Worum konkurrieren die Videogenerierungsmodelle gerade?

Wenn das Schlüsselwort des Jahres 2023 das große Sprachmodell war, findet der direkteste Wettbewerb der generativen KI von 2024 bis 2026 im Videobereich statt.

Früher diskutierten Menschen über KI-Videos und konzentrierten sich darauf, „ob es ein Bild zum Bewegen bringen kann“; heute lautet die Frage längst: Kann die Konsistenz der Figuren beibehalten werden, können komplexe Bewegungen verstanden werden, können Storyboards automatisch erstellt werden, können Dialoge, Musik und Umgebungsgeräusche synchron erzeugt werden, und können die generierten Ergebnisse direkt in Werbe-, Kurzfilm-, Spiel- und Filmproduktionsprozesse einfließen?

Bis August 2026 haben chinesische Modelle wie Seedance von ByteDance, Kling von Kuaishou, Wanxiang von Alibaba, Hunyuan von Tencent, Hailuo von MiniMax und Vidu von Shengshu Technology einen sehr dichten Wettbewerbsbereich gebildet. Sie verfolgen nicht mehr nur ausländische Modelle, sondern treten in einen direkten Wettbewerb in Bezug auf multimodale Eingabe, nativen Ton, Generierungsgeschwindigkeit, Produktpreisgestaltung und Kommerzialisierung ein.

Hinter der lebhaften Szene stellt sich jedoch eine wichtigere Frage: Auf welchem Stand sind Chinas große Modelle zur Videogenerierung eigentlich? Bedeutet es nur eine Aktualisierung der Werkzeuge für die Inhaltsproduktion, oder könnte es die gesamte Videobranche neu gestalten?

Von „kann es generieren“ zu „kann es produzieren“

Die Videogenerierung ist nicht einfach die kontinuierliche Wiedergabe von Technologien zur Bildgenerierung.

Ein Bild muss nur sicherstellen, dass ein einzelner Moment plausibel aussieht, während Videos gleichzeitig Raum, Zeit und Kausalität verarbeiten müssen. Wenn dieselbe Figur durch mehrere Einstellungen geht, darf sich ihr Gesicht nicht plötzlich verändern und ihre Kleidung darf nicht aus dem Nichts verschwinden; die Kurvenfahrt eines Autos muss den Bewegungsgesetzen entsprechen, und ein auf den Boden fallender Becher darf nicht durch den Tisch hindurchgehen; nach dem Szenenwechsel müssen Figur, Umgebung und Beleuchtung weiterhin konsistent bleiben.

Daher besteht die Schwierigkeit für Videomodelle nicht nur darin, „ob es wie das Original aussieht“, sondern vor allem darin, ob es eine dynamische Welt verstehen kann.

Frühe KI-Videos erweckten oft den Eindruck, dass sie „auf den ersten Blick beeindruckend sind, auf den zweiten Blick aber aus der Rolle fallen“. Das Bild mag sehr schön sein, aber die Finger können sich verformen, Objekte können driften und die Figur kann beim Gehen plötzlich ein anderes Gesicht bekommen. Es eignet sich zur Demonstration von Technologien, ist aber kaum in echten Produktionsprozessen einsetzbar. Die Ersteller erhalten kein fertiges Werk, sondern ein Material, das wiederholt ausgewählt, ausgetauscht und nachgebessert werden muss.

In den letzten zwei Jahren haben sich die Fortschritte der Branche hauptsächlich in vier Richtungen vollzogen.

Die erste Richtung ist die Konsistenz der Hauptkörper. Früher war das größte Problem bei der Generierung von Mehrkameravideos, „dass dieselbe Person nicht wie dieselbe Person aussieht“. Jetzt können Modelle durch Referenzen von Figurenbildern, Videoclips, Stimmen und Stile versuchen, die Rollen, Kleidung, Szenen und visuellen Stile so genau wie möglich zu fixieren. Vidu betrachtet die Konsistenz der Hauptkörper als wichtige Fähigkeit und erlaubt Benutzern, visuelle Einschränkungen für Figuren oder Objekte durch mehrere Referenzbilder festzulegen; Wanxiang von Alibaba unterstützt ebenfalls multimodale Referenzeingaben wie Text, Bild, Video und Audio.

Die zweite Richtung ist die Kontrollierbarkeit. Echte kommerzielle Kreation kann nicht nur auf Überraschungen setzen, sie erfordert Bestimmtheit. Werbekunden akzeptieren keine zufälligen Farbänderungen des Produkts, und Regisseure können es nicht tolerieren, dass die Bewegungen der Hauptfigur vollständig vom Modell bestimmt werden. Funktionen wie die Steuerung der Anfangs- und Endbilder, Bewegungsübertragung, Kamerabewegung, lokale Bearbeitung und Rollenersatz dienen im Wesentlichen dazu, KI-Videos von einem „Zufallsgenerator“ in ein „steuerbares Produktionswerkzeug“ umzuwandeln.

