Produktvideos aus Fotos mit lokaler KI: Bild-zu-Video für Onlineshops und Werbeclips

Produktclips aus den Fotos, die Sie schon haben

Ein Onlineshop kann seine vorhandenen Produktfotos auf der eigenen Workstation mit offenen Bild-zu-Video-Modellen in kurze Videoclips verwandeln. Wan 2.2 animiert einen Packshot unter der Lizenz Apache 2.0 zu einem Clip von etwa fünf Sekunden in 480p oder 720p, und LTX-2.5 ergänzt Ton und Folgen aus mehreren Einstellungen unter einer Lizenz, die unter 10 Millionen US-Dollar Jahresumsatz kostenlos ist. Eine NVIDIA RTX PRO 6000 Blackwell Workstation Edition oder Max-Q mit 96 GB erfüllt die 80 GB, die der Herausgeber für das große Wan-Modell nennt, und eine RTX PRO 4000 Blackwell mit 24 GB die 24 GB für das kleine.

Dieser Leitfaden richtet sich an Shop-Inhaber, E-Commerce- und Marketingverantwortliche und an Agenturen, die Clips für Produktseiten, Marktplätze und Social-Media-Anzeigen produzieren, sowie an die IT-Person, die den Rechner betreut. Er behandelt die Modelle und ihre Lizenzen, die Schritte vom Foto zum Clip, wie ein ganzer Katalog als Warteschlange läuft und welche Hardware zu welcher Menge passt.

Zuerst einige Begriffe. Bild-zu-Video, oft als I2V abgekürzt, heißt: Das Modell nimmt ein Standbild als erstes Bild und erfindet die Bewegung danach, etwa eine langsame Drehung des Produkts, eine Kamerafahrt oder Licht, das über eine Oberfläche gleitet. Ein Packshot ist das freigestellte Produktfoto, das Sie im Shop schon verwenden. Der Prompt ist ein Satz, der dem Modell sagt, was sich bewegen soll. Ein Upscaler bringt den fertigen Clip auf eine höhere Auflösung.

Unser Leitfaden zum KI-Server für E-Commerce behandelt Produkttexte, Suche, Chat und Bildbearbeitung, unser Leitfaden zu KI-Produktfotos Freisteller und Packshots; dieser Artikel ergänzt den Videoschritt.

Offene Bild-zu-Video-Modelle für Produktclips

Modellkarten von Wan-AI und Lightricks auf Hugging Face sowie die LICENSE-Datei von LTX-2, gelesen am 30. Oktober 2026; Bildzahl und Bildrate von Wan aus seinen Konfigurationsdateien, wie in unserem Artikel zum Wan-2.2-Server zitiert.

Wan 2.2, vom Wan-Team am 28. Juli 2025 veröffentlicht, gibt es für diese Aufgabe in zwei Größen. Das Bild-zu-Video-Modell A14B besteht aus zwei Experten (Mixture of Experts) mit je etwa 14 Milliarden Parametern, einer für den Bildaufbau und einer für die Details, und seine Karte schreibt, der 720p-Befehl für eine GPU „can run on a GPU with at least 80GB VRAM“. Die Karte sagt auch, dass die Größenangabe die Fläche des Clips festlegt, „with the aspect ratio following that of the original input image“, und dass das Modell ein Video „solely from the input image“ erzeugen kann, ganz ohne Prompt. TI2V-5B, das kleine Modell, arbeitet aus Text oder Bild mit 720p und 24 Bildern pro Sekunde; laut Karte läuft es auf „a GPU with at least 24GB VRAM“ und „can generate a 5-second 720P video in under 9 minutes on a single consumer-grade GPU“, ohne die Karte zu nennen.

LTX-2.5 von Lightricks hat einen Transformer mit 22 Milliarden Parametern und einen angepassten Text-Encoder Gemma 4 12B und erzeugt synchron Video und Ton. Bilder werden mit einem Bildindex übergeben, Bild 0 ist das erste Bild, und die native Erzeugung mehrerer Einstellungen hält Figuren, Umgebung und Stil über Schnitte hinweg. Das 4K-Beispiel erzeugt 3840 × 2176 mit zwei räumlichen Hochskalierungen. Die Karte nennt keinen Speicherbedarf, nur Tipps für wenig Speicher: den 16-Bit-Transformer beim Laden in FP8 umwandeln und Teile auf den Prozessor auslagern.

