E-Commerce AI Video Maker Benchmark: Veo 3 vs. Sora 2

Die Produktvisualisierung spielt eine entscheidende Rolle für den Erfolg im E-Commerce , doch die Erstellung hochwertiger Produktvideos stellt nach wie vor eine große Herausforderung dar. Jüngste Fortschritte in der KI-gestützten Videogenerierungstechnologie bieten vielversprechende Lösungen.

Wir verglichen die sechs führenden KI-Videoproduzenten anhand von zwölf Bild- und Texteingaben, um ihre Fähigkeiten bei der Erstellung von Produktdemonstrationsvideos zu bewerten:

Benchmark-Ergebnisse für KI-Videoersteller

Abbildung 1: Erfolg der Tools bei der Erstellung von Videos anhand der Vorgaben und Eingabebilder.

Werfen Sie einen Blick auf unsere Methodik und unsere Bewertungskriterien, um zu sehen, wie wir diese Bewertungen vorgenommen haben.

Veo 3 ist das leistungsstärkste Modell und erzielt die höchsten Gesamt- und Durchschnittswerte. Es liefert in nahezu allen Bewertungsdimensionen durchweg hochwertige Ergebnisse und zeichnet sich durch hohen Realismus, präzise Lichtverhältnisse und detailgetreue Markenwiedergabe aus.

Wan 2.5 und Kling 2.5 bilden die zweite Leistungsstufe.

• Wan 2.5 arbeitet bei den meisten Eingabeaufforderungen zuverlässig, zeigt jedoch Schwächen bei den Eingabeaufforderungen für Stühle und Stiefel, was auf Schwierigkeiten mit starrer Geometrie und Schuhtexturen hinweist.
• Kling 2.5 erzielt sehr gute Ergebnisse bei einfachen Szenen mit einem einzigen Objekt wie „Tasse“, „Pflanze“ und „Laterne“, zeigt aber eine geringere Genauigkeit bei komplexen Kosmetikartikeln und unregelmäßigen Formen wie „Stiefel“ und „Lippenstift und Rouge“.

Hailuo 02 Pro zeigt eine durchschnittliche Leistung. Es erzielt gute Ergebnisse bei einfachen, katalogartigen Eingabeaufforderungen wie „Pflanze“, „braune Tüte“ und „4 Lippenstifte“, ist aber weniger zuverlässig bei Markentreue und komplexen Objekten wie „Taschen“ und „Schuhen“.

Sora 2 zeigt variable Ergebnisse. Es erzielt gute Resultate bei strukturierten Eingabeaufforderungen wie „Tasse“ und „braune Tüte“, schneidet aber bei anderen wie „Stiefel“ und „4 Lippenstifte“ schlecht ab. Das Modell reagiert offenbar empfindlich auf Szenenkomplexität und Lichtveränderungen.

Pixverse v5 schneidet insgesamt am schlechtesten ab. Es erzielt bei mehreren Aufgaben im Zusammenhang mit Schuhen, Taschen und Kosmetika schlechte Ergebnisse, was auf eine mangelhafte Darstellung von Proportionen und Produktidentität hindeutet.

• Pixverse konnte für die Chair-Eingabeaufforderung keine Ausgabe generieren : „Der Inhalt konnte nicht verarbeitet werden, da er Material enthielt, das von einem Inhaltsprüfer als ‚content_policy_violation‘ gekennzeichnet wurde.“
• Die anderen Modelle verarbeiteten die Stuhl-Aufforderung erfolgreich und generierten das Video. Dies deutet auf ein Zuverlässigkeitsproblem und eine mögliche Einschränkung im Aufforderungsfilter- oder Inhaltsmoderationssystem von Pixverse hin.

