Hier ist ein Workflow, den du dir wahrscheinlich schon gewünscht hast: Eine Szene beschreiben, ein fertiges Standbild erhalten und es dann in Bewegung animieren — alles in einer einzigen Claude Code-Session, ohne ein separates Tool öffnen zu müssen.
Das ist Bild-zu-Video für Coding Agents. Das Standbild wird zum ersten Frame. Das Video-Modell animiert es. Dein Agent übernimmt beide Schritte.
Aber die Pipeline besteht nicht einfach aus zwei aneinandergereihten Befehlen. Die Modellkombination ist entscheidend. Seedream 5 generiert anders als Nano Banana Pro. Veo 3.1 animiert anders als Kling 3.0. Die richtige Kombination macht den Unterschied zwischen einem Clip, der wie eine Demo aussieht, und einem, der wie ein fertiger Entwurf wirkt.
Dieser Leitfaden umfasst die gesamte Pipeline: Welche Bildmodelle sich am besten mit welchen Videomodellen kombinieren lassen, wann stattdessen Text-zu-Video sinnvoller ist und wie der gesamte Workflow in einer Agent-Session ausgeführt werden kann. Für den ausführlichen Modellvergleich, siehe unseren vollständigen Videomodell-Vergleich.
Warum Bild-zu-Video besser ist als reines Text-zu-Video
Text-zu-Video klingt einfacher. Ein Prompt, ein Clip, fertig. Für schnelle Social-Media-Inhalte oder konzeptuelle Vorschauen funktioniert das auch.
Aber Text-zu-Video gibt dir weniger Kontrolle. Du beschreibst eine Szene. Das Modell interpretiert sie. Wenn die Interpretation nicht stimmt — wenn die Komposition falsch ist, die Beleuchtung nicht passt, die Position des Motivs sich unnatürlich anfühlt — fängst du mit einem anderen Prompt von vorne an und hoffst auf ein besseres Ergebnis.
Bild-zu-Video trennt die zwei Aspekte:
Das Standbild definiert die Komposition. Du generierst einen Keyframe. Du prüfst ihn. Wenn die Komposition nicht stimmt, regenerierst du nur das Bild — nicht das gesamte Video.
Das Videomodell fügt Bewegung hinzu. Sobald das Standbild stimmt, übergibst du es an das Videomodell. Die Bewegung kann subtil sein (ein langsames Heranzoomen) oder dramatisch (eine Kamerafahrt durch eine Szene). In jedem Fall ist der Startframe fixiert.
Dieser zweistufige Workflow gibt dir redaktionelle Kontrolle. Du genehmigst den Frame, bevor du das Bewegungsbudget dafür einsetzt. Für alles, was wichtig ist — Produkt-Demos, Hero-Clips für Landing Pages, Pitch-Deck-Visuals — ist diese Kontrolle den zusätzlichen Schritt wert.
Die Pipeline: Schritt für Schritt
Schritt 1: Wähle dein Standbildmodell
Über AnyCap stehen dir sieben Bildmodelle zur Verfügung. Für Bild-zu-Video-Workflows stechen drei hervor:
| Modell | Warum für Bild-zu-Video | Beste Verwendung |
|---|---|---|
| Seedream 5 | Stärkste Erstpass-Qualität. Das Standbild kommt mit weniger Iteration näher ans Finale. | Wenn der Keyframe die Grundlage eines kundengerichteten Videos sein wird. |
| Nano Banana Pro | Ideal für Überarbeitungsschleifen. Generieren, bewerten, anpassen, wiederholen — der Bearbeitungsworkflow läuft flüssiger. | Wenn du ein Konzept iterativ entwickelst und Variationen ausprobieren möchtest, bevor du animierst. |
| Nano Banana 2 | Schnellste Generierungsgeschwindigkeit. Weniger Feinschliff pro Bild, aber du kannst im gleichen Zeitbudget mehr Kompositionen ausprobieren. | Wenn du Konzepte erkundest und Menge über Perfektion stellst. |
Die Faustregel: Wenn das Video kundengerichtet ist (Demo, Ankündigung, Teaser), beginne mit Seedream 5. Wenn du erkundest oder prototypisierst, beginne mit Nano Banana 2 und upgrade den Gewinner.
