Beste Bild-zu-Video-KI 2026: ein Foto, fünf Modelle im Test

Welche ist die beste Bild-zu-Video-KI für dein Foto? In einer Demo sieht es einfach aus: Du lädst ein Foto hoch, beschreibst eine Bewegung und bekommst einen Clip. Beim eigenen Foto willst du es genauer wissen: Bleibt ihr Gesicht gleich? Führt das Modell die gewünschte Bewegung wirklich aus? Und verändert es unbemerkt das Bildformat?

Wir haben am 4. November 2026 fünf Bild-zu-Video-KI-Modellen dasselbe Foto gegeben und jeweils dieselben drei Bewegungen verlangt. Alle fünf Clips zusammen kosteten $0.8105. Weiter unten siehst du jeden Clip mit einer Checkliste der Ergebnisse.

TokLab ist unser Produkt. Dort bieten wir alle fünf Modelle an; auch die Clips haben wir über die TokLab-API erstellt. Seedance 2.5 führt die öffentliche Bild-zu-Video-Rangliste an, fehlt aber in diesem Test. Warum, erklären wir gegen Ende.

Welche ist die beste Bild-zu-Video-KI? Die schnelle Antwort

Von diesen fünf Modellen hat Seedance 2.0 Mini den Prompt am vollständigsten umgesetzt. Nur dieses Modell hat den Regenschirm gesenkt. MiniMax H3 Standard kam dem Ergebnis am nächsten, kostete mit $0.0769 pro Clip aber nur rund 40 % davon und behielt das exakte Bildformat des Fotos bei. Ist dein Foto bereits im Format 16:9, bekommst du mit Veo 3.1 Fast 8 Sekunden für $0.168. Bei anderen Formaten fügt es schwarze Balken hinzu.

In der Rangliste von Artificial Analysis, in der Zuschauer Clips ohne Kenntnis des Modells gegeneinander bewerten, steht Seedance 2.5 bei Bild zu Video an erster Stelle.

Unser Ausgangsfoto und der Prompt für die Animation

Das Startbild ist ein Foto im Format 3:2. Es zeigt eine junge Frau, die nachts auf einer regennassen Straße unter einem durchsichtigen Regenschirm lacht. Wir haben es für unseren KI-Bildgenerator-Test erstellt. Jedes Modell bekam es als erstes Bild des Videos, zusammen mit diesem Prompt:

"She lowers the clear umbrella slightly, keeps laughing and turns to look down the street as the rain keeps falling; a car passes behind her and its headlights sweep across the wet pavement; slow push-in"

Drei Dinge lassen sich also beim Anschauen überprüfen: Ein Gegenstand bewegt sich (der Schirm wird gesenkt), sie bewegt sich (sie dreht sich zur Straße), und hinter ihr passiert etwas (ein Auto fährt vorbei). Wir haben jedes Modell einmal ausgeführt, jeweils mit der niedrigsten Auflösung, bei der ihr Gesicht noch klar zu erkennen ist.

Bild-zu-Video-KI im Vergleich: Ergebnisse und Kosten

Quelle: Bild-zu-Video-Rangliste der Artificial Analysis Video Arena vom 4. November 2026. Daneben steht der Betrag, den TokLab uns an diesem Tag für den jeweiligen Clip berechnet hat. Eine Variante in Klammern bedeutet, dass die Rangliste eine andere Modellversion bewertet als die, mit der wir unseren Clip erstellt haben.

Seedance 2.0 Mini: beste Bild-zu-Video-KI für genaue Prompt-Umsetzung

Seedance 2.0 Mini hat am meisten von dem umgesetzt, was wir geschrieben haben. Etwa zur Mitte des Clips senkt sie den Schirm neben sich. Sie dreht sich weiter, bis wir ihren Hinterkopf und rechts im Bild die Lichter eines Autos sehen.

Das ist eine wörtliche Umsetzung von „dreht sich, um die Straße hinunterzuschauen“. Genau darin liegt aber auch der Haken: In der letzten Sekunde ist ihr Gesicht nicht mehr zu sehen. Wenn du ein Porträt für ein Profilvideo oder eine Anzeige animierst, soll sie vermutlich kurz zur Straße schauen und sich dann wieder zurückdrehen. Schreib das also in den Prompt.