Mögliche Gründe für die Leistungsunterschiede

Unterschiede im Reifegrad der Modelle und im Trainingsumfang

• Die höhere Erfolgsquote von Veo 3 lässt auf ein ausgereifteres Modell schließen , das vermutlich mit größeren und vielfältigeren Video-Bild-Text-Datensätzen trainiert wurde.
• Leistungsschwächere Tools (z. B. Pixverse v5, Sora 2) scheinen bei der Bearbeitung unterschiedlicher Produktkategorien weniger leistungsfähig zu sein, was auf eine begrenzte Generalisierbarkeit über Objekttypen, Materialien und Szenen hinweg hindeutet.
• Modelle der mittleren Kategorie (Wan 2.5, Kling 2.5, Hailuo 02 Pro) weisen nur Teilstärken auf, was auf eine geringere oder ungleichmäßigere Trainingsabdeckung schließen lässt.

Sensibilität für Objektkomplexität und Geometrie

Die Leistung variiert stark je nach Produkttyp:

• Einfache, starre Einzelobjekte (z. B. Tassen, Pflanzen, Laternen) werden von verschiedenen Modellen zuverlässiger verarbeitet.
• Komplexe Objekte mit unregelmäßiger Geometrie, reflektierenden Materialien oder gelenkigen Strukturen (z. B. Stiefel, Taschen, Kosmetika) können zu Verzerrungen und Ausfällen führen.

Dies deutet auf Unterschiede in der Art und Weise hin, wie Modelle 3D-Strukturen, Proportionen und Oberflächeneigenschaften während der Videogenerierung erlernen und bewahren.

Einschränkungen bei der Prompt-Befolgung und der semantischen Ausrichtung

Alle Werkzeuge weisen eine Verschlechterung auf, wenn die Eingabeaufforderungen detaillierter werden oder mehrere Aktionen, Objekte oder stilistische Einschränkungen beinhalten.

• Höhere Erfolgsraten korrelieren mit Modellen, die die textuelle Intention besser in visuelle Bewegung und Szenenwechsel umsetzen.

Dass Pixverse beispielsweise bei der neutralen Eingabeaufforderung „Stuhl“ keine Ausgabe generiert, verdeutlicht Mängel bei der Interpretation der Eingabeaufforderung oder bei der Moderationsfilterung, was sich eher auf die Zuverlässigkeit als allein auf die visuelle Qualität auswirkt.

Herausforderungen für Produktintegrität und Markentreue

Modelle mit niedrigeren Punktzahlen verändern sich häufig:

• Produktproportionen und Maßstab
• Texturen, Materialien und Farben
• Markenprägende visuelle Details

Der Vorteil von Veo 3 scheint in einer besseren zeitlichen Konsistenz zu liegen, wodurch die Produktidentität über verschiedene Frames hinweg erhalten bleibt, was sich direkt auf die Bewertungen der Produktintegrität und der physikalischen Genauigkeit auswirkt.

Diese Unterschiede spiegeln wahrscheinlich wider, wie stark die Modelle auf generischen visuellen Realismus im Vergleich zur produktzentrierten Genauigkeit optimiert sind, die im E-Commerce-Kontext von entscheidender Bedeutung ist.

Szenenkonsistenz und physikalischer Realismus

Die Modelle unterscheiden sich in ihrer Fähigkeit, Folgendes aufrechtzuerhalten:

• Coherent Beleuchtung und Schatten
• Plausible Objekt-Umwelt-Interaktionen
• Stabile Kamerabewegung

Werkzeuge mit niedrigeren Punktzahlen verstoßen oft gegen die Gesetze der realen Physik (z. B. unnatürliche Handbewegungen, schwebende Objekte, inkonsistente Spiegelungen), was auf eine schwächere interne Darstellung physikalischer Beschränkungen hinweist.

Effekte der Evaluierungsgestaltung

Der Maßstab legt Wert auf prompte Einhaltung, physikalische Genauigkeit und Produktintegrität, was Modelle begünstigt, die strukturierten Realismus gegenüber künstlerischer Variation priorisieren.

Die begrenzte Anzahl an Vorgaben (12) und die Verwendung von Stockfotos können die Wirkung verstärken:

• Schnelle Sensibilität
• Einzelausfallfälle
• Kategoriespezifische Schwächen

Infolgedessen werden die Unterschiede zwischen den Modellen deutlicher, insbesondere bei komplexen Szenarien mit mehreren Objekten.