Lizenzen für Shop- und Kundenarbeit

Produktclips sind kommerzielle Nutzung, deshalb ist die Lizenz der erste Filter. Die Karten von Wan schreiben: „The models in this repository are licensed under the Apache 2.0 License“; das erlaubt die kommerzielle Nutzung ohne Gebiets- oder Umsatzbedingung, und das Wan-Team beansprucht keine Rechte an den erzeugten Inhalten.

Die LTX-2.x Community License vom 11. August 2026 definiert Commercial Entities als „Entities with annual revenues of at least $10,000,000“ und verlangt von ihnen, „to obtain a paid license for any use“, ausgenommen nicht kommerzielle Zwecke wie Tests und Bewertung außerhalb der Produktion. Für die Schwelle gilt: „all subsidiaries, affiliates, and companies under common Control shall be considered collectively“. Lightricks „claims no rights in the Output“, und die Richtlinie zur akzeptablen Nutzung verbietet, erzeugte Inhalte in einen Zusammenhang zu stellen, „without expressly and intelligibly disclaiming that the information and/or content is machine generated“. Ein Shop unter der Schwelle darf LTX-2.5 nach dieser Lizenz kostenlos produktiv nutzen; ein größeres Unternehmen braucht die kostenpflichtige Vereinbarung.

Zwei Modelle scheiden aus: HunyuanVideo 1.5 und MiniMax H3, deren Lizenzen die EU ausschließen; wir installieren sie nicht.

Die Deepfake-Regel der KI-Verordnung erfasst auch Gegenstände wie Produkte, und Artikel 50 gilt ab dem 2. August 2026. Die Verordnung definiert einen Deepfake als KI-erzeugten oder manipulierten Inhalt, der „resembles existing persons, objects, places, entities or events and would falsely appear to a person to be authentic or truthful“, und Artikel 50 Absatz 4 verpflichtet Betreiber, solche Inhalte offenzulegen. Ob ein bestimmter Produktclip darunter fällt und wie er zu kennzeichnen ist, klärt Ihre Rechtsberatung; unser Artikel zur KI-Verordnung gibt allgemeine Informationen.

Vom Packshot zum fertigen Clip in ComfyUI

ComfyUI bringt fertige Workflows, sogenannte Templates, für jede Wan-2.2-Aufgabe mit, darunter „Wan 2.2 14B Image to Video“, „Wan 2.2 14B First-Last Frame to Video“ und „Wan 2.2 5B Video Generation“, und laut Lightricks liegen auch offizielle LTX-2.5-Templates in ComfyUI. Der App-Modus von ComfyUI zeigt einen solchen Workflow als einfaches Formular, sodass eine Mitarbeiterin im Marketing das Foto wählt, einen Satz schreibt und den Auftrag startet, ohne den Knotengraphen zu sehen.

1. Foto wählen. Ein Packshot mit dem ganzen Produkt im Bild und ruhigem Hintergrund lässt dem Modell am wenigsten zu erfinden. Seine Form legt das Format fest: ein Querformat für 16:9, ein Hochformat für 9:16-Clips in sozialen Medien.
2. Bewegung beschreiben. „Langsame 360-Grad-Drehung auf einem weißen Tisch“ oder „Kamera fährt heran, weiches Licht gleitet über den Deckel“. Wan läuft auch ohne Prompt.
3. Ende festlegen, wenn nötig. Das Template mit erstem und letztem Bild nimmt ein zweites Foto als Schlussbild, etwa für eine Schachtel, die sich öffnet, oder ein Produkt, das auf seinem Etikett endet.
4. Jeden Clip prüfen. Das Modell zeichnet jedes Bild neu. Keine der gelesenen Modellkarten verspricht, dass Aufdrucke, Logos oder die Form des Produkts unverändert bleiben; vergleichen Sie deshalb jeden Clip mit dem Foto, bevor er online geht. Ein Clip, der das Produkt verändert, zeigt der Kundschaft etwas, das Sie nicht verkaufen.
5. Fertigstellen. Mit SeedVR2 (Apache 2.0, nativ in ComfyUI) auf Full HD hochskalieren, dann Text, Musik und Logo im Schnittprogramm ergänzen. Unser Leitfaden zum KI-Video-Upscaling vergleicht die Wege.

