Hier ist ein Workflow, den du wahrscheinlich schon lange brauchst: Eine Szene beschreiben, ein ausgefeiltes Standbild zurückbekommen und es dann in Bewegung animieren — alles in einer einzigen Claude Code Session, ohne ein separates Tool zu öffnen.
Das ist Bild-zu-Video für Coding Agents. Das Standbild wird zum ersten Frame. Das Videomodell animiert es. Dein Agent erledigt beide Schritte.
Aber die Pipeline ist nicht nur zwei aneinandergereihte Befehle. Die Modellkombination ist entscheidend. Seedream 5 erzeugt anders als Nano Banana Pro. Veo 3.1 animiert anders als Kling 3.0. Die richtige Kombination macht den Unterschied zwischen einem Clip, der nach Demo aussieht, und einem, der wie ein Entwurf wirkt.
Dieser Leitfaden deckt die gesamte Pipeline ab: welche Bildmodelle am besten zu welchen Videomodellen passen, wann du stattdessen Text-zu-Video verwenden solltest und wie du den gesamten Workflow in einer einzigen Agenten-Session ausführst.
Warum Bild-zu-Video allein Text-zu-Video übertrifft
Text-zu-Video klingt einfacher. Ein Prompt, ein Clip, fertig. Und für schnellen Social Content oder konzeptionelle Vorschauen funktioniert das auch.
Aber Text-zu-Video gibt dir weniger Kontrolle. Du beschreibst eine Szene. Das Modell interpretiert sie. Wenn die Interpretation danebenliegt — wenn die Komposition falsch ist, das Licht nicht passt oder die Position des Motivs sich seltsam anfühlt — beginnst du mit einem anderen Prompt von vorn und hoffst auf mehr Glück.
Bild-zu-Video trennt die beiden Aufgaben:
Das Standbild definiert die Komposition. Du erzeugst einen Keyframe. Du prüfst ihn. Wenn die Komposition falsch ist, erzeugst du nur das Bild neu — nicht das ganze Video.
Das Videomodell fügt Bewegung hinzu. Sobald das Standbild stimmt, gibst du es an das Videomodell weiter. Die Bewegung kann subtil sein (ein langsames Heranzoomen) oder dramatisch (eine Kamerafahrt durch eine Szene). In jedem Fall ist der Ausgangsframe fixiert.
Dieser zweistufige Workflow gibt dir redaktionelle Kontrolle. Du gibst den Frame frei, bevor du dafür dein Bewegungsbudget einsetzt. Für alles, was wirklich zählt — Produktdemos, Hero-Clips für Landingpages, Visuals für Pitch Decks — 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 | Bester Einsatz |
|---|---|---|
| Seedream 5 | Höchste Qualität im ersten Durchlauf. Das Standbild liegt näher am Endergebnis und braucht weniger Iterationen. | Wenn der Keyframe die Basis eines kundenfokussierten Videos bildet. |
| Nano Banana Pro | Am besten für Korrekturschleifen. Erzeugen, prüfen, anpassen, wiederholen — der Bearbeitungsworkflow ist flüssiger. | Wenn du ein Konzept iterierst und vor der Animation Varianten testen willst. |
| Nano Banana 2 | Schnellste Generierung. Weniger Politur pro Bild, aber du kannst in derselben Zeit mehr Kompositionen ausprobieren. | Wenn du Konzepte explorierst und lieber auf Menge als auf Perfektion setzt. |
Faustregel: Wenn das Video kundenfokussiert ist (Demo, Ankündigung, Teaser), beginne mit Seedream 5. Wenn du explorierst oder prototypisierst, starte mit Nano Banana 2 und hebe den Gewinner auf das nächste Level.
Schritt 2: Den Keyframe festlegen
Erzeuge das Standbild. Bewerte es. Fahre erst mit Video fort, wenn Komposition, Licht und Position des Motivs stimmen. Hier ist ein praktischer Workflow:
# Drei Keyframe-Optionen mit unterschiedlichen Kompositionen erzeugen
anycap image generate \
--prompt "ein modernes SaaS-Dashboard auf einem Laptop, schwebende UI-Elemente, saubere Studio-Beleuchtung, Produktfotografie-Stil" \
--model seedream-5 \
-o keyframe-1.jpg
anycap image generate \
--prompt "dasselbe Dashboard, schräge Perspektive von oben, weichere Beleuchtung, mehr Tiefenschärfe" \
--model seedream-5 \
-o keyframe-2.jpg
anycap image generate \
--prompt "dasselbe Dashboard, Dark Mode, neonfarbene Akzente, dramatische Seitenbeleuchtung" \
--model nano-banana-2 \
-o keyframe-3.jpg
Prüfe alle drei. Wähle das beste aus. Jetzt hast du einen fixierten Keyframe.
