Zum Inhalt springen
Markus Egger
← Alle Lektionen

KI verstehen4 KI-Werkzeugkasten

Jenseits des Chats: Bild-, Audio- und Video-KI

Heute erkundest du die KI-Welt jenseits des Textchats. Du lernst, was Bild-KI, Audio-KI und Video-KI konkret können, wo der technische Unterschied zu Sprachmodellen liegt, und welche Werkzeuge sich für den Alltag eignen, damit du weißt, wann ein KI-Chat die richtige Wahl ist und wann ein Spezialwerkzeug die Aufgabe besser löst.

Lektion 10: Jenseits des Chats, Bild-, Audio- und Video-KI

Die KI-Familie ist größer als du denkst

In den letzten Lektionen hast du dich vor allem mit Sprachmodellen, LLMs (Large Language Models), beschäftigt: KI-Systemen, die Text verstehen und erzeugen. Das ist eine wichtige, aber bei Weitem nicht die einzige Familie von KI-Werkzeugen.

Stell dir die KI-Welt wie eine gut ausgestattete Tischlerwerkstatt vor. Der Textchat ist die Säge, vielseitig und unverzichtbar. Aber für bestimmte Aufgaben brauchst du einen Hobel, einen Bohrer oder eine Schleifmaschine. Bild-, Audio- und Video-KI sind diese Spezialwerkzeuge. Alle basieren auf maschinellem Lernen, wurden aber auf ganz anderen Daten trainiert und arbeiten nach anderen Prinzipien als ein Sprachmodell.

Bild-KI: Aus Worten werden Pixel

Text-to-Image (auf Deutsch: Text-zu-Bild) ist die bekannteste Kategorie jenseits des Chats: Du beschreibst ein Bild in Worten, und die KI erzeugt es innerhalb von Sekunden.

Beispiel-Prompt: Ein gemütliches Wiener Kaffeehaus im Abendlicht, Ölgemälde-Stil, warme Farben → Die KI liefert ein fertiges Bild.

Wie funktioniert das technisch? Anders als ein Sprachmodell, das Token für Token Text erzeugt, verwenden die meisten Bildgeneratoren ein Diffusionsmodell (englisch: Diffusion Model). Die Grundidee ist verblüffend einfach: Das Modell lernt beim Training, wie man aus reinem Bildrauschen, stell dir weißes TV-Rauschen vor, Schritt für Schritt ein erkennbares Bild herausarbeitet. Beim Erzeugen eines neuen Bildes startet die KI mit zufälligem Rauschen und „entfernt“ es in vielen kleinen Schritten, bis das Ergebnis deinem Prompt entspricht. Jeder Schritt wird dabei vom Textprompt gesteuert.

Die wichtigsten Bild-KI-Werkzeuge 2026:

  • Midjourney, gilt als die stärkste Wahl für künstlerische, stilistisch anspruchsvolle Bilder. Über eine Weboberfläche zugänglich. Besonders beliebt für kreative Projekte, Buchcover, Illustrationen.
  • DALL·E 3 (in ChatGPT integriert), am einfachsten zugänglich, weil direkt im gewohnten ChatGPT-Fenster. Gut für schnelle Alltagsaufgaben: Präsentationsbilder, Ideen visualisieren, Social-Media-Grafiken.
  • Adobe Firefly, besonders für den kommerziellen Einsatz interessant. Adobe hat Firefly ausschließlich auf lizenzierten Inhalten trainiert. Das bedeutet: Die Urheberrechtsfragen (englisch: Copyright) sind weniger riskant als bei anderen Systemen, ein relevanter Unterschied, wenn du KI-Bilder beruflich einsetzt.
  • Stable Diffusion, ein Open-Source-Modell (quelloffen: frei verfügbar, veränderbar, von jedem einsehbar), das du auch lokal auf deinem Computer betreiben kannst. Kein Upload von Bildern in die Cloud.

Wann ist Bild-KI nützlich? Präsentationen illustrieren, Moodboards für Projekte erstellen, Einladungskarten gestalten, Ideen visuell greifbar machen, und das alles in Minuten, ohne Designkenntnisse.