Kurze Clips eignen sich dafür am besten. Für die A14B-Modelle sind bei Wan 81 Bilder mit 16 Bildern pro Sekunde voreingestellt, etwa fünf Sekunden, was der Länge einer Produktschleife oder einer Szene in einer Social-Media-Anzeige entspricht; längere Spots entstehen aus mehreren Clips im Schnitt.

Sie können die Workstation allein bestellen, die Einrichtung von ComfyUI, den Templates für Wan 2.2 und einem Upscaler allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Warteschlangen und Stapelläufe für einen ganzen Katalog

Ein Shop mit Hunderten Produkten lässt die Clips als Warteschlange laufen. ComfyUI beschreibt „asynchronous queueing“ und eine lokale API, um Workflows in Anwendungen einzubinden, sodass das Shopsystem oder ein Skript einen Auftrag je Produkt mit Foto und Prompt einreichen kann. Jede Karte arbeitet an einem Clip zur Zeit; zwei Karten erledigen zwei Clips gleichzeitig.

Wie viele Clips pro Stunde das ergibt, ist für keine RTX-PRO-Karte veröffentlicht. Unser Artikel zum Wan-2.2-Server schätzt aus NVIDIAs Spitzenrechenleistung eine Obergrenze für das A14B-Modell mit den voreingestellten 40 Schritten, berechnet für das Text-zu-Video-Modell, dessen zwei Experten so groß sind wie die des Bild-zu-Video-Modells: mindestens 17,2 Minuten je 720p-Clip und mindestens 4,4 Minuten je 480p-Clip auf einer RTX PRO 6000 Server Edition, also höchstens 3 und 13 Clips pro Stunde und Karte. Reale Läufe sind langsamer. Nach unserer Schätzung brauchen 500 Produkte in 480p damit mindestens 36,7 Stunden auf einer Karte und mindestens 9,2 Stunden auf einem Server mit vier Karten. Weniger Schritte, das 5B-Modell oder komprimierte Gewichte verkürzen das um Beträge, die kein Herausgeber auf diesen Karten gemessen hat; messen Sie deshalb einige Ihrer eigenen Clips auf dem gelieferten System, bevor Sie einen Katalog planen.

Offloading, das die 80 GB von Wan voraussetzen, verschiebt Gewichte in den Hauptspeicher des Rechners. Nach unserer Rechnung im selben Artikel hält jeder A14B-Auftrag in 16 Bit dort etwa 69 GB, eine Workstation mit zwei Karten braucht also Hauptspeicher für beide Aufträge zusätzlich zum Betriebssystem. Unsere Workstation-Konfigurationen folgen NVIDIAs Regel von mindestens doppeltem GPU-Speicher: 192 GB neben einer 96-GB-Karte und 384 GB neben zwei.

Welche Workstation oder welcher Server für welchen Katalog

Der Speicher entscheidet, welches Modell in welcher Genauigkeit auf die Karte passt; die Rechenleistung der Karte entscheidet, wie viele Clips sie pro Stunde liefert. Die Speicherangaben unten stammen aus den Modellkarten und aus den Dateigrößen auf Hugging Face; Grafikspeicher für die Bilder während der Berechnung kommt hinzu.

Speicherangaben aus den Modellkarten von Wan und LTX-2.5 und dem Wan-2.2-Tutorial von ComfyUI; Dateigrößen von Hugging Face (Comfy-Org Wan 2.2 repackaged, Lightricks/LTX-2.5), gelesen am 30. Oktober 2026; Kartenspeicher aus NVIDIAs Datenblättern.