Schritt 3: Wähle dein Videomodell
Unterschiedliche Videomodelle behandeln Bild-zu-Video unterschiedlich. Das Ausgangsbild ist genauso wichtig wie der gewünschte Bewegungsstil:
| Videomodell | Bild-zu-Video-Stil | Beste Kombination |
|---|---|---|
| Veo 3.1 | Sanfte, polierte Bewegung. Beherrscht subtile Kamerabewegungen sehr gut. | Seedream 5 — Premium-Standbild → Premium-Bewegung |
| Seedance 1.5 Pro | Stabil, produktionsreif und gut wiederholbar. Zuverlässige Umwandlung von Frame zu Bewegung. | Nano Banana Pro — konsistente Revision → konsistente Bewegung |
| Seedance 2.0 | Neueres Modell mit stärkerem Kino-Gefühl. Deutet Tiefe im Ausgangsbild besser. | Seedream 5 oder FLUX.1 Kontext Max |
| Kling 3.0 | Stärkste Kameradynamik. Kontrollierbares Schwenken, Zoomen und Tracking. | FLUX.1 Kontext Max — reiches Standbild → dramatische Bewegung |
| Kling O1 | Bild-zuerst-Design. Der Quellframe treibt das gesamte Video. Gut für Produktaufnahmen. | Nano Banana Pro oder Seedream 5 |
| Sora 2 Pro | OpenAIs Beste. Beherrscht komplexe Szenen und realistische Bewegung. | Seedream 5 — maximale Qualität in der Pipeline |
Schritt 4: Animieren
Gib den Keyframe mit einem Bewegungs-Prompt an das Videomodell weiter:
anycap video generate \
--prompt "langsam auf den Laptop-Bildschirm zuzoomen, UI-Elemente erscheinen nacheinander, sanfte Parallaxe im Hintergrund" \
--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 festgelegt. Beschreibe, was die Kamera macht, wie sich Elemente bewegen und was sich im Laufe der Zeit verändert.
Modell-Matrix: Welches Bildmodell + welches Videomodell?
Hier ist das vollständige Kombinationsraster. Jede Kombination fühlt sich anders an 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 Kino-Gefühl. Gut für Markenvideos. | Zuverlässig, etwas weniger Bewegungscharakter. | Dramatische Bewegung aus polierten Standbildern. | Maximale Qualität, höchste Kosten. |
| Nano Banana Pro | Saubere Bewegung aus bearbeiteten Standbildern. | Gut für iterative Revision-zu-Bewegung-Schleifen. | ⭐ Beste Workflow-Kombination für Revision zu Bewegung. | Markante Bewegung verfeinerter Bilder. | Solide, wenn du den OpenAI-Stack bevorzugst. |
| Nano Banana 2 | Schnelle Iteration → ordentliche Bewegung. | Schneller Entwurfs-Workflow. | ⭐ Am besten für schnelles Prototyping. | Dramatische Entwürfe aus groben Standbildern. | Für Entwurfsqualität überdimensioniert. |
| FLUX.1 Kontext Max | Reiche Visuals → polierte Bewegung. | Designlastige Bewegung. | Stabile Behandlung reichhaltiger Visuals. | ⭐ Beste Kino-Pipeline. | Premium von Design zu Bewegung. |
| GPT Image 2 | Solide, wenn du den OpenAI-Stack bevorzugst. | Gut, wenn beide Modelle OpenAI-bevorzugt sind. | Zuverlässige Stack-übergreifende Ausgabe. | Interessanter Crossover. | ⭐ Vollständige OpenAI-Pipeline. |
⭐ = empfohlene Kombination für diesen Workflow-Typ
Drei echte Pipelines, Ende zu Ende
Pipeline 1: Produktdemo-Clip (kundenfokussiert)
Ziel: Ein ausgefeiltes Produktdemo-Video für eine Launch-Seite erstellen.
# Schritt 1: Hero-Keyframe erzeugen
anycap image generate \
--prompt "Produktfoto eines Web-App-Dashboards auf einem MacBook, schwebende Datenvisualisierungen, sauberer moderner Bürohintergrund, weiches natürliches Licht, Produktfotografie" \
--model seedream-5 \
-o hero-frame.jpg
# Schritt 2: Mit subtiler Kamerabewegung animieren
anycap video generate \
--prompt "langsames, sanftes Heranzoomen auf den Bildschirm, Datenpunkte erscheinen nacheinander, dezente Parallaxe am Hintergrundfenster" \
--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 in der Produktionsqualität eines beauftragten Videos — in einer einzigen Session erzeugt. Das Standbild hat die Komposition fixiert. Veo 3.1 hat sanfte, polierte Bewegung hinzugefügt.