Schritt 2: Keyframe fixieren
Generiere das Standbild. Bewerte es. Fahre erst mit dem Video fort, wenn Komposition, Beleuchtung und Motivposition stimmen. Hier ein praktischer Workflow:
# Drei Keyframe-Optionen mit verschiedenen Kompositionen generieren
anycap image generate \
--prompt "a modern SaaS dashboard on a laptop, floating UI elements, clean studio lighting, product photography style" \
--model seedream-5 \
-o keyframe-1.jpg
anycap image generate \
--prompt "same dashboard, angled perspective from above, softer lighting, more depth of field" \
--model seedream-5 \
-o keyframe-2.jpg
anycap image generate \
--prompt "same dashboard, dark mode, neon accent colors, dramatic side lighting" \
--model nano-banana-2 \
-o keyframe-3.jpg
Alle drei prüfen. Den besten auswählen. Jetzt hast du einen fixierten Keyframe.
Schritt 3: Videomodell auswählen
Verschiedene Videomodelle verarbeiten Bild-zu-Video unterschiedlich. Das Quellbild ist genauso wichtig wie der gewünschte Bewegungsstil:
| Videomodell | Bild-zu-Video-Stil | Beste Kombination |
|---|---|---|
| Veo 3.1 | Flüssige, polierte Bewegung. Verarbeitet subtile Kamerabewegungen gut. | Seedream 5 — Premium-Standbild → Premium-Bewegung |
| Seedance 1.5 Pro | Stabil, produktionswiederholbar. Zuverlässige Frame-zu-Bewegung-Übertragung. | Nano Banana Pro — konsistente Überarbeitung → konsistente Bewegung |
| Seedance 2.0 | Neueres Modell, stärkeres Kinogefühl. Besser bei der Interpretation von Tiefe im Quellbild. | Seedream 5 oder FLUX.1 Kontext Max |
| Kling 3.0 | Stärkste Kameradynamik. Kontrollierbares Schwenken, Zoomen und Tracking. | FLUX.1 Kontext Max — reichhaltiges Standbild → dramatische Bewegung |
| Kling O1 | Bild-zuerst-Design. Der Quellframe bestimmt das gesamte Video. Gut für Produktaufnahmen. | Nano Banana Pro oder Seedream 5 |
| Sora 2 Pro | OpenAIs Bestes. Verarbeitet komplexe Szenen und realistische Bewegung. | Seedream 5 — maximale Qualitätspipeline |
Schritt 4: Animieren
Den Keyframe mit einem Bewegungs-Prompt an das Videomodell übergeben:
anycap video generate \
--prompt "slow push-in toward the laptop screen, UI elements animate sequentially, smooth parallax on background" \
--model veo-3.1 \
--mode image-to-video \
--param images=./keyframe-1.jpg \
-o demo-clip.mp4
Der Prompt beschreibt nur die Bewegung — nicht die Szene. Die Szene ist bereits im Keyframe fixiert. Beschreibe, was die Kamera tut, wie sich Elemente bewegen, was sich im Laufe der Zeit verändert.
Modellkombinations-Matrix: Welches Bild + welches Video?
Hier ist das vollständige Kombinationsraster. Jede Kombination hat ein anderes Gefühl und passt zu einem anderen Workflow:
| Veo 3.1 | Seedance 2.0 | Seedance 1.5 Pro | Kling 3.0 | Sora 2 Pro | |
|---|---|---|---|---|---|
| Seedream 5 | ⭐ Premium-Pipeline. Bestmögliches Ergebnis. | Starkes Kinogefühl. Gut für Markenvideos. | Zuverlässig, etwas weniger Bewegungsflair. | Dramatische Bewegung aus polierten Standbildern. | Maximale Qualität, höchste Kosten. |
| Nano Banana Pro | Saubere Bewegung aus bearbeiteten Standbildern. | Gut für iterative Überarbeitungs-zu-Bewegungsschleifen. | ⭐ Bester Überarbeitungs-zu-Bewegungs-Workflow. | Mutige Bewegungsbehandlung verfeinerter Bilder. | Solide, wenn du den OpenAI-Stack bevorzugst. |
| Nano Banana 2 | Schnelle Iteration → ordentliche Bewegung. | Schnelle Entwurfspipeline. | ⭐ Am besten für schnelles Prototyping. | Dramatische Entwürfe aus groben Standbildern. | Überdimensioniert für Entwurfsqualität-Standbilder. |
| FLUX.1 Kontext Max | Reichhaltige Visuelles → polierte Bewegung. | Design-intensive Bewegung. | Stabile Behandlung reichhaltiger Visuals. | ⭐ Beste Kino-Pipeline. | Premium Design-zu-Bewegung. |
| GPT Image 2 | Solide, wenn du den OpenAI-Stack bevorzugst. | Gut wenn beide Modelle OpenAI-bevorzugt sind. | Zuverlässiger Cross-Stack-Output. | Interessante Kombination. | ⭐ Vollständige OpenAI-Pipeline. |
⭐ = empfohlene Kombination für diesen Workflow-Typ
Drei echte Pipelines von Anfang bis Ende
Pipeline 1: Produkt-Demo-Clip (kundengerichtet)
Ziel: Einen polierten Produkt-Demo-Video für eine Launch-Seite generieren.