Audio-KI: Stimmen, Musik und Transkription

Audio-KI ist eine breite Kategorie mit sehr unterschiedlichen Anwendungen:

Text-to-Speech (TTS), geschriebener Text wird in gesprochene Sprache verwandelt. Moderne Systeme wie ElevenLabs klingen erschreckend natürlich, können Betonung und Emotionen nachahmen und sogar individuelle Stimmen auf Basis kurzer Aufnahmen klonen. Ein Podcast-Skript als Audioversion ausgeben, das dauert Sekunden.

Speech-to-Text (Transkription), gesprochene Sprache wird zu Text. Whisper (von OpenAI) ist ein weit verbreitetes Open-Source-System, das Audioaufnahmen in vielen Sprachen zuverlässig transkribiert. Praktisches Beispiel: Besprechungen aufnehmen und automatisch als lesbares Protokoll ausgeben lassen.

Musik-KI, Tools wie Suno oder Udio erzeugen aus einem kurzen Textprompt komplette Songs: mit Melodie, Rhythmus, Text und Gesang. Ein entspannter Jazz-Song über den Wiener Prater, mit Trompete und Klavier → fertiger Song in einer Minute.

Ein wichtiger Hinweis: Audio-KI, die Stimmen imitiert, ist eine Kerntechnologie hinter Deepfakes (englisch für: täuschend echte, gefälschte Medien, zum Beispiel ein Audio, das eine Person etwas sagen lässt, was sie nie gesagt hat). Dazu kommen wir in Modul 7 ausführlich. Schon jetzt gilt: Vertraue Sprachaufnahmen aus unbekannten Quellen nicht blind.

Video-KI: Der Bereich mit dem schnellsten Fortschritt

Text-to-Video, aus einer Textbeschreibung wird ein kurzes Video, ist der Bereich, in dem sich 2025/2026 am meisten getan hat. Die wichtigsten Systeme:

  • Google Veo 3, aktuell einer der realistischsten Videogeneratoren. Besonderheit: Veo 3 war das erste weit verfügbare System mit nativer Audioausgabe, das bedeutet, Ton (Geräusche, Atmosphäre) wird direkt beim Erzeugen des Videos mitgeneriert, nicht nachträglich hinzugefügt. Verfügbar über Google Gemini Ultra.
  • Runway Gen-4, stark für kreative Video-Projekte, beliebt bei Filmemachern und Content-Creators.
  • Sora (von OpenAI), bekannt durch eindrucksvolle Demo-Videos, aber nach wie vor begrenzt verfügbar.

Was kann Video-KI noch nicht gut? Konsistenz über längere Szenen bleibt eine Schwäche: Personen können ihr Aussehen mitten im Video verändern, Textelemente in Bildern sind oft unleserlich. Für kurze, atmosphärische Clips eignet sich Video-KI bereits sehr gut, für komplexe Erzählungen mit gleichbleibenden Hauptfiguren noch nicht zuverlässig.

Multimodale Modelle: Die Grenzen verschwimmen

In Lektion 9 hast du Multimodalität kurz kennengelernt, jetzt siehst du den Unterschied in der Praxis:

  • Ein reines Sprachmodell nimmt Text herein und gibt Text heraus.
  • Ein multimodales Modell kann mehrere Modalitäten (englisch: Modalities, Eingabe- oder Ausgabetypen wie Text, Bild, Audio, Video) verstehen und/oder erzeugen.

Gemini wurde von Anfang an multimodal konzipiert. Claude und ChatGPT können inzwischen Bilder lesen und analysieren. Veo 3 erzeugt Video und Audio gemeinsam. Der Trend ist klar: Was heute noch separate Werkzeuge sind, wächst zusammen. In den nächsten Jahren wirst du wahrscheinlich in einem einzigen Chat tippen, sprechen, Bilder zeigen und Video-Clips erhalten, ohne das Fenster zu wechseln.

