AI-Kino-Glossar: 24 Begriffe für Einsteiger erklärt

Filmtexte über KI sind voller geliehener technischer Wörter, und sie werden oft locker verwendet. Dieses Glossar definiert die Begriffe, die dir in Artikeln über AI-Kino und KI-erzeugtes Filmmaterial begegnen — ungefähr in der Reihenfolge, in der ein einzelner generierter Shot entsteht. Die Definitionen sind bewusst schlicht, und jede endet mit dem Teil, der auf der Leinwand zählt.

Das Modell und wie es lernt

Modell

Ein Modell ist ein System, das eine Eingabe — einen Prompt, ein Bild, einen Frame — in eine Ausgabe verwandelt, etwa einen generierten Shot, ein Label oder das nächste Wort. In Filmtexten meint „Modell“ meist das gesamte generative Werkzeug, nicht eine Komponente darin.

Parameter und Gewichte

Die gelernten Zahlen im Inneren eines Modells. Training verändert sie; Inferenz nutzt sie, ohne sie zu verändern. Wenn ein Modell „groß“ genannt wird, ist meist die Zahl der Parameter gemeint.

Training

Der Prozess, in dem die Gewichte eines Modells anhand von Daten angepasst werden, normalerweise indem Ausgaben mit Zielen verglichen und die Gewichte verschoben werden, um den Fehler zu verringern. Training ist teuer und geschieht meist, bevor du das Werkzeug überhaupt anfasst.

Inferenz

Ein trainiertes Modell laufen lassen, um eine Ausgabe zu erhalten. Generierung ist Inferenz: Es findet kein Lernen statt, und das Wissen des Modells ist auf den Punkt eingefroren, an dem das Training endete.

Prompt

Der Anweisungstext — und manchmal auch das Bild —, der eine Generierung konditioniert. Ein Prompt lenkt die Ausgabe, aber er ist kein Code. Identische Prompts können bei verschiedenen Modellen und Versionen unterschiedliche Ergebnisse liefern.

Token

Eine Texteinheit, die ein Modell verarbeitet, oft ein Wort oder ein Wortteil. Token-Zahlen zählen, weil Kontextgrenzen und Kosten in Tokens gemessen werden.

Multimodales Modell

Ein Modell, das mehr als eine Art von Eingabe oder Ausgabe verarbeitet, etwa Text plus Bilder oder Audio. Die meisten aktuellen Videowerkzeuge sind zumindest in diesem Sinn multimodal.

Wie ein generierter Shