Text-zu-Video vs. Bild-zu-Video: die fünf API-Modi erklärt

Die fünf Modi im Überblick

Jeder Modus nutzt denselben Endpunkt, POST /v1/generations. Was sich ändert, ist die Eingabe, die Sie neben dem Prompt senden.

Nicht jedes Modell unterstützt jeden Modus. Die Tabelle zur Unterstützung unten deckt die Hauptmodelle ab, und die Seite jedes Modells auf der Modellseite listet seine Aufgaben.

Text-zu-Video

Text-zu-Video ist der einfachste Modus: Sie beschreiben die Einstellung, und das Modell entscheidet alles andere, von den Gesichtern und dem Set bis zu Farben und Bildausschnitt. Diese Freiheit ist nützlich, wenn Sie Ideen erkunden oder allgemeines Material brauchen, etwa B-Roll, Totalen oder abstrakte Hintergründe.

Es ist der falsche Modus, wenn das Video etwas Bestimmtes zeigen muss: Ihr Produkt, Ihr Logo, eine bestimmte Person oder ein Layout, das zu einem Markenhandbuch passen muss. Jede Generierung erfindet diese Details neu, zwei Clips aus demselben Prompt stimmen also nicht überein.

Ein guter Text-Prompt deckt Motiv, Handlung, Umgebung, Kamera und Licht ab, und den Ton, wenn das Modell ihn erzeugt. Unser Leitfaden zu Seedance 2.0 hat mehr Prompt-Tipps.

Bild-zu-Video

Bei Bild-zu-Video wird Ihr Bild zum ersten Bild. Alles darin (das Produkt, das Gesicht, die Komposition und die Farben) steht am Anfang fest, und der Prompt muss nur beschreiben, was danach geschieht. Das ist der Modus, um Produktfotos, Illustrationen und Key Art zu animieren und für jede Einstellung, in der der Look exakt sein muss.

Ein üblicher Ablauf ist, zuerst das Standbild mit einem Bildmodell wie Nano Banana Pro oder GPT Image 2 zu erzeugen, es richtig hinzubekommen und es dann zu animieren. Standbilder lassen sich günstiger und schneller iterieren als Video.

Hier eine Bild-zu-Video-Anfrage für Seedance 2.0: ein Clip von 5 Sekunden in 720p mit Ton, der $0.75 kostet. Das Seitenverhältnis adaptive passt den Bildausschnitt an die Form Ihres Bildes an.

export REVANA_API_KEY="sr_live_..."

# 1. Submit the job (returns 202 with the generation id)
curl https://api.revana.si/v1/generations \
  -H "Authorization: Bearer $REVANA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "seedance-2.0",
    "input": {
      "prompt": "The coffee in the cup starts to steam, and a hand reaches in from the right and lifts the cup off the table. Morning light, quiet cafe ambience.",
      "image_url": "https://example.com/coffee.jpg",
      "resolution": "720p",
      "duration": 5,
      "aspect_ratio": "adaptive",
      "audio": true
    },
    "max_cost_usd": 2
  }'

# 2. Poll with the id from step 1 until status is "succeeded" or "failed"
curl https://api.revana.si/v1/generations/gen_01JBX7Q2M4 \
  -H "Authorization: Bearer $REVANA_API_KEY"

import os
import time

import requests

API = "https://api.revana.si/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['REVANA_API_KEY']}"}

resp = requests.post(f"{API}/generations", headers=HEADERS, json={
    "model": "seedance-2.0",
    "input": {
        "prompt": "The coffee in the cup starts to steam, and a hand reaches in from the right and lifts the cup off the table. Morning light, quiet cafe ambience.",
        "image_url": "https://example.com/coffee.jpg",
        "resolution": "720p",
        "duration": 5,
        "aspect_ratio": "adaptive",
        "audio": True,
    },
    "max_cost_usd": 2,
})
resp.raise_for_status()
job = resp.json()

while job["status"] in ("queued", "running"):
    time.sleep(5)
    job = requests.get(f"{API}/generations/{job['id']}", headers=HEADERS).json()

if job["status"] == "succeeded":
    print(job["output"]["urls"], job["cost_usd"])
else:
    print("Failed:", job["error"])

