben Einstellungen erstellt und sind entsprechend gekennzeichnet. Kein Video ist nachbearbeitet, und wo ein Video einen Teil des Prompts verfehlt hat, steht es auf der Karte.

Wenn ein Ergebnis danebengeht

Die typischen Probleme, woher sie kommen und was du ändern solltest.

Das Video schneidet ungefragt auf eine andere Perspektive

Ursache: Bei Kling 4.0 ist Multi-Shot standardmäßig aktiv, und Tester sahen Wan 3.0 mitten im Video schneiden, selbst wenn der Prompt es ausdrücklich verbot.

Lösung: Beginne den Prompt mit „One continuous shot, no cuts“ und lass die Handlung an einem Ort. Schneidet es trotzdem, generiere neu oder probier Seedance 2.5.

Unerwünschte Musik oder zu lauter Ton

Ursache: Die Modelle füllen Stille mit einem eigenen Soundtrack. Unabhängige Tests ergaben, dass Kling 4.0 und Wan 3.0 lauter abmischen als Seedance 2.5.

Lösung: Beschreib die Geräusche, die du willst, und beende den Prompt mit „No background music“. Dreh die Lautstärke im Schnittprogramm herunter oder schalte bei Seedance 2.5 und Wan 3.0 den Ton ab.

Text auf Schildern oder Etiketten ist falsch geschrieben

Ursache: Text im Bild ist für Videomodelle noch immer schwierig; ByteDance und Alibaba schreiben das selbst in ihren Hinweisen.

Lösung: Halte Text kurz und setz ihn in Anführungszeichen, oder füge Titel im Schnittprogramm hinzu. Kling 4.0 hat unser Schild und den Untertitel richtig geschrieben.

Schnelle Bewegungen verzerren Hände, Arme, Beine oder Gegenstände

Ursache: Schnelle, große Bewegungen sind für jedes Modell am schwierigsten; der Guide von ByteDance empfiehlt langsame, fließende Bewegungen.

Lösung: Verlangsame die Handlung oder beschreibe eine Bewegung nach der anderen. Bei Kampf, Sport und Tanz schnitt Kling 4.0 in unabhängigen Tests am besten ab.

Der gesprochene Satz wird abgeschnitten

Ursache: Ein Satz, der für das Ende des Videos geschrieben ist, hat keine Zeit mehr, zu Ende zu kommen.

Lösung: Zieh den Satz an den Anfang, kürze ihn oder wähle eine größere Länge.

Das Video wurde abgelehnt oder ist fehlgeschlagen

Ursache: Der Filter des Modells oder unsere Richtlinienprüfung hat den Prompt oder das Ergebnis blockiert, oder das Modell hat das Zeitlimit überschritten. Bei Seedance 2.5 können auch Namen von Marken, Filmmaterial oder Regisseuren eine Ablehnung auslösen.

Lösung: Es wird nichts berechnet: Die Credits kommen automatisch zurück. Formuliere den Prompt ohne Namen echter Personen oder Marken um und sieh dir die Nutzungsrichtlinie an.

Häufige Fragen

Aktualisiert am 30. Oktober 2026

Welche Text-zu-Video-KI ist gerade die beste?

Das hängt von der Aufgabe ab. In der Text-zu-Video-Rangliste von Artificial Analysis, die auf blinden Paarvergleichen beruht, liegt Wan 3.0 auf Platz 1, dicht gefolgt von MiniMax H3 und Seedance 2.5 (Platzierungen und Abrufdatum stehen oben auf dieser Seite). Kling 4.0 ist dort noch nicht gelistet; unabhängige Tester fanden es bei schneller Action und langen Einstellungen ohne Schnitt am stärksten.

Mit welchem Modell fange ich am besten an?

Mit Seedance 2.5 für hochwertige Werbung und Videos mit Dialog, mit Wan 3.0 für eine wörtliche Umsetzung des Prompts und lange Aufnahmen zu einem niedrigeren Preis, mit Kling 4.0 für Action zwischen Personen und Text im Bild und mit MiniMax H3 (H3 Max Turbo) für schnelle, günstige Entwürfe.

Was kostet ein KI-Video aus Text?