Warum diese Kombination: Seedream 5 liefert das stärkste Standbild. Veo 3.1 liefert die sanfteste Bewegung. Zusammen erzeugen sie ein Ergebnis, das schon vor der Postproduktion professionell aussieht.
Pipeline 2: Social-Content-Batch (Volumen)
Ziel: 10 Kurzvideo-Varianten für A/B-Tests auf Social Media erzeugen.
# Schritt 1: Eine Batch-Prompt-Vorlage definieren
PROMPT_BASE="mutige Social-Media-Ankündigungsgrafik, lebendige Farben, Bereich für klare Typografie, moderner Designstil"
# Schritt 2: 3 Keyframe-Varianten schnell erzeugen
for i in 1 2 3; do
anycap image generate \
--prompt "${PROMPT_BASE}, Variante ${i}" \
--model nano-banana-2 \
-o social-frame-${i}.jpg
done
# Schritt 3: Jede Variante mit unterschiedlicher Bewegung animieren
for i in 1 2 3; do
# Version A: dezentes Zoomen
anycap video generate \
--prompt "sanftes Heranzoomen, Textelemente blenden nacheinander ein" \
--model seedance-2.0-fast \
--mode image-to-video \
--param images=./social-frame-${i}.jpg \
-o social-${i}a.mp4
# Version B: seitliches Schwenken
anycap video generate \
--prompt "langsames Schwenken von links nach rechts, Elemente gleiten von den Rändern hinein" \
--model seedance-2.0-fast \
--mode image-to-video \
--param images=./social-frame-${i}.jpg \
-o social-${i}b.mp4
done
# 6 Varianten in Summe. Wähle die besten 3 zum Posten aus.
Ergebnis: 6 Video-Varianten aus 3 Standbildern, in Minuten erzeugt. Schnelle Modelle halten die Iterationsschleife kurz.
Warum diese Kombination: Nano Banana 2 für Geschwindigkeit (viele Standbilder), Seedance 2.0 Fast für Geschwindigkeit (viele Clips). Diese Pipeline priorisiert Menge, damit du A/B-Tests durchführen kannst.
Pipeline 3: Design zu Bewegung (kreative Exploration)
Ziel: Eine Designreferenz nehmen und erkunden, wie sie in Bewegung aussehen würde.
# Schritt 1: Ein designlastiges Standbild erzeugen
anycap image generate \
--prompt "geometrische abstrakte Formen in Koralle und Marineblau, überlappend mit unterschiedlicher Deckkraft, Editorial-Design-Stil, hoher Kontrast" \
--model flux-kontext-max \
-o design-frame.jpg
# Schritt 2: Bewegung mit Kling 3.0 erkunden (beste Kameradynamik)
anycap video generate \
--prompt "Formen driften langsam auseinander, die Kamera umkreist die Komposition, eine Form pulsiert mit Licht" \
--model kling-3.0 \
--mode image-to-video \
--param images=./design-frame.jpg \
-o design-motion-1.mp4
# Schritt 3: Einen anderen Bewegungsstil testen
anycap video generate \
--prompt "schnelles Zoomen durch die Formen, kaleidoskopische Rotation, energetisches Tempo" \
--model kling-3.0 \
--mode image-to-video \
--param images=./design-frame.jpg \
-o design-motion-2.mp4
Ergebnis: Zwei unterschiedliche Bewegungsausführungen desselben Standbilds. Vergleiche sie nebeneinander und wähle die Richtung, die funktioniert.
Warum diese Kombination: FLUX.1 Kontext Max verarbeitet designlastige Visuals besser als andere Bildmodelle. Kling 3.0 gibt dir die ausdrucksstärkste Kamerasteuerung. Zusammen sind sie die beste Pipeline für kreative und Design-Arbeit.
Wann du Bild-zu-Video überspringen und direkt gehen solltest
Bild-zu-Video ist nicht immer die richtige Wahl. Überspringe den Standbild-Schritt, wenn:
Die Szene keinen statischen Ausgangspunkt hat. Ein Drohnenflug, eine Partikelsimulation oder ein abstraktes Bewegungsstück — dafür bringt ein fixierter Keyframe keinen Vorteil. Nutze direkt Text-zu-Video.
Geschwindigkeit wichtiger ist als Kontrolle. Schnelle Social-Clips, bei denen „nah genug“ gut genug ist. Text-zu-Video mit einem Fast-Modell bringt dich in einem Schritt ans Ziel.