// Node 18 or later. Save as generate.mjs and run: node generate.mjs
const API = "https://api.revana.si/v1";
const headers = {
  Authorization: `Bearer ${process.env.REVANA_API_KEY}`,
  "Content-Type": "application/json",
};

const res = await fetch(`${API}/generations`, {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "seedance-2.0",
    input: {
      prompt: "The coffee in the cup starts to steam, and a hand reaches in from the right and lifts the cup off the table. Morning light, quiet cafe ambience.",
      image_url: "https://example.com/coffee.jpg",
      resolution: "720p",
      duration: 5,
      aspect_ratio: "adaptive",
      audio: true,
    },
    max_cost_usd: 2,
  }),
});
if (!res.ok) throw new Error(`${res.status} ${await res.text()}`);
let job = await res.json();

while (job.status === "queued" || job.status === "running") {
  await new Promise((r) => setTimeout(r, 5000));
  job = await (await fetch(`${API}/generations/${job.id}`, { headers })).json();
}

if (job.status === "succeeded") console.log(job.output.urls, job.cost_usd);
else console.error("Failed:", job.error);

Beschreiben Sie Bewegung, nicht das Bild: Das Modell sieht es bereits. "Der Dampf steigt auf und die Tasse wird angehoben" funktioniert besser, als "eine weiße Tasse Kaffee auf einem Holztisch" zu wiederholen.

Erste und letzte Bilder

Fügen Sie end_image_url hinzu, und das Modell erzeugt die Bewegung zwischen zwei von Ihnen gewählten Bildern. Weil das Ende feststeht, passt dieser Modus zu Übergängen zwischen Szenen, Vorher-nachher-Aufnahmen, Produktenthüllungen und Clips, die sauber in den nächsten schneiden müssen. Für einen Loop probieren Sie dasselbe Bild an beiden Enden.

Die beiden Bilder sollten plausible Enden einer Einstellung sein: dieselbe Szene, derselbe Bildausschnitt, dasselbe Licht. Sind sie zu verschieden, muss das Modell in wenigen Sekunden eine große Veränderung erfinden, und die Ergebnisse werden unvorhersehbarer. Dieser stumme Clip von 5 Sekunden in 1080p mit Kling 3.0 kostet $0.60:

{
  "model": "kling-3.0",
  "input": {
    "prompt": "Time-lapse: the empty plot fills with a small wooden cabin as the camera holds still, clouds racing overhead",
    "image_url": "https://example.com/plot-empty.jpg",
    "end_image_url": "https://example.com/plot-cabin.jpg",
    "resolution": "1080p",
    "duration": 5,
    "audio": false
  },
  "max_cost_usd": 1
}

Seedance 2.5, Seedance 2.0, Seedance 2.0 Mini, Veo 3.1, Veo 3.1 Fast, Veo 3.1 Lite, Kling 3.0, Kling 3.0 Omni, Wan 3.0 und Grok Imagine Video 1.5 listen im Katalog erstes und letztes Bild. Hailuo 2.3 nimmt ein Startbild, aber kein Endbild.

Referenzbilder

Referenzbilder sind keine Frames. Das Modell nutzt sie, um zu lernen, wie eine Person, ein Produkt oder ein Ort aussieht, und setzt sie dann in eine neue Einstellung, die der Prompt beschreibt. Damit sind Referenzen der Modus für Konsistenz: dieselbe Figur über zehn Einstellungen oder dasselbe Produkt in verschiedenen Umgebungen.