Praxisaufgabe des Tages (ca. 10-15 min)

Heute probierst du zum ersten Mal einen Bildgenerator aus, keine Vorkenntnisse nötig.

1. Öffne einen KI-Dienst deiner Wahl, der Bildgenerierung unterstützt. Die einfachste Option: ein KI-Chat, in dem du direkt Bilder anfordern kannst (z. B. ChatGPT mit aktivierter Bildgenerierung). Alternativ: Suche nach „Adobe Firefly“ oder „Midjourney“ im Browser, beide bieten kostenlose Einstiegsoptionen.

2. Gib diesen Prompt ein:

Ein gemütliches Wiener Kaffeehaus am frühen Abend. Weiche Beleuchtung,
Marmortische, Zeitungen auf dem Tisch. Fotorealistisch, warme Farbtöne.

3. Schau dir das Ergebnis an, und verfeinere es dann mit einer Folge-Anfrage (Iteration, wie in Lektion 5 gelernt!):

Mache den Stil mehr wie ein impressionistisches Gemälde, weniger fotorealistisch,
mehr Pinselstriche sichtbar, Farben etwas gesättigter.

4. Beobachte dabei:

  • Wie gut hat die KI deinen Prompt verstanden?
  • Was hat sie gut getroffen, was sieht merkwürdig aus (falsche Proportionen, unlesbarer Text, zu viele Finger)?
  • Was würdest du beim nächsten Versuch anders formulieren?

Woran du merkst, dass du es verstanden hast: Du kannst sagen, welche Details du explizit im Prompt nennen musstest, damit das Bild deiner Vorstellung ähnelt, und welche die KI nicht von selbst „erraten“ hat.

KI-News zum Lernen

  • Google Veo 3.1 Lite macht KI-Video erschwinglich, Was ist passiert: Google hat im Juni 2026 eine kostengünstigere Variante seines Videomodells veröffentlicht, Veo 3.1 Lite. Gleichzeitig ermöglichen neue Funktionen, eigene Referenzbilder als Eingabe zu nutzen, um präzisere Videos zu erzeugen. Warum interessant: Das zeigt einen klaren Trend, was vor einem Jahr noch teuer und schwer zugänglich war, wird innerhalb von Monaten zur Standardfunktion. Die Inferenzkosten (englisch: Inference Cost, was es kostet, eine KI-Ausgabe zu berechnen) sinken rapide, was KI-Video für Alltagsnutzer erschwinglich macht. Quelle

  • Meta lizenziert Midjourney-Technologie für Instagram, Facebook und WhatsApp, Was ist passiert: Meta hat eine Partnerschaft mit Midjourney geschlossen, um Bild- und Video-KI-Technologie tief in seine Plattformen einzubinden. Warum interessant für Einsteiger: Wenn du Instagram nutzt, wirst du KI-generierte Bilder auf Basis von Midjourney-Technologie bald täglich sehen, oft ohne es zu wissen. Das macht es umso wichtiger, KI-generierte Inhalte erkennen zu können. Der EU AI Act schreibt ab 2026 vor, dass solche Inhalte als KI-generiert gekennzeichnet sein müssen, wie das in der Praxis durchgesetzt wird, bleibt eine spannende offene Frage.

Glossar des Tages

  • Text-to-Image, KI-Funktion, die aus einer Textbeschreibung ein Bild erzeugt; Grundlage von Tools wie Midjourney, DALL·E und Firefly
  • Diffusionsmodell (Diffusion Model), KI-Modelltyp, der Bilder erzeugt, indem er schrittweise Bildrauschen in ein klares Bild umwandelt; technisch verschieden von einem Sprachmodell
  • Text-to-Speech (TTS), KI wandelt geschriebenen Text in natürlich klingende gesprochene Sprache um
  • Deepfake, täuschend echtes, KI-generiertes Video oder Audio, das eine Person etwas tun oder sagen lässt, was nie stattgefunden hat
  • Open Source, Software, deren Quellcode offen zugänglich ist und von jedermann eingesehen, genutzt und verändert werden darf