Vergleich generativer Video-KI und klassischer Videoproduktion : Eine Analyse von Effizienz und Qualität aktueller Open-Source-Modelle

Abstract

Generative Video-KI Modelle gewinnen zunehmend an Bedeutung in der Film- und Medienbranche. Insbesondere in der Filmproduktion werden klassische Aufgabenbereiche fortschreitend automatisiert und von KI-Systemen übernommen. Die vorliegende Arbeit untersucht das Potenzial aktueller Open-Source-Modelle generativer Video-KI mit der zentralen Fragestellung, ob diese unter identischen Vorproduktionsvorgaben bereits Ergebnisse erzielen können, die mit konventionell produzierten Szenen vergleichbar sind. Die Bewertung der Vergleichbarkeit erfolgt anhand der Kriterien Effizienz und Qualität. Zur Untersuchung der Forschungsfrage wurde eine konzipierte Filmszene sowohl mithilfe generativer Video-KI-Modelle als auch im traditionellen Produktionsverfahren auf Basis identischer Vorproduktion realisiert. Die resultierenden Szenen wurden qualitativ und quantitativ hinsichtlich Bildqualität, semantischer Genauigkeit, Realismus und Produktionsaufwand analysiert. Die Ergebnisse zeigen, dass moderne generative Video-KI-Modelle in bestimmten Aspekten eine vergleichbare Bildqualität erreichen können, jedoch Einschränkungen in der Detailtreue und dem Realismus bestehen bleiben. Gleichzeitig bieten generative Methoden durch automatisierte Abläufe potenzielle Effizienzgewinne. Zusammenfassend verdeutlicht die Arbeit, dass Open-Source-Modelle generativer Video-KI zwar ein vielversprechendes Unterstützungspotenzial aufweisen, bislang jedoch weder die Qualität noch die Vollständigkeit klassischer Produktionen erreichen. Damit werden sowohl die aktuellen Stärken als auch die bestehenden Grenzen generativer Video-KI aufgezeigt und zukünftige Entwicklungsperspektiven umrissen.

Generative video AI models are gaining increasing significance in the film and media industry. In particular, within film production, traditional domains of work are progressively being automated and assumed by AI systems. The present study investigates the potential of current open-source generative video AI models, addressing the central research question of whether, under identical preproduction specifications, they are already capable of producing results comparable to conventionally produced scenes. The assessment of comparability is based on the criteria of efficiency and quality. To examine the research question, a scripted film scene was realized both through generative video AI models and via traditional production methods, each based on identical pre-production parameters. The resulting scenes were analysed qualitatively and quantitatively regarding image quality, semantic accuracy, realism, and production effort. The results indicate that modern generative video AI models can achieve comparable image quality in certain aspects; however, limitations remain regarding detail fidelity and realism. At the same time, generative methods offer potential efficiency gains through automated processes. In conclusion, this study demonstrates that while open-source generative video AI models exhibit promising potential as supportive tools, they do not yet reach the quality or completeness of traditional productions. Thus, both the current strengths and the existing limitations of generative video AI are highlighted, and future development perspectives are outlined.