Senden Sie die Bilder als image_urls und verweisen Sie im Prompt über ihre Position auf jedes, zum Beispiel "die Frau aus dem ersten Bild hält die Tasche aus dem zweiten Bild". Das Limit hängt vom Modell ab: Seedance 2.5 nimmt bis zu 30, Wan 3.0 bis zu 10, Seedance 2.0 bis zu 9, Seedance 2.0 Mini bis zu 9, Veo 3.1 Fast bis zu 3 und Veo 3.1 Lite bis zu 3. Bei den Seedance-Modellen senden Sie in einer Anfrage Frames oder Referenzen, nicht beides.

Diese Anfrage mit Veo 3.1 Fast für 8 Sekunden in 720p mit Ton kostet $0.80:

{
  "model": "veo-3.1-fast",
  "input": {
    "prompt": "The man from the first image walks into the bakery from the second image, picks up a loaf and smiles at the camera. Bell over the door, quiet chatter.",
    "image_urls": [
      "https://example.com/man.jpg",
      "https://example.com/bakery.jpg"
    ],
    "resolution": "720p",
    "duration": 8,
    "aspect_ratio": "16:9",
    "audio": true
  },
  "max_cost_usd": 1.5
}

Video-zu-Video

Video-zu-Video geht von einem Clip aus, den Sie schon haben. Die Quelle steuert Bewegung und Timing, und der Prompt beschreibt, was sich ändern soll: ein neuer Stil, eine neue Umgebung oder andere Details. Es eignet sich, um Realaufnahmen umzugestalten, eine frühere Generierung zu überarbeiten oder eine Darbietung beizubehalten und den Look zu ändern.

Unter den Modellen in diesem Leitfaden listen Seedance 2.5, Kling 3.0 Omni und Wan 3.0 Video-zu-Video, und Kling 3.0 Motion Control arbeitet ebenfalls mit einem Quellvideo. Die Eingaben für einen Quellclip unterscheiden sich je nach Modell, prüfen Sie also die Seite des Modells, bevor Sie darauf aufbauen.

Jobs mit Videoeingabe werden bei manchen Modellen anders bepreist. Bei Seedance 2.5 sind die abgerechneten Sekunden die Ausgabe plus der Eingabeclip, zu einem niedrigeren Satz für Videoeingabe: Ein Clip von 10 Sekunden in 720p aus einer Quelle von 10 Sekunden kostet $3.00, gegenüber $2.50 für denselben Clip aus einem Prompt. Kling 3.0 Omni listet für Jobs mit Videoeingabe einen eigenen Satz, $0.13 pro Sekunde in 720p.

Welche Modelle welchen Modus unterstützen

Aus dem Katalog von Revana im Oktober 2026:

Ändert der Modus den Preis?

Meistens nicht. Videomodelle werden nach Sekunden Ausgabe, Auflösung und bei manchen Modellen nach Ton abgerechnet. Ein Seedance-2.0-Clip von 5 Sekunden in 720p kostet $0.75, egal ob er von einem Prompt oder von einem Bild ausgeht, und ein Endbild oder Referenzbilder ändern den Katalogpreis nicht. Die Ausnahme ist Videoeingabe, die oben behandelt wurde.

Der Preis jedes Jobs wird beim Absenden von Ihrem vorausbezahlten Guthaben reserviert und nur berechnet, wenn der Job gelingt. Die Preisseite listet jeden Satz.

Wie Sie einen Modus wählen

• Noch keine Assets: Beginnen Sie mit Text-zu-Video, oder erzeugen Sie ein Standbild mit einem Bildmodell und animieren Sie es.
• Der Look muss exakt sein: Bild-zu-Video, ausgehend von einem Bild, das Sie freigegeben haben.
• Das Ende ist wichtig: erstes und letztes Bild.
• Dieselbe Figur oder dasselbe Produkt in vielen Einstellungen: Referenzbilder.
• Sie haben schon Filmmaterial: Video-zu-Video.

Bereit zum Ausprobieren? Holen Sie sich einen API-Schlüssel und senden Sie Ihre erste Anfrage.