Beispiele von KI-Videoproduzenten

Die folgenden Beispiele zeigen jede Eingabeaufforderung zusammen mit dem entsprechenden Ausgabevideo:

1. Die roten High Heels und die schwarze Handtasche auf dem Foto, die in Nahaufnahme gezeigt werden, während die Kamera langsam von links nach rechts schwenkt, Lichtreflexe gleiten über die glänzenden Absätze, während die Kette der Handtasche einen subtilen metallischen Schimmer erzeugt, und endet mit einem weichen Fokus auf das gesamte Ensemble.

2. Die kleine grüne Pflanze in der weißen Vase auf dem Foto, vor einem sauberen weißen Hintergrund, während eine Hand von rechts sanft ins Bild kommt, die Vase vorsichtig anhebt und sie aus dem Bild trägt.

3. Der Rucksack auf dem Foto, der auf einer Steinfläche ruht, mit Bäumen im Hintergrund, während die Kamera langsam heranzoomt, eine Hand von der Seite greift, den Rucksack am oberen Griff aufhebt und aus dem Bild trägt.

4. Die vier Lippenstifte auf dem Foto stehen aufrecht in glänzenden silbernen und schwarzen Gehäusen, eingebettet in eine surreale Unterwasserszene, in der Blasen nach oben treiben und schimmernde Lichtstrahlen durch das Wasser dringen, während die Kamera langsam kreist, um jeden Farbton hervorzuheben.

5. Die Parfümflasche auf dem Foto steht auf einer dunklen Oberfläche. Eine Hand fährt sanft hinein, hebt sie an und drückt den Sprühkopf, um einen feinen Nebel freizusetzen, der das Licht in Zeitlupe vor dem Hintergrund einfängt.

6. Auf dem Foto ist eine weiße Emaille-Kaffeetasse auf einem Holztisch zu sehen, während eine Hand von oben herantritt und einen Kessel neigt, um einen gleichmäßigen Strahl heißen Kaffees in die Tasse zu gießen; Dampf steigt auf und sanfte Wellen bilden sich auf der Oberfläche, während die Kamera eine Nahaufnahme hält.

7. Die auf dem Foto abgebildete Lederschultertasche ist vor einem schlichten Hintergrund zu sehen. Sie beginnt sich sanft um 360 Grad zu drehen, wobei alle Winkel und Details der Riemen, Schnallen und Nähte sichtbar werden, während die Kamera zentriert bleibt.

8. Die rosa Vase mit den bunten Blumen auf dem Foto, vor schwarzem Hintergrund, beginnt sich langsam zu drehen, während sich Blütenblätter und Blätter in Zeitlupe sanft lösen und nach oben schweben, als würden sie der Schwerkraft trotzen, beleuchtet von sanft leuchtenden Lichtstrahlen, während die Vase selbst fest bleibt und am Boden leuchtet.

9. Die dunkelbraunen Stiefel mit hohen Absätzen auf dem Foto, die so getragen werden, dass nur die Unterschenkel und Füße sichtbar sind, gehen anmutig über einen glatten weißen Untergrund; die Kamera folgt den Schritten in Nahaufnahme und fängt den Glanz des Leders und den selbstsicheren Rhythmus des Ganges ein.

10. Der schlichte Holzstuhl auf dem Foto steht nun in einer hellen, modernen Küche vor einem Esstisch. Die Kamera schwenkt sanft von einer Seite zur anderen und leicht nach oben und hebt den Stuhl in seiner neuen Umgebung hervor, in der das natürliche Tageslicht hereinströmt.

11. Lippenstift und Rouge auf dem Foto verwandeln sich in eine magische Beauty-Schaufensterwelt: Der Lippenstift dreht sich langsam von selbst nach oben und hinterlässt eine leuchtende Spur aus rosa Licht in der Luft, während sich der Rouge-Kompaktpuder öffnet und eine sanfte Wolke aus schimmerndem rosa Puder freisetzt, die sich sanft um beide Produkte wirbelt, bevor sie sich wieder absetzt.