Die dritte Richtung ist die Einheit von Bild und Ton. Frühe Modelle waren nur für die Generierung von tonlosen Bildern zuständig, und die Benutzer mussten zusätzlich Ton aufnehmen, Musik suchen, Soundeffekte erstellen und die Lippenbewegungen anpassen. Heute ist nativer Ton zu einem wichtigen Wettbewerbspunkt für führende Modelle geworden. Kling 3.0 kann multimodale Ein- und Ausgaben wie Text, Bild, Audio und Video verarbeiten und unterstützt mehrere Sprachen, Dialekte und Akzente; Vidu Q3 kann synchron Dialoge, Erzählungen, Soundeffekte und Musik generieren; die neue Generation von Seedance-Modellen stärkt ebenfalls die gemeinsame Generierung von Ton und Video sowie die Fähigkeit zur langen Erzählung.

Die vierte Richtung ist der Übergang von der einzelnen Generierung zu einem einheitlichen Workflow. Früher waren Text-zu-Video, Bild-zu-Video, Videobearbeitung und Bewegungssteuerung voneinander getrennte Werkzeuge; jetzt versuchen führende Hersteller, mit einem einzigen Modell Verstehen, Generieren, Bearbeiten und Fortsetzen zu realisieren. Benutzer müssen nicht mehr das gesamte Video neu extrahieren, sondern können das Modell in natürlicher Sprache auffordern, „die Figur durch andere Kleidung zu ersetzen“, „die Bewegung beizubehalten aber die Szene zu ändern“ oder „die letzte Einstellung um fünf Sekunden zu verlängern“.

Das ist der eigentliche industrielle Wendepunkt der Videogenerierung.

Um zu beurteilen, ob eine Technologie ausgereift ist, darf man nicht nur darauf achten, wie beeindruckend ihre besten Werke sind, sondern auch darauf, wie oft ein normaler Benutzer bei zehn aufeinanderfolgenden Verwendungen ein qualifiziertes Ergebnis erhält. Videomodelle wechseln von der Verfolgung der „oberen Grenzen der Fähigkeiten“ zur Verbesserung der „unteren Grenzen der Ergebnisse“: Sie müssen nicht nur gelegentlich einen Blockbuster generieren, sondern auch verfügbares Material stabil, schnell und kostengünstig liefern.

Mit anderen Worten: Der Wettbewerb um KI-Videos hat sich von „kann es generieren“ zu „kann es produzieren“ verlagert.

Nicht nur ein Modellwettbewerb,

sondern auch ein Wettbewerb um Ökosystem und kommerzielle Effizienz

Chinas große Modelle zur Videogenerierung folgen keinem völlig einheitlichen Entwicklungsweg.

Kuaishou und ByteDance verfügen über riesige Inhaltsplattformen und ein Ökosystem von Erstellern. Für sie ist das Videomodell kein isoliertes technisches Produkt, sondern eine natürliche Erweiterung des ursprünglichen Inhaltssystems.

Kuaishou kann beobachten, wie echte Ersteller Kurzvideos produzieren, welche Funktionen am häufigsten verwendet werden und welche Inhalte leichter verbreitet werden, und diese Rückmeldungen dann für die Iteration von Modellen und Produkten nutzen. Auf diese Weise hat Kling einen geschlossenen Kreislauf von Modellen, Erstellungswerkzeugen bis zur Inhaltsverteilung gebildet. Bemerkenswerterweise hat dieses Geschäft bereits eine Kommerzialisierung erreicht, die durch Finanzdaten bestätigt werden kann: Kling AI erzielte im vierten Quartal 2025 einen Umsatz von 340 Millionen Yuan, der monatliche Umsatz im Dezember 2025 überstieg 20 Millionen US-Dollar, was einer annualisierten Umsatzlaufrate von 240 Millionen US-Dollar entspricht.

Die Bedeutung dieser Daten liegt nicht nur im Umsatzvolumen, sondern darin, dass sie beweist, dass die Videogenerierung nicht mehr vollständig von Kapitalinvestitionen und technischen Narrativen abhängt, und dass es tatsächlich Menschen gibt, die bereit sind, dafür zu bezahlen.

Der Vorteil von ByteDance liegt in der vollständigeren Kette von Werkzeugen für die Inhaltsproduktion. Von Modellen über Jimeng, Jianying und CapCut bis zu Douyin und TikTok hat ByteDance die Möglichkeit, Skripte, Bilder, Videos, Bearbeitung, Tonaufnahme und Verteilung miteinander zu verbinden. Für normale Benutzer ist es ihnen vielleicht egal, welches Modell im Hintergrund verwendet wird, sie wollen nur in vertrauten Werkzeugen mit niedrigeren Hürden ein Video erstellen können. Was am Ende über den Sieg entscheidet, ist nicht unbedingt ein paar Punkte Vorsprung in einer Rangliste, sondern wer die Modellfähigkeiten in Funktionen umwandeln kann, die Benutzer jeden Tag nutzen.