Einstieg. Wan nennt für TI2V-5B mindestens 24 GB mit Offloading, und das ComfyUI-Tutorial schreibt, das 5B-Modell „should fit well on 8GB vram with the ComfyUI native offloading“. Die RTX PRO 4000 Blackwell (24 GB, 145 W, ein Slot) erfüllt die Angabe von Wan; die RTX PRO 4500 Blackwell (32 GB, 200 W) lässt mehr Platz für 720p-Bilder. Beide passen zu einem Shop, der Clips zuerst mit seinen meistverkauften Produkten ausprobieren will.

Mitte. Die RTX PRO 5000 Blackwell mit 72 GB liegt unter den 80 GB von Wan für den 16-Bit-Befehl des A14B-Modells. Die FP8-Dateien, die ComfyUI neu verpackt anbietet, sind kleiner: Die beiden 14B-Experten mit je 14,3 GB, der FP8-Text-Encoder mit 6,7 GB und der VAE mit 0,25 GB ergeben nach unserer Rechnung etwa 35,6 GB. Für LTX-2.5 ergeben der NVFP4-Transformer mit 18,7 GB, den Lightricks für Blackwell-GPUs führt, und der INT8-Text-Encoder mit 15,4 GB etwa 34 GB. Nach unserer Regel für nutzbaren Speicher (90 Prozent des vom Treiber gemeldeten Speichers, abzüglich 3 GiB) bietet die 72-GB-Karte etwa 61,5 GiB und hält damit jeden der beiden Sätze mit Platz für die Bilder.

96 GB. Eine RTX PRO 6000 Blackwell, als Workstation Edition (600 W) oder Max-Q (300 W), erfüllt die 80 GB von Wan wie angegeben. In 16 Bit ergeben die A14B-Gewichte nach der Rechnung unseres Artikels zum Wan-Server 64,4 GiB, und Transformer (42 GB) und Text-Encoder (26,3 GB) von LTX-2.5 kommen in 16 Bit auf etwa 68 GB. Eine zweite Karte lässt zwei Clips gleichzeitig laufen. Zwei Karten der Workstation Edition sind für diese Ausführung das realistische Maximum; drei oder vier Max-Q gehören nur in ein Gehäuse, das dafür gebaut ist, mit starkem, gerichtetem Luftstrom.

Groß. Ein Server mit vier RTX PRO 6000 Server Edition rendert vier Clips gleichzeitig in einer Warteschlange über Nacht und nimmt nach unserer Schätzung etwa 3,4 kW auf; das braucht einen Anschluss mit 32 A oder Drehstrom in einem Serverraum. Ein L40S-Server (48 GB je Karte) hält TI2V-5B und die FP8-Dateien des A14B-Modells nach derselben Dateirechnung; die NVFP4-Datei von LTX-2.5 führt Lightricks für Blackwell-GPUs, und die L40S ist eine Generation älter. Unser Leitfaden zu den GPU-Anforderungen der Videogenerierung legt Teamserver weiter aus, und unsere KI-Video-Workstation fürs Marketing vergleicht die Workstation-Stufen.

Die Software und wo Ihre Produktdaten bleiben

Wenn wir die Software einrichten, erhält die Workstation ComfyUI, das unter GPL-3.0 steht und im Oktober 2026 aktiv weiterentwickelt wird, die Modelle und Templates für Wan 2.2 und SeedVR2 zum Hochskalieren. LTX-2.5 und Wan2GP, eine Oberfläche in einem Fenster, gehören nicht zu dieser Einrichtung; beide haben eigene Lizenzen, unter denen ein Unternehmen, das die Bedingungen erfüllt, sie selbst installieren kann.

Produktfotos, Prompts, noch nicht veröffentlichte Produkte und fertige Clips bleiben auf der Workstation. Internet braucht es nur zum Herunterladen von Modellen und Updates; das Erzeugen eines Clips läuft offline. Speichern Sie Prompt, Seed und Modellversion mit jedem Clip, damit sich ein Clip nach einer Produktänderung neu erzeugen lässt.

Wir liefern Workstations von einer RTX PRO 4000 bis zu zwei RTX PRO 6000 Workstation Edition oder Max-Q und Server für Katalogläufe; senden Sie uns die Zahl der Produkte, die Formate und wie oft sich der Katalog ändert, und wir schlagen Ihnen Konfiguration und Modelle dafür vor.

FAQ