TheWhiteCode

Der Clip ist vier Sekunden lang. Eine Frau in einem gelben Mantel geht durch Regen, die Kamera zieht langsam zurück, und das Geräusch der Tropfen auf dem Stoff ist synchron. Ich habe ihn um 01:40 zum fünften Mal angeschaut und ein bisschen geweint, und das ist der Punkt, an dem ich aufgehört habe, das als Spielzeug zu behandeln.

Der Ordner, in dem er liegt, heißt sora-gemini-1-5. Den Namen habe ich im Februar 2024 angelegt, als ich eine Hausarbeit über multimodale Modelle geschrieben habe, und ich habe ihn nie umbenannt, weil ich ihn seitdem nicht wieder geöffnet hatte. Damals war alles Demo. Jetzt ist daraus ein Textfeld mit einem Knopf geworden.

Dieser Beitrag ist der Versuch, den Abstand zwischen diesen beiden Momenten zu beschreiben. Er ist keine Produktübersicht. Es ist das, was ich als Gestalterin gemerkt habe, und es ist unangenehm gemischt.

Vier Sekunden, die nach Kino aussehen

Was mich nicht überrascht hat, war die Qualität. Die Bilder sind seit zwei Jahren gut, die Hände haben fünf Finger, das Licht stimmt. Was mich überrascht hat, war der Ton: Schritte, Regen, Stoff, alles synchron zur Bewegung, ohne Nachvertonung. Das ist der Moment, in dem die Grenze zwischen „generiert“ und „gedreht“ für mich keine technische mehr ist, sondern eine erzählerische.

Und was mich erschreckt hat: Ich konnte nicht sagen, warum dieser Clip gut ist. Ich kann ihn beschreiben — Kontrast, Tempo, ein Mantel, der sich bewegt, ein Rücken, der sich dreht — aber ich kann es nicht als Regel aufschreiben. Genau das ist der Unterschied zwischen einem Werkzeug und einem Stil, und ich hatte geglaubt, dieser Unterschied sei stabil.

Was seit Februar 2024 passiert ist

Die Zeile, die mich am meisten beschäftigt, ist die zweite. Ein Kontextfenster von einer Million Token klingt nach einer technischen Zahl, aber sie hat meine Arbeit verändert: Ich kann ein Treatment, drei Referenzbilder und ein Storyboard in ein Fenster legen und fragen, ob die Dramaturgie trägt. Das ist kein Video. Das ist ein Lektorat.

Und die vierte Zeile ist die, die den Unterschied macht. Ein Gesicht, das über mehrere Clips gleich bleibt, ist der Beginn von Kontinuität. Kontinuität ist der Beginn von Film.

Die Prompt-Box ist kein Schnittplatz

In jedem dieser Werkzeuge ist die einzige Art, etwas zu ändern, ein neuer Prompt. Es gibt keine Timeline. Es gibt keine Keyframes. Es gibt keine Möglichkeit, diesen einen Moment zu halten und den Rest zu ändern. Also würfelst du neu, und du verlierst genau das, was dir gefallen hat.

Bei dreißig Generierungen für einen Clip von vier Sekunden ist der Zufall kein Fehler, er ist die Methode. Als Gestalterin ist das ein seltsames Gefühl: Du triffst Entscheidungen, aber du kannst sie nicht wiederholen. Kein Undo, kein Verlauf, kein Schnappschuss. Nur ein Verlauf aus Sätzen, von denen die meisten nicht das getan haben, was du dachtest.

Was ich vermisse, ist banal und konkret: eine Zeitleiste mit einer Marke bei Sekunde 2,4, an der ich festhalte, und ein Feld daneben, in dem steht, was sich ändern soll. Eine Sperre. Ein „nur diesen Teil neu“. Das ist die Funktion, die aus einem Spielzeug ein Werkzeug macht, und sie existiert in den mir bekannten Interfaces nicht.

Was das für eine Medieninformatikerin heißt

Zwei Fähigkeiten werden teurer, nicht billiger. Die erste ist Auswahl: aus vierzig Varianten die eine erkennen, die trägt, und die anderen neununddreißig wegwerfen, ohne sie zu betrauern. Das ist ein Auge, und ein Auge trainiert man nicht mit Prompts.

Die zweite ist Kontinuität: Figur, Licht, Garderobe, Tageszeit über fünf Einstellungen halten. Das ist Schnitt, das ist Continuity, das ist ein Storyboard — die Arbeit, die kein Prompt macht, weil sie zwischen den Bildern passiert und nicht in einem.

Und eine dritte, die ich nicht erwartet hatte: Ton. Seit der Ton synchron ist, hört man, wenn eine Einstellung nicht stimmt. Ein Schritt, der nicht zum Boden passt, ist ein Fehler, den man nicht sieht, sondern hört, und ich habe in diesem Jahr mehr über Raumklang gelernt als in drei Semestern.

Fazit

Die multimodale Wende ist keine Frage von Modellen. Sie ist eine Frage von Oberflächen: Wie hält man einen Moment fest, den man nicht beschreiben kann?

Die Modelle haben in zwei Jahren einen Sprung gemacht, den ich nicht erwartet hatte. Die Interfaces haben in derselben Zeit ein Textfeld größer gemacht. Da liegt die Arbeit für uns, und sie ist Gestaltung, nicht Prompting.

Wenn du einen Satz in ein Video verwandeln könntest und es danach nur noch mit Sätzen ändern dürftest: Was würdest du zuerst verlieren — und würdest du es merken?