# Schritt 1: Hero-Keyframe generieren
anycap image generate \
--prompt "product shot of a web application dashboard on a MacBook, floating data visualizations, clean modern office background, soft natural light, product photography" \
--model seedream-5 \
-o hero-frame.jpg
# Schritt 2: Mit subtiler Kamerabewegung animieren
anycap video generate \
--prompt "slow gentle push-in toward the screen, data points appear one by one, subtle parallax on the background window" \
--model veo-3.1 \
--mode image-to-video \
--param images=./hero-frame.jpg \
-o product-demo.mp4
# Schritt 3: Speichern und teilen
anycap drive upload product-demo.mp4
Ergebnis: Ein 10-Sekunden-Clip mit der Produktionsqualität eines beauftragten Videos — in einer Session generiert. Das Standbild hat die Komposition fixiert. Veo 3.1 hat flüssige, polierte Bewegung hinzugefügt.
Warum diese Kombination: Seedream 5 liefert das stärkste Standbild. Veo 3.1 liefert die flüssigste Bewegung. Zusammen produzieren sie Output, der professionell aussieht — noch vor der Postproduktion.
Pipeline 2: Social-Content-Batch (Volumen)
Ziel: 10 Kurzform-Video-Varianten für A/B-Tests auf Social Media generieren.
# Schritt 1: Batch-Prompt-Vorlage definieren
PROMPT_BASE="bold social media announcement graphic, vibrant colors, clean typography area, modern design style"
# Schritt 2: 3 Keyframe-Varianten generieren (schnell)
for i in 1 2 3; do
anycap image generate \
--prompt "${PROMPT_BASE}, variant ${i}" \
--model nano-banana-2 \
-o social-frame-${i}.jpg
done
# Schritt 3: Jede Variante mit unterschiedlicher Bewegung animieren
for i in 1 2 3; do
# Version A: subtiles Zoomen
anycap video generate \
--prompt "gentle zoom-in, text elements fade in" \
--model seedance-2-fast \
--mode image-to-video \
--param images=./social-frame-${i}.jpg \
-o social-${i}a.mp4
# Version B: Schwenken
anycap video generate \
--prompt "slow pan left to right, elements slide in from edges" \
--model seedance-2-fast \
--mode image-to-video \
--param images=./social-frame-${i}.jpg \
-o social-${i}b.mp4
done
# 6 Varianten generiert. Die besten 3 für den Post auswählen.
Ergebnis: 6 Video-Varianten aus 3 Standbildern, in Minuten generiert. Schnelle Modelle halten die Iterationsschleife eng.
Warum diese Kombination: Nano Banana 2 für Geschwindigkeit (Standbildvolumen), Seedance 2.0 Fast für Geschwindigkeit (Clip-Volumen). Diese Pipeline priorisiert Menge für A/B-Tests.
Pipeline 3: Design-zu-Bewegung (kreative Erkundung)
Ziel: Eine Design-Referenz nehmen und erkunden, wie sie in Bewegung aussehen würde.
# Schritt 1: Design-intensives Standbild generieren
anycap image generate \
--prompt "geometric abstract shapes in coral and navy, overlapping with varied opacity, editorial design style, high contrast" \
--model flux-kontext-max \
-o design-frame.jpg
# Schritt 2: Bewegung mit Kling 3.0 erkunden (beste Kameradynamik)
anycap video generate \
--prompt "shapes drift apart slowly, camera orbits the composition, one shape pulses with light" \
--model kling-3.0 \
--mode image-to-video \
--param images=./design-frame.jpg \
-o design-motion-1.mp4
# Schritt 3: Anderen Bewegungsstil ausprobieren
anycap video generate \
--prompt "fast zoom through the shapes, kaleidoscopic rotation, energetic pace" \
--model kling-3.0 \
--mode image-to-video \
--param images=./design-frame.jpg \
-o design-motion-2.mp4
Ergebnis: Zwei verschiedene Bewegungsbehandlungen desselben Standbildes. Nebeneinander vergleichen und die Richtung wählen, die funktioniert.