Alibaba und Tencent repräsentieren einen anderen Weg: Die Kombination von Modellen und Cloud-Diensten.

Einerseits baut Alibaba Wanxiang durch Open Source ein Entwicklerökosystem auf, andererseits bietet es Unternehmen über Alibaba Cloud API-, Bereitstellungs- und Feinabstimmungsfähigkeiten an. Sein Wert liegt nicht nur darin, ein Video für Privatpersonen zu generieren, sondern darin, E-Commerce-Händlern, Werbeagenturen und Unternehmenskunden die Massenproduktion von Inhalten zu ermöglichen.

Tencent kann Videomodelle in Werbung, Spiele, soziale Netzwerke und Cloud-Dienste einbinden. Für solche integrierten Technologieunternehmen kann die Videogenerierung, auch wenn sie nicht allein zu einem großen verbraucherorientierten Produkt wird, als grundlegende Fähigkeit die Kosten für die Inhaltsproduktion des gesamten Geschäftssystems senken.

Startups wie MiniMax und Shengshu Technology stehen vor einer komplexeren Situation. Sie haben keine Superplattformen, die natürlichen Datenverkehr liefern, daher müssen sie sich durch technische Besonderheiten, ausländische Märkte oder vertikale Szenarien differenzieren. Vidu betont kontinuierlich die Konsistenz der Hauptkörper, die Generierungsgeschwindigkeit und Anime-Inhalte; MiniMax dringt über Hailuo AI in den globalen Markt für Ersteller ein. Im Juli 2026 veröffentlichte MiniMax das H3-Videomodell, das Text-, Bild-, Video- und Audioeingaben unterstützt, Videos mit einer maximalen Länge von 15 Sekunden, 2K-Auflösung und nativem Stereoton generieren kann und gleichzeitig die Modellgewichte zur Verfügung stellt.

Aus dieser Sicht besteht der Vorteil der Hersteller nicht nur darin, dass „die Modellparameter größer sind“ oder „das Ergebnis bei einer einzelnen Generierung besser ist“, sondern darin, dass ein positiver Kreislauf zwischen Iterationsgeschwindigkeit, Ingenieurkapazität und industriellen Szenarien gebildet wird.

In China gibt es einen riesigen Markt für Kurzvideos, E-Commerce, Spiele, Online-Literatur, Animationen und Kurzfilme. Diese Branchen erzeugen täglich eine große Anzahl von Inhaltsanforderungen, die niedrige Kosten, hohe Frequenz und schnelle Tests erfordern. Je dichter die Anforderungen sind, desto schneller erhalten die Modelle echte Rückmeldungen; je günstiger die Modelle sind, desto leichter entstehen neue Anforderungen.

Aber der Wettbewerb auf dem Markt ist auch extrem hart.

Wenn alle Modelle hochauflösende Bilder generieren, die Konsistenz der Figuren beibehalten und Audio ausgeben können, werden die grundlegenden Fähigkeiten schnell konvergieren. Der Vorsprung, der nur durch die Effekte des Modells entsteht, kann nur wenige Monate anhalten. Ein Preiskampf wird die Bruttomarge der Generierungsdienste senken, sodass die Hersteller weiterhin die Kosten für Training, Inferenz und Produktiteration tragen müssen.

Daher wird dieser Wettbewerb höchstwahrscheinlich nicht nur einen Gewinner hervorbringen. Die Modellebene könnte sich allmählich auf wenige Unternehmen mit Kapital, Rechenleistung und Datenkapazität konzentrieren; die Anwendungsebene könnte jedoch verteilt bleiben, und es werden viele professionelle Werkzeuge in Szenarien wie Werbung, E-Commerce, Animation, Spiele, Kurzfilme und Bildung entstehen.

Der echte Wettbewerbsvorteil wird sich von „ich kann Videos generieren“ zu „ich beherrsche welche Art von Benutzern, welchen Workflow und welche Art von Geschäftsdaten“ verlagern.

Wird KI-Videos die traditionelle Filmindustrie ersetzen?

Jedes Mal, wenn ein neues Videomodell veröffentlicht wird, ist die häufigste Frage der Menschen: Werden Schauspieler arbeitslos? Werden Regisseure ersetzt? Kann man in Zukunft mit einer einzigen Person einen Film drehen?

Diese Fragen erfassen die Auswirkungen der Technologie, überschätzen aber oft die kurzfristige Substitution und unterschätzen die langfristige Neugestaltung.

Ein ausgereiftes Filmwerk ist keine einfache Zusammensetzung mehrerer schöner Einstellungen. Es erfordert stabile Figurenbeziehungen, kohärente Erzähllogik, genaue emotionale Ausdrucksweisen und eine große Anzahl von über Einstellungen hinweg gehenden Inszenierungen. Selbst wenn das Modell Videos von mehr als zehn Sekunden oder sogar mehreren Dutzend Sekunden gener