12. Die Laterne auf dem Foto steht in einer dunklen Umgebung im Freien, während die Kerze im Inneren angezündet wird: Der Docht fängt Feuer, die Flamme erblüht sanft, und ein warmer goldener Schein breitet sich durch das Glas mit sanftem Flackern und sternförmigen Glanzlichtern aus, während die Kamera langsam heranzoomt, um das Licht vor dem verschwommenen Nachthintergrund hervorzuheben.

Welche Probleme gibt es bei KI-Videogeneratoren?

KI-gestützte Videogenerierungsmodelle zeigen zwar Fortschritte in der visuellen Synthese, doch die aktuellen Tools sind noch nicht in der Lage, Produktvideos zu erstellen, die den Standards des E-Commerce entsprechen. Die vergleichende Bewertung von sechs Modellen deckt mehrere wiederkehrende technische und funktionale Einschränkungen auf.

1. Ungenaue Darstellung der Produkteigenschaften

Die meisten KI-Videogeneratoren können wichtige Produkteigenschaften wie Größe, Farbe, Material und Oberflächenbeschaffenheit nicht korrekt darstellen.

• Modelle verzerren oft starre Geometrien (z. B. Stühle, Stiefel) oder stellen reflektierende und strukturierte Materialien wie Leder oder Metall falsch dar.
• Markenspezifische Merkmale wie Logos oder Verpackungsdetails werden uneinheitlich wiedergegeben.
• Die so entstandenen Videos mögen zwar optisch plausibel wirken, stellen aber keine verlässliche Darstellung des tatsächlichen Produkts dar.

Im E-Commerce besteht die Gefahr, dass solche Ungenauigkeiten potenzielle Käufer irreführen und das Vertrauen in die Inhalte untergraben.

2. Begrenztes Verständnis von Kontext und Markenidentität

Den Systemen fehlt das Kontextbewusstsein dafür, wie ein Produkt in einem Marketing- oder Katalogszenario dargestellt werden sollte.

• Selbst wenn die Aufgabenstellung eindeutig auf kommerzielle Absichten hindeutet, ähneln die Ergebnisse eher generischen Animationen oder künstlerischen Darstellungen als Produktdemonstrationen.
• Abweichungen in Beleuchtung, Perspektive und Hintergrundkomposition verringern die für Werbezwecke erforderliche professionelle Einheitlichkeit.

Dies deutet darauf hin, dass die meisten Modelle noch nicht optimal auf die spezifischen visuellen und semantischen Anforderungen der Markencontent-Erstellung abgestimmt sind.

3. Diskrepanz zwischen Eingabeaufforderungen und Ausgaben

Ein häufiges Problem bei allen getesteten Tools ist die teilweise Nichtbeachtung der Anweisungen.

• Bei einfachen Eingabeaufforderungen mit einem einzigen Objekt („Tasse“, „Pflanze“) schneiden die Modelle akzeptabel ab, zeigen aber Fehler oder Auslassungen bei komplexen Eingabeaufforderungen mit mehreren Objekten oder beschreibenden Eingabeaufforderungen („Lippenstift und Rouge“, „4 Lippenstifte“).
• Bei einigen Tools, wie beispielsweise Pixverse, werden aufgrund restriktiver oder unzuverlässiger Inhaltsfiltersysteme keine Ausgaben für neutrale Eingabeaufforderungen generiert.

Diese Ergebnisse zeigen, dass einige der derzeitigen KI-Videogeneratoren Texteingaben nur oberflächlich interpretieren und die beschreibende Absicht nicht zuverlässig in visuelle Form übersetzen können.

4. Unbeständige Leistung und Zuverlässigkeit

Die Leistung variiert je nach Eingabeaufforderung und Modell erheblich.

• Selbst das leistungsstärkste System, Veo 3, gewährleistet Konsistenz nur innerhalb einer Teilmenge der Eingabeaufforderungstypen.
• Andere Modelle, wie beispielsweise Sora 2 und Hailuo 02 Pro, weisen je nach Lichtverhältnissen oder Objektkomplexität schwankende Bildqualitäten auf.
• Ausfälle, die durch Moderationsfilter oder Generierungsfehler verursacht werden, verringern die Zuverlässigkeit von Produktionsabläufen zusätzlich.