Das Gesicht selbst blieb erhalten. Uns fiel nur auf, dass ihre Sommersprossen in der dritten Sekunde blasser wurden und ihre Haare etwas kürzer wirkten. Der Clip ist außerdem etwas quadratischer als das 3:2-Foto. Wenn du ihn wieder neben das Original stellst, musst du mit einem kleinen Beschnitt rechnen.

MiniMax H3 Standard: beste Bild-zu-Video-KI zum Animieren vieler Fotos

MiniMax H3 Standard lieferte einen Clip in 768p und behielt das 3:2-Format des Fotos pixelgenau bei. Es wurde also nichts beschnitten oder ergänzt. Sie lacht und dreht sich, bis sie die Straße hinunterschaut und ihr Gesicht aus dem Bild verschwindet. Hinter ihr rollt ein silbernes Auto vorbei, dessen Lichter auf die nasse Fahrbahn fallen.

Den Regenschirm hat das Modell ignoriert. Er bleibt die ganze Zeit genau dort, wo er auf dem Foto war.

Mit $0.076926 pro Clip kostet es etwa 40 % von Seedance 2.0 Mini. Damit wäre es unsere erste Wahl zum Ausprobieren, wenn du viele Bilder animieren willst. Wenn du hundert Fotos animierst, ist der ursprüngliche Bildausschnitt mehr wert als eine einzelne ausgelassene Anweisung. Der Eintrag für MiniMax H3 in der Rangliste bezieht sich auf die 768p-Variante. Mit 1130 liegt sie knapp hinter Seedance 2.0.

Grok Imagine Video 1.5: wenn ihr Gesicht zur Kamera gerichtet bleiben soll

Grok Imagine ging anders vor als Seedance und MiniMax. Die Kamera fährt deutlich näher heran. Sie dreht den Kopf zur Straße, lässt ihr Gesicht aber uns zugewandt. Im Hintergrund gleitet ein Auto vorbei. Für ein Porträt ist das wohl das nützlichere Ergebnis.

Auch hier blieb das 3:2-Format des Fotos erhalten. Mit 57 Sekunden war Grok außerdem als schnellstes der fünf Modelle fertig. Dafür musst du bei Auflösung und Preis Abstriche machen: 672×448 für $0.24. Das ist der teuerste Clip im Test, auch weil der kürzeste Clip bei Grok 6 Sekunden dauert.

PixVerse v6: für schnelle Entwürfe ohne Ton

PixVerse v6 machte aus der Drehung die ausdrucksstärkste Geste: Sie schaut über die Schulter, während ein Auto vorbeifährt. Dann dreht sie sich zurück und lacht in die Kamera. Das wirkt wie ein natürlicher Moment, auch wenn der Prompt die Rückkehr nicht verlangt hat.

Der Clip ist stumm, weil PixVerse für Ton einen Aufpreis berechnet und wir ihn nicht eingeschaltet haben. Sein Format weicht nur um wenige Pixel von dem des Fotos ab. Ein Beschnitt ist daher nicht zu erkennen.

Veo 3.1 Fast: für Fotos, die bereits im Format 16:9 sind

Veo 3.1 Fast lieferte den längsten Clip: 8 Sekunden in 720p. Die Bewegungen sind flüssig. Sie dreht den Kopf ein Stück zur Straße, ein dunkles Auto fährt vorbei, Regen fällt auf den Schirm. Es ist ein guter Clip – mit schwarzen Balken an den Seiten.

Veo hat unser 3:2-Foto mittig in ein 16:9-Videobild gesetzt und die Seiten schwarz aufgefüllt. Du kannst die Balken wegschneiden, hast dann aber einen kleineren Clip als den, für den du bezahlt hast. Sind deine Fotos schon im Format 16:9, tritt das Problem nicht auf. Dann sind 8 Sekunden für $0.168 ein guter Preis. Jede Variante von Veo 3.1 rendert 8 Sekunden pro Clip.

Vergleichst du Bild-zu-Video-Apps oder die Modelle dahinter?