Du reine Bewegungsexploration willst. „Zeig mir 5 verschiedene Arten, wie sich dieses Konzept bewegen könnte“ — Text-zu-Video mit verschiedenen Bewegungs-Prompts liefert schneller Vielfalt als erst 5 Standbilder zu erzeugen.
Der volle Stack: Text → Bild → Video → Veröffentlichung
Die Bild-zu-Video-Pipeline ist ein Teil eines größeren Workflows. So verbindet sie sich mit dem Rest des Agenten-Fähigkeitsstacks:
1. WEBSEARCH — Referenzstile recherchieren
↓
2. BILDERZEUGUNG — den Keyframe erstellen
↓
3. BILD ZU VIDEO — den Keyframe animieren
↓
4. DRIVE-SPEICHER — den fertigen Clip speichern
↓
5. SEITENVERÖFFENTLICHUNG — das Video auf einer veröffentlichten Seite einbetten
Dein Agent kann alle fünf Schritte in einer Session ausführen. Kein Kontextwechsel. Keine separaten Tools. Das ist die vollständige kreative Pipeline für Coding Agents — und sie ist nur möglich, weil alle Fähigkeiten hinter einem einzigen Runtime liegen.
FAQ
Welches Bildmodell liefert den besten Ausgangsframe für Video?
Seedream 5 für Qualität. Nano Banana Pro für revisionsintensive Workflows. Nano Banana 2 für Geschwindigkeit. FLUX.1 Kontext Max für designlastige Visuals.
Kann ich denselben Prompt für Bild und Video verwenden?
Nein — und genau das ist der Punkt. Der Bild-Prompt beschreibt die Szene (Komposition, Licht, Motiv). Der Video-Prompt beschreibt die Bewegung (Kamerabewegung, Animation von Elementen, Übergänge). Trenne beides für die besten Ergebnisse.
Wie stelle ich sicher, dass die Videoqualität nicht unter dem Standbild leidet?
Verwende eine qualitativ abgestimmte Kombination. Seedream 5 → Veo 3.1 oder Seedance 2.0 erhält die Qualität. Nano Banana 2 → Seedance 2.0 Fast funktioniert, aber erwarte einen gewissen Qualitätskompromiss. Fast-Modelle priorisieren Geschwindigkeit vor Treue.
Kann ich Bild-zu-Video in Batch-Verarbeitung nutzen?
Ja. Schleife den Bildgenerierungs-Schritt, um mehrere Keyframes zu erstellen, und schleife dann den Video-Generierungs-Schritt, 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 nutzen dieselbe CLI, dieselbe Authentifizierung und dieselbe Runtime. Keine separaten Integrationen.
Fazit
Text-zu-Video gibt dir Bewegung. Bild-zu-Video gibt dir Kontrolle. Die zweistufige Pipeline — erzeugen, bewerten, animieren — liefert Ergebnisse, die du tatsächlich in der Produktion einsetzen kannst, weil du den Frame freigegeben hast, bevor du dein Bewegungsbudget einsetzt.
Die Modellkombination ist entscheidend. Seedream 5 + Veo 3.1 ist die Premium-Pipeline. Nano Banana Pro + Seedance 1.5 Pro ist die Revision-zu-Bewegung-Pipeline. Nano Banana 2 + Seedance 2.0 Fast ist die Geschwindigkeits-Pipeline. Wähle je nachdem, ob Qualität, Konsistenz oder Durchsatz für deinen Workflow am wichtigsten ist.
→ Gib deinem Coding Agent die komplette Bild-zu-Video-Pipeline — eine CLI, alle Modelle
📖 Weiter lesen
- Wie man mit Claude Code Video generiert: Der vollständige Leitfaden 2026 — Der vollständige Leitfaden zur Videogenerierung für Claude Code, Cursor und Codex.
- Wie man mit Claude Code Bilder generiert (2026): 3 Methoden — Der Begleitartikel zur Bilderzeugung: MCP, DIY-API und AnyCap-Ansätze.
- Die besten KI-Videomodelle für Coding Agents im Vergleich — Veo 3.1 vs Seedance 2.0 vs Kling 3.0 vs Sora 2 Pro: im direkten Vergleich.
Verwandte Artikel
- Bilderzeugung für KI-Agenten: Der Entwicklerleitfaden — Seedream 5, Nano Banana Pro, FLUX.1 Kontext Max und der vollständige Katalog der Bildmodelle.
- Was ist eine Capability Runtime? — Die Infrastrukturschicht, die Bild, Video, Suche und Speicher in einer CLI bündelt.
Verfasst vom AnyCap-Team. Wir bauen die Capability Runtime, mit der dein Agent Bilder erzeugen, sie in Videos animieren und das Ergebnis veröffentlichen kann — alles über eine einzige CLI.