Aufgrund der unbeständigen Zuverlässigkeit eignen sich diese Werkzeuge nicht für den kommerziellen Einsatz, bei dem die Reproduzierbarkeit der Ergebnisse unerlässlich ist.

Empfehlungen

Zur Verbesserung von KI-generierten Videos für den E-Commerce ist eine technische Anpassung erforderlich, nicht nur eine einfache, schnelle Iteration.

• Verbessern Sie die Qualität der Prompts: Fügen Sie strukturierte Beschreibungen der Produkteigenschaften, der Materialien, der Beleuchtung und des beabsichtigten Nutzungskontexts hinzu.
• Feinabstimmung anhand von Domänendaten: Verwenden Sie Produktkataloge und Markenvisualisierungen, um die Modelle auf spezifische Markenstandards zu trainieren oder zu konditionieren.
• Integrieren Sie abrufbasierte Systeme: Nutzen Sie kontextbezogene oder agentenbasierte abrufgestützte Generierung (RAG), um während der Generierung relevante Produkt- und Markeninformationen bereitzustellen.

Diese Maßnahmen können dazu beitragen, die Lücke zwischen generischer Videosynthese und präziser, kontextbezogener Produktdarstellung zu schließen.

KI-Videogenerierungstools

*Die Tools bieten ein Guthabensystem, wobei die ausgegebenen Guthaben von vielen Faktoren abhängen, wie der Auflösung, der Dauer des Videos und dem bei der Erstellung verwendeten Modell.

Zur Berechnung der Preise für PixVerse: Preis ≈ (Dauer ÷ 5 s) × (Credits für 5 s Qualität) × 0,01 $. Beispiel: 10 Sekunden langes 720p-Video: (10 ÷ 5) × 60 × 0,01 $ = 1,20 $ .

Veo

Veo bietet Werkzeuge für die automatisierte Videoanalyse, die visuelle Suche, die Objekterkennung und das Szenenverständnis.

Veo 3.1 ist die neueste Version des Videogenerierungsmodells Google, und das kürzlich erschienene Update „Ingredients to Video“ bringt mehrere Verbesserungen mit sich, die auf Ausdrucksstärke, kreative Kontrolle und eine höhere Ausgabequalität bei der Generierung von Videos aus Referenzbildern abzielen:

• Verbesserte Ausdruckskraft der Videos: Videos, die aus Zutatenbildern generiert werden, weisen nun dynamischere Bewegungen und eine stärkere Erzählweise auf. Dadurch wirken die Ergebnisse dynamischer und ansprechender, selbst bei einfachen Anweisungen.
• Bessere Charakterkonsistenz: Das Modell erhält die visuelle Identität der Charaktere über verschiedene Szenen hinweg aufrecht, sodass Personen oder Objekte während einer Sequenz immer gleich aussehen.
• Szenen- und Objektkonsistenz: Settings, Hintergründe und Objekte können über Videoclips hinweg beibehalten werden, was für kohärentere Erzählungen sorgt.
• Native Unterstützung für vertikale Videos (9:16): Veo 3.1 gibt jetzt vertikale Videos aus, die für mobile Kurzvideo-Plattformen wie YouTube Shorts optimiert sind, ohne dass das Querformat beschnitten wird.
• Hochskalierung auf 1080p und 4K: Benutzer können Videos in 1080p- und 4K-Auflösung generieren, die für professionelle Workflows und Broadcast-Qualität geeignet sind.