Die meisten Bild-zu-Video-Apps nutzen eines dieser Modelle. Dreamina von ByteDance nutzt Seedance, Hailuo ist die App von MiniMax, Googles Flow nutzt Veo, und Grok Imagine steckt in Grok. Wenn dir zwei Apps aus demselben Foto sehr ähnliche Clips liefern, verwenden sie oft dasselbe Modell.

Deshalb vergleichen wir hier Modelle statt Apps. Die App bestimmt die Oberfläche, die kostenlosen Credits und das Wasserzeichen. Das Modell bestimmt, ob der Regenschirm gesenkt wird.

Wo Bild-zu-Video-KI noch an Grenzen stößt

Gesichter auf Gruppenfotos. Nemovideo bezeichnet in seinem Test von Bild-zu-Video-Tools die Stabilität von Gesichtern als „nach wie vor ein ernst zu nehmendes Problem“. Gruppenfotos seien dabei am schwierigsten. Bei einem einzelnen Gesicht blieb die Frau bei allen fünf Modellen hier als dieselbe Person erkennbar. Teste ein Gruppenfoto gesondert, bevor du dich dabei auf ein Modell verlässt.

Anweisungen zu Gegenständen. Alle fünf Modelle haben ihren Kopf gedreht und das Auto ergänzt. Vier ließen den Regenschirm genau dort, wo er war. Bewegungen der Person scheinen zuverlässiger umgesetzt zu werden als Bewegungen eines Gegenstands, den sie hält.

Das Format deines Fotos. Drei Modelle behielten das Format des 3:2-Fotos exakt oder bis auf wenige Pixel bei, eines machte es etwas quadratischer, und eines fügte schwarze Balken hinzu. Bevor du hundert Fotos animierst, die nicht im Format 16:9 sind, teste eines davon und prüfe die Ränder.

Bild-zu-Video-Apps auf anderen Bestenlisten

Runway, Pika und Luma stehen auf den meisten Listen mit Bild-zu-Video-Tools. Wir haben sie in diesem Test nicht geprüft. Die folgenden Angaben stammen von ihren Preisseiten vom 4. November 2026.

Wenn du eine dieser Apps mit dem Foto ausprobierst, das du animieren möchtest, prüfe dieselben drei Punkte wie oben: Ist das Gesicht gleich geblieben? Wurde die Bewegung ausgeführt? Hat das Bild sein Format behalten?

Warum Seedance 2.5 in unserem Test fehlt

Seedance 2.5 führt die Bild-zu-Video-Rangliste von Artificial Analysis mit 1159 an, gefolgt von Seedance 2.0 mit 1135. Ein 4 Sekunden langer Clip mit Seedance 2.5 in 480p kostet auf TokLab etwa $0.41. Das ist mehr als jeder Clip in diesem Test und etwa die Hälfte dessen, was alle fünf Clips zusammen gekostet haben. Deshalb haben wir in dieser Runde Seedance 2.0 Mini verwendet. Kling 3.0 und Wan 3.0 sind ebenfalls nicht dabei. Hast du das Budget für einen einzelnen hochwertigen Render deiner fertigen Einstellung, spricht die Rangliste für Seedance 2.5.

Häufige Fragen zu Bild-zu-Video-KI

Welche Bild-zu-Video-KI erhält das Gesicht auf deinem Foto?

Alle fünf Modelle in diesem Test haben ein einzelnes Gesicht erkennbar erhalten. Seedance 2.0 Mini hat ihre Sommersprossen leicht abgeschwächt. Auf Gruppenfotos verändern sich Gesichter stärker. Teste sie deshalb gesondert.

Wie lang kann dein KI-Video aus einem Bild werden?

Die Clips hier waren 5 bis 8 Sekunden lang. Die meisten dieser Modelle schaffen bis zu 15 Sekunden in einem Durchlauf, Seedance 2.5 bis zu 30.

Kannst du Bild-zu-Video-KI kostenlos nutzen?

Ja, mit Einschränkungen. Dreamina wirbt damit, dass du mit Seedance kostenlos Bilder in Videos umwandeln kannst. Die meisten anderen kostenlosen Angebote begrenzen die Länge, die Auflösung oder die Anzahl der Clips pro Tag. Die aktuellen TokLab-Tarife für die Modelle oben findest du auf der Preisseite.