Warum diese Kombination: FLUX.1 Kontext Max verarbeitet design-intensive Visuals besser als andere Bildmodelle. Kling 3.0 gibt dir die ausdrucksstärkste Kamerakontrolle. Zusammen sind sie die beste Pipeline für kreative und Design-Arbeit.
Wann Bild-zu-Video überspringen und direkt vorgehen
Bild-zu-Video ist nicht immer die richtige Wahl. Überspringe den Standbild-Schritt, wenn:
Die Szene keinen statischen Startpunkt hat. Ein Drohnen-Überflug, eine Partikelsimulation, ein abstraktes Bewegungsstück — diese profitieren nicht von einem fixierten Keyframe. Verwende direkt Text-zu-Video.
Geschwindigkeit wichtiger ist als Kontrolle. Schnelle Social-Clips, bei denen "gut genug" ausreicht. Text-zu-Video mit einem Fast-Modell bringt dich in einem Schritt ans Ziel.
Du reine Bewegungserkundung möchtest. "Zeig mir 5 verschiedene Arten, wie dieses Konzept sich bewegen könnte" — Text-zu-Video mit verschiedenen Bewegungs-Prompts liefert Vielfalt schneller als 5 Standbilder zu generieren.
Der vollständige Stack: Text → Bild → Video → Veröffentlichen
Die Bild-zu-Video-Pipeline ist ein Teil eines größeren Workflows. So verbindet sie sich mit dem Rest des Agent-Capability-Stacks — die vollständige kreative Pipeline, die ein Capability Runtime ermöglicht:
1. WEBSUCHE — Referenzstile recherchieren
↓
2. BILDGENERIERUNG — den Keyframe erstellen
↓
3. BILD-ZU-VIDEO — den Keyframe animieren
↓
4. MUSIKGENERIERUNG — Soundtrack hinzufügen
↓
5. DRIVE-SPEICHER — den fertigen Clip speichern
↓
6. SEITE VERÖFFENTLICHEN — Video auf einer veröffentlichten Seite einbetten
Dein Agent kann alle sechs Schritte in einer Session ausführen. Kein Kontextwechsel. Keine separaten Tools. Für den Musikschritt, siehe unseren Musikgenerierungsleitfaden. Für die Bereitstellung, siehe unseren Website-Deploy-Leitfaden.
Gemini Omni Flash: Konversationelles Bild-zu-Video
Im Juli 2026 hat Google Gemini Omni Flash in AnyCap eingeführt — ein Modell für konversationelle, mehrstufige Videobearbeitung. Es fügt der Bild-zu-Video-Pipeline einen neuen Modus hinzu: Anstatt sich auf einen vollständigen Generierungsdurchlauf festzulegen und das Ergebnis kalt zu bewerten, kannst du die Bewegung über natürliche Sprache über mehrere Turns in derselben Codex-Session verfeinern.
Die Standard-Pipeline gibt dir: fixierter Keyframe → Bewegungs-Prompt → bewerten → bei Bedarf von vorne beginnen. Gemini Omni Flash ändert den letzten Schritt. Beschreibe, was du ändern würdest, und das Modell trägt den Kontext vorwärts, anstatt neu zu starten.
Wann Gemini Omni Flash vs. Veo 3.1 für Bild-zu-Video:
| Veo 3.1 | Gemini Omni Flash | |
|---|---|---|
| Workflow | Einzel-Pass-Endgenerierung | Mehrstufige konversationelle Verfeinerung |
| Am besten für | Produktions-Output, Brief ist genehmigt | Bewegungsrichtung iterativ erkunden |
| Qualitätsdecke | Höchster Einzel-Pass-Output | Optimiert für Iterationsgeschwindigkeit |
| Verwenden wenn | Clip geht direkt zur Lieferung | Noch verfeinern, was der Clip sein soll |
Eine praktische Sequenz: Starte mit Gemini Omni Flash, um die Bewegungsrichtung durch einige konversationelle Turns zu erkunden. Sobald die Bewegung stimmt, wechsle zu Veo 3.1 oder Seedance 2.0 für den Endpass. Das schnelle, iterative Budget geht in die Findungsphase — das Qualitätsbudget in den einen Pass, der ausgeliefert wird.