WAN-KI

Die Wan2.6-Serie bietet neue Funktionen, die die Möglichkeiten der Benutzer zur Generierung und Personalisierung von KI-Inhalten, insbesondere Videoerzählungen, erweitern:

• Referenzvideo-Generierung: Nutzer können ein kurzes Referenzvideo hochladen, das Aussehen und Stimme einer Person enthält, und anschließend neue Szenen mit derselben Person generieren. Dadurch bleiben visuelle und akustische Merkmale erhalten, sodass Personen, Tiere oder Objekte in den generierten Videos einheitlich dargestellt werden.
• Multimodales Storytelling und Multi-Shot-Video: Wan2.6 führt in seinen Videomodellen ( Text-zu-Video und Bild-zu-Video) intelligentes Multi-Shot-Storytelling ein, das es Kreativen ermöglicht, ausdrucksstärkere Erzählungen mit visueller Kontinuität über mehrere Szenen hinweg zu erstellen.
• Erweiterte Videolänge: Die Modelle unterstützen Videoausgaben von bis zu 15 Sekunden und bieten Kreativen damit mehr Flexibilität bei der Gestaltung von Erzähltempo und filmischer Erzählweise.
• Verbesserte audiovisuelle Synchronisation: Die Serie optimiert die Abstimmung von Bild und Ton auf natürliche Dialogführung, Soundeffekte und die Umwandlung von Audio in Video.
• Verbessertes multimodales Prompt-Verständnis: Die Modelle haben das Verständnis langer chinesischer und englischer Text-Prompts verbessert und unterstützen so die Generierung visuell ausdrucksstarker Inhalte, die nuancierte Eingaben und künstlerische Absichten besser widerspiegeln.

Kling AI

Kling VIDEO 3.0, die neuesten Updates von Kling AI, bieten längere native Videogenerierung, stärkere narrative Kontrolle und audiovisuelle Integration:

• Das Modell 3.0 unterstützt die Generierung von 15-Sekunden-Videos mit flexibler Dauersteuerung zwischen 3 und 15 Sekunden und erweitert damit die bisherige 10-Sekunden-Grenze von Kling. Dies ermöglicht vollständigere Szenen und einen flüssigeren Erzählverlauf innerhalb einer einzigen Generierung.
• Es bietet außerdem die Möglichkeit des Multi-Shot-Editings mithilfe eines „KI-Regisseur“ -Systems, das bis zu sechs Kameraschnitte pro Video ermöglicht. Nutzer können benutzerdefinierte Storyboard-Frames definieren, während das System die Einstellungen automatisch plant und professionelle Übergänge anwendet, beispielsweise Shot-Reverse-Shot-Muster für Dialogszenen.
• Mit der Omni-Variante bietet Kling eine native audiovisuelle Synchronisierung, die Dialoge, Musik und Soundeffekte direkt parallel zum Video in einem einzigen Durchgang generiert und so die Kohärenz zwischen Bild und Ton verbessert.
• Das Elements 3.0-System verbessert die Konsistenz der Darstellung von Figuren, indem es die Identität der Charaktere in Bild-zu-Video-Workflows mithilfe visueller und akustischer Referenzaufnahmen bewahrt. Dies trägt dazu bei, dass die Charaktereigenschaften über verschiedene Szenen und Einstellungen hinweg konsistent bleiben.

Hailuo AI

Hailuo AI wurde für Künstler und Kreative entwickelt, um statische Bilder in animierte Videos zu verwandeln.

Das neueste Modell, Hailuo 2.3, unterstützt sowohl die Umwandlung von Text in Video als auch von Bild in Video. Es verbessert die Stabilität des künstlerischen Stils für Anime und andere stilisierte Darstellungen, optimiert komplexe Körper- und Tanzbewegungen, liefert realistischere Gesichtsdetails und Mikroexpressionen und erhöht die Zuverlässigkeit in kommerziellen und E-Commerce-Szenarien durch eine verbesserte Produktbewegungsverarbeitung.

Im Gegensatz dazu unterstützt Hailuo 2.3-Fast ausschließlich die Bild-zu-Video-Konvertierung und ist auf schnellere und kostengünstigere Generierung optimiert, wodurch es sich besser für schnelle Iterationen und Tests eignet. Insgesamt zielt Hailuo 2.3 auf die Erstellung hochwertiger, ausdrucksstarker Videos ab, während Hailuo 2.3-Fast Geschwindigkeit und Effizienz in den Vordergrund stellt.

OpenAI Sora

Sora 2 ist das multimodale KI-Modell von OpenAI, das für leistungsstarke visuelle Verständnis- und Schlussfolgerungsaufgaben entwickelt wurde. Zu den wichtigsten Funktionen gehören:

• Verbesserte visuelle Argumentation: Sora 2 kann detaillierte und komplexe Bilder verstehen und interpretieren, darunter Diagramme, Infografiken, Architekturpläne, wissenschaftliche Abbildungen und UX/UI-Screenshots.
• Multimodales Verständnis: Das Modell verarbeitet Text und Bilder gemeinsam und ermöglicht es den Benutzern, Fragen zu visuellen Elementen im Kontext zu stellen, beispielsweise um eine Funktion anhand eines Schaltplans zu erklären, Fehler in einem Flussdiagramm zu identifizieren oder Inhalte in Folien zusammenzufassen.
• Strukturierte Antworten: Sora 2 kann organisierte Ausgaben erzeugen, darunter Tabellen, Schritt-für-Schritt-Anleitungen und Vergleiche, die den Benutzern helfen, visuelle Erkenntnisse effektiver umzusetzen.

Im März 2026 beschloss OpenAI, Sora einzustellen, trotz der Popularität des Tools und der starken Unterstützung, einschließlich einer geplanten Partnerschaft mit Disney im Wert von 1 Milliarde Dollar zur Nutzung seiner Charaktere. ¹

Laut WSJ ² Einer der Hauptgründe für die Entscheidung von OpenAI ist, dass das Unternehmen derzeit praktischen, umsatzgenerierenden KI-Tools Vorrang vor experimentellen Verbraucherprodukten einräumt.

Weitere Gründe waren:

• Hohe Rechenkosten: Die Videogenerierung verbrauchte große Mengen der knappen KI-Chips.
• Mangelnde Rentabilität: Berichten zufolge verlor das Produkt täglich etwa 1 Million Dollar.
• Schwache Nutzerbindung: Das anfängliche Interesse ließ schnell nach, und die Nutzung ging deutlich zurück.

PixVerse

PixVerse AI ist eine KI-gestützte Videogenerierungsplattform, die aus Textvorgaben oder statischen Bildern kurze Videos erstellt, die sich ideal für die Content-Erstellung in sozialen Medien eignen. Zu den Funktionen gehören automatische Audiogenerierung, Lippensynchronisation und filmreife Kamerabewegungen.

Basierend auf unseren Benchmark-Ergebnissen weist PixVerse V5 trotz seiner Fähigkeiten Einschränkungen bei der Bearbeitung komplexer Szenen, der Erzielung künstlerischer Präzision und der Bereitstellung hochauflösender Ausgaben in der kostenlosen Version auf.

PixVerse V5.6 ist die neueste Version des KI-Videogenerierungsmodells, das sich auf Realismus, kreative Kontrolle und eine immersive Ausgabequalität konzentriert:

• Visuelle Qualität auf Kinoniveau: Das Modell erzeugt Bilder in Studioqualität mit verbesserter Beleuchtung, Texturen und allgemeiner visueller Wiedergabetreue, wodurch die generierten Szenen eher wie professionell gedrehtes Filmmaterial aussehen.
• Authentisches Audio und Gesang: V5.6 verbessert die Audioerzeugung, um natürlich klingende Sprache in mehreren Sprachen zu liefern.
• Flüssigere Bewegungen: Die Bewegungssteuerung wurde verfeinert, um visuelle Verzerrungen zu reduzieren, was zu flüssigeren und realistischeren Bewegungen von Charakteren und Objekten führt.
• Verbesserter physikalischer Realismus: Das Modell zeigt ein besseres Verständnis physikalischer Vorgänge, wie zum Beispiel den Fall von Stoffen oder den Fluss von Flüssigkeiten, was zu glaubwürdigeren und immersiveren Szenen führt.

Methodik

Verwendete Produkte

• Veo 3
• WAN 2.5 Vorschau
• Kling 2.5 Turbo Pro
• Hailuo 02 Pro
• Sora 2
• Pixverse v5

Hinweis: Alle Produkte werden im Oktober 2025 getestet.