Das hängt von Modell, Länge, Auflösung und Ton ab. Die Tabelle auf dieser Seite zeigt für jedes Modell den Preis für 5 und 10 Sekunden, und der Generator zeigt dir den genauen Preis, bevor du startest. Du bezahlst jedes Video mit Credits; ein Abo gibt es nicht.

Wie lang kann ein Video sein?

Bis zu 30 Sekunden am Stück mit Kling 4.0 und Wan 3.0, bis zu 15 Sekunden mit Seedance 2.5 und MiniMax H3. Für einen längeren Film erstellst du ein Video pro Einstellung und fügst sie im Schnittprogramm zusammen.

Kann das Video Sprache, Soundeffekte und Musik haben?

Ja. Jedes Modell hier erzeugt den Ton im selben Durchgang wie das Bild. Schreib die Geräusche und gesprochenen Sätze in den Prompt. Bei Seedance 2.5 und Wan 3.0 kannst du den Ton abschalten; Kling 4.0 und MiniMax H3 liefern ihn immer mit.

Kann ich Hochformat-Videos für TikTok, Instagram Reels oder YouTube Shorts erstellen?

Ja. Wähle im Generator 9:16. Alle vier Modelle bieten das bei Text-zu-Video an, und die Tabelle listet jedes Seitenverhältnis, das ein Modell unterstützt.

Kann die KI Text oder Untertitel ins Video schreiben?

Manchmal. Kling 4.0 hat Schild und Untertitel in unserem Beispiel richtig geschrieben, und MiniMax gibt an, dass H3 Text genau darstellt; Seedance 2.5 und Wan 3.0 schreiben Text im Bild oft falsch. Deutsche Wörter mit Umlauten haben wir dabei nicht getestet. Alles, was exakt lesbar sein muss, fügst du besser im Schnittprogramm ein.

Warum schneidet mein Video auf eine andere Einstellung?

Manche Modelle setzen von sich aus Schnitte, vor allem Kling 4.0 und Wan 3.0. Beginne den Prompt mit „One continuous shot, no cuts“, um eine einzige durchgehende Einstellung anzufordern.

Wie lange dauert es, ein Video zu generieren?

Meist ein bis fünf Minuten; lange Aufnahmen in 1080p können zehn Minuten oder länger dauern. Fertige Videos bleiben in deinem Verlauf, wo du sie herunterladen kannst.

Was passiert, wenn eine Generierung fehlschlägt oder blockiert wird?

Die Credits für dieses Video kommen automatisch auf dein Guthaben zurück – egal ob das Modell fehlgeschlagen ist, das Zeitlimit überschritten oder den Prompt abgelehnt hat oder ob unsere Richtlinienprüfung das Ergebnis blockiert hat. Du bezahlst nur für Videos, die du auch bekommst.

Kann ich ein Video von einer echten Person oder einem Promi erstellen?

Nicht von Personen des öffentlichen Lebens und von niemandem ohne dessen Einwilligung. Erfundene Figuren, die du im Prompt beschreibst, sind kein Problem. Was nicht erlaubt ist, steht in der Nutzungsrichtlinie.

Darf ich die Videos kommerziell nutzen?

Ja. Die Videos, die du generierst, darfst du verwenden, auch für Werbung und Kundenprojekte, solange sie unseren Nutzungsbedingungen entsprechen und nicht die Marke, die Figur oder das Aussehen einer anderen Person kopieren.

Brauche ich ein Abo?

Nein. zzo.ai verkauft nur Credit-Pakete, die du einmalig bezahlst. Nichts verlängert sich automatisch, und es gibt nichts zu kündigen. Deine Credits verfallen nicht und gelten für jedes Modell, auf der Website und über die API.

Text-zu-Video oder Bild-zu-Video – was passt besser?

Text-zu-Video, wenn du mit einer Idee startest. Bild-zu-Video, wenn Look, Produkt oder Figur zu einem Bild passen müssen, das du schon hast; das Video beginnt dann mit deinem Bild.

Weitere Tools

Bild-zu-Video KI-Bildgenerator KI-Produktfotos KI-Bildbearbeitung Plakate mit KI Alle Modelle und Preise