Für den vollständigen Leitfaden, siehe Gemini Omni Flash in Codex: Konversationelle Videobearbeitung und Gemini Omni Flash vs. Veo 3.1 in Codex.
FAQ
Welches Bildmodell liefert den besten Startframe für Video?
Seedream 5 für Qualität. Nano Banana Pro für überarbeitungsintensive Workflows. Nano Banana 2 für Geschwindigkeit. FLUX.1 Kontext Max für design-intensive Visuals.
Kann ich denselben Prompt für Bild und Video verwenden?
Nein — und das ist der Punkt. Der Bild-Prompt beschreibt die Szene (Komposition, Beleuchtung, Motiv). Der Video-Prompt beschreibt Bewegung (Kamerabewegung, Elementanimation, Übergänge). Halte sie getrennt für die besten Ergebnisse.
Wie stelle ich sicher, dass die Videoqualität gegenüber dem Standbild nicht abnimmt?
Verwende eine qualitätsabgestimmte Kombination. Seedream 5 → Veo 3.1 oder Seedance 2.0 bewahrt die Wiedergabetreue. Nano Banana 2 → Seedance 2.0 Fast funktioniert, aber erwarte einen gewissen Qualitätskompromiss. Schnelle Modelle priorisieren Geschwindigkeit über Wiedergabetreue.
Kann ich Bild-zu-Video als Batch generieren?
Ja. Schleife den Bildgenerierungsschritt, um mehrere Keyframes zu erstellen, dann schleife den Videogenerierungsschritt, um sie zu animieren. Das ist die oben beschriebene Social-Content-Batch-Pipeline.
Muss ich für Bild-zu-Video etwas separat installieren?
Nicht mit AnyCap. anycap image generate und anycap video generate --mode image-to-video verwenden dieselbe CLI, dieselbe Authentifizierung, dasselbe Runtime. Keine separaten Integrationen.
Das Fazit
Text-zu-Video gibt dir Bewegung. Bild-zu-Video gibt dir Kontrolle. Der zweistufige Workflow — generieren, bewerten, animieren — produziert Output, den du tatsächlich in der Produktion verwenden kannst, weil du den Frame genehmigt hast, bevor du das Bewegungsbudget einsetzt.
Die Modellkombination ist entscheidend. Seedream 5 + Veo 3.1 ist die Premium-Pipeline. Nano Banana Pro + Seedance 1.5 Pro ist die Überarbeitungs-zu-Bewegungs-Pipeline. Nano Banana 2 + Seedance 2.0 Fast ist die Geschwindigkeitspipeline. Wähle basierend darauf, ob Qualität, Konsistenz oder Durchsatz für deinen Workflow am wichtigsten ist.
→ Gib deinem Coding Agent die vollständige Bild-zu-Video-Pipeline — eine CLI, alle Modelle
📖 Was du als nächstes lesen solltest
- Beste KI-Videomodelle für Coding Agents im Vergleich — Veo 3.1 vs. Seedance 2.0 vs. Kling 3.0 vs. Sora 2 Pro: vollständiger Modellvergleich.
- Musik & Audiogenerierung zu Claude Code hinzufügen — Der nächste natürliche Schritt: Füge einen Soundtrack hinzu, um die kreative Pipeline zu vervollständigen.
- KI-gestützter Video-Editor für Coding Agents — Konversationelle Videobearbeitung und der vollständige Agent-Workflow.
- Was ist ein Capability Runtime? — Die Ein-CLI-Architektur, die die vollständige Bild → Video → Veröffentlichen-Pipeline ermöglicht.
Verwandte Artikel
- Video mit Codex generieren: Der vollständige Leitfaden 2026 — End-to-End-Video-Setup, Modellauswahl und der vollständige Codex-Workflow.
Geschrieben vom AnyCap-Team. Wir bauen das Capability Runtime, das deinem Agent ermöglicht, Bilder zu generieren, sie in Videos zu animieren und das Ergebnis zu veröffentlichen — alles über eine einzige CLI.