Test der Bildklassifizierung und Ziele

Unsere Studie nutzte drei verschiedene Kategorien von Produktbildern, die jeweils dazu dienten, die spezifischen Fähigkeiten von KI-Videogenerierungstools zu testen:

Produkte mit weißem Hintergrund

Zweck: Bewertung der dualen Fähigkeiten

1. Grundlegende Handhabung: Produktbewegung und -rotation in einer neutralen Umgebung
2. Umweltanpassung: Integration von Produkten in neue Kontexte

Testschwerpunkt: Die Fähigkeit der KI, die Produktintegrität beim Hinzufügen oder Ändern von Umgebungen aufrechtzuerhalten.

Kontextbezogene Produktbilder

Ziel: Bewertung der Fähigkeiten zur Umgebungsanimation

1. Genauigkeit der Szenen-zu-Video-Konvertierung
2. Erhaltung der bestehenden Beleuchtung und Atmosphäre
3. Hinzufügen dynamischer Elemente zu einem etablierten Setting

Testschwerpunkt: Die Fähigkeit von KI, statische Produktaufnahmen aus der Umgebung zum Leben zu erwecken.

Szenen mit mehreren Produkten

Zweck: Testen komplexer Produktbeziehungen und -interaktionen

1. Physikalische Wechselwirkungen zwischen Produkten
2. Konsequente Skalenpflege
3. Gruppenbewegungsdynamik
4. Kollektive Lichteffekte

Testschwerpunkt: Die Fähigkeit der KI, mehrere Produkte zu verwalten und dabei die individuelle Integrität und natürliche Interaktionen zu wahren.

Dieser dreistufige Ansatz ermöglicht es uns, nicht nur die Darstellung einzelner Produkte und die Erstellung von Umgebungen zu bewerten, sondern auch die Fähigkeit der KI, komplexe Szenarien mit mehreren Produkten zu bewältigen, und bietet so eine umfassendere Beurteilung realer E-Commerce-Anwendungen.

Unsere Bewertungskriterien sind:

Unverzügliche Erfüllung: (3 Punkte)

• Übereinstimmung zwischen den vorgegebenen Anforderungen und den generierten Ergebnissen für das Produkt
• Übereinstimmung zwischen den Anforderungen der Aufforderung und der generierten Ausgabe für die Umgebung
• Übereinstimmung zwischen den vorgegebenen Anforderungen und den generierten Ausgaben für Kamera und Aufnahme.

Physikalische Genauigkeit: (3 Punkte)

• Einhaltung der realen Physik
• Genauigkeit der Objektinteraktionen (Oberflächenkontakt, Bewegung)
• Licht- und Schattenverhalten

Produktintegrität: (4 Punkte)

• Einheitliches Produktbild während der gesamten Videogeneration
• Erhaltung der produkt-/markenspezifischen Merkmale und Details
• Einhaltung der Produktproportionen und des Maßstabs
• Genauigkeit der Textur-, Farb- und Materialwiedergabe

Jedes generierte Video wird anhand dieser Kriterien mit einer Punktzahl von 1 bis 10 bewertet.

Datensatz: Wir haben Stockfotos von Pexels verwendet. ³

FAQs

Weiterführende Literatur

Erfahren Sie mehr über die Fähigkeiten, Anwendungsfälle und Werkzeuge der generativen KI:

• Generative KI-Anwendungen mit Beispielen aus dem realen Leben
• Generative KI-Tools nach Beliebtheit und Kategorie

Referenzlinks

1.

Sora: OpenAI closes AI video app and cancels $1bn Disney deal

BBC News

2.

Exclusive | The Sudden Fall of OpenAI’s Most Hyped Product Since ChatGPT - WSJ

3.

Free Stock Photos, Royalty Free Stock Images & Copyright Free Pictures · Pexels

Sıla Ermut

Branchenanalyst

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und spezialisiert auf E-Mail-Marketing und Vertriebsvideos. Zuvor war sie als Personalberaterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Recherchiert von

Şevval Alper

KI-Forscher

Folgen auf

Şevval ist Branchenanalystin bei AIMultiple und spezialisiert auf KI-Codierungswerkzeuge, KI-Agenten und Quantentechnologien.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten