Google’s Gemini Omni, aufgerufen über die neue Google Vids-Schnittstelle, wurde einem praktischen Labortest unterzogen, um zu prüfen, ob die KI ein einzelnes Motiv (einen Kurier) nach drei aufeinanderfolgenden Videobearbeitungen stabil halten kann.

Warum der Test wichtig ist

Generative Videotools versprechen, dass jeder Hintergründe austauschen, Beleuchtung hinzufügen oder Effekte mit einem einzigen Textbefehl einstreuen kann. Für einen Creator ist das Versprechen simpel: Man beginnt mit einem Rohclip, tippt „Lass es nachts regnen“ und erhält am Ende einen polierten Kurzclip. Die meisten Nutzer sehen nicht die versteckten Kosten des „Drifts“ – den allmählichen Verlust des ursprünglichen Aussehens, der Pose oder der Bewegung des Motivs, während die KI jede neue Anweisung interpretiert. Wenn sich das Gesicht eines Kuriers nach der zweiten Bearbeitung subtil verändert, wirkt das Endergebnis unprofessionell und erfordert möglicherweise eine kostspielige manuelle Nachbearbeitung.

Das Experiment

Baseline-Clip – Eine Studioaufnahme mit statischer Kamera von einer Person, die eine marineblaue Windjacke trägt, einen kleinen Pappkarton in der linken Hand hält und zwei Schritte auf die Kamera zugeht. Die Beleuchtung war gleichmäßig, der Hintergrund schlicht und die Bewegung einfach.

Bearbeitungssequenz – Drei Bearbeitungen wurden nacheinander angewendet:

  1. Hintergrundwechsel – Ersetzen des Studios durch eine regnerische Stadtstraße bei Nacht.
  2. Beleuchtungsanpassung – Hinzufügen eines blauen Kantenlichts um den Kurier und eines warmen Glühens aus einem Schaufenster.
  3. Atmosphäreschicht – Einstreuen von leichten Regentropfen und einem dünnen Schleier aus Dampf.

Ein „Direct Control“-Durchlauf kombinierte alle drei Anweisungen in einem einzigen Prompt, sodass die KI den finalen Clip in einem Durchgang generieren konnte.

Wie die Konsistenz bewertet wurde

Zwölf Kriterien bildeten den Bewertungsbogen, gruppiert in vier Themenbereiche:

  • Charakterstabilität – Gesicht, Haare und Kleidung bleiben identisch.
  • Szenenstabilität – Kamerawinkel und Position des Motivs bleiben fixiert.
  • Bearbeitungspräzision – Die KI folgt der Anweisung, ohne etwas anderes zu verändern.
  • Zeitliche Qualität – Kein Flackern, Verzerren oder Zittern während der Bewegung.

Jeder Clip wurde beim ersten Frame, in der Mitte des zweistufigen Ganges und beim letzten Frame bewertet. Die Auswertung ergab ein klares Muster.

Was die Zahlen sagen

Wenn Bearbeitungen gestapelt wurden, wurde die KI mithilfe des Bewertungsbogens evaluiert. Die Kontrollgruppe mit dem Single-Prompt erhielt dieselbe Bewertung.

Wer gewinnt und wer verliert

Studios, die sich einen einzigen, umfassenden Prompt leisten können, profitieren von einem reibungsloseren Workflow. Entwickler von generativen Videosystemen stehen vor einer klaren technischen Hürde – der Notwendigkeit, eine stabile latente Repräsentation des Motivs über aufeinanderfolgende Transformationen hinweg aufrechtzuerhalten.

Gegenargument

Einige Nutzer argumentieren, dass inkrementelle Bearbeitung mehr kreative Kontrolle bietet. Indem sie jeweils nur ein Element anpassen, können sie jede Ebene feinabstimmen, bevor sie fortfahren. Der Test zeigt, dass diese Flexibilität auf Kosten der visuellen Treue geht. Wenn ein Creator geringfügige Änderungen am Motiv für eine granulare Kontrolle akzeptiert, könnte der aktuelle Gemini Omni Workflow dennoch praktikabel sein.

Worauf man als Nächstes achten sollte

  • Modellverbesserungen, die den latenten Code des Motivs über verschiedene Prompts hinweg fixieren.
  • User-Feedback-Schleifen, die es Creatoren ermöglichen, Drift zu melden und ein „Re-Anchoring“ (Neuverankerung) des Motivs anzufordern.

Fazit

Gemini Omni kann ein poliertes Video mit mehreren Elementen produzieren, wenn es gleichzeitig mit einem vollständigen Satz von Anweisungen gefüttert wird, aber die Motivtreue nimmt ab, wenn Bearbeitungen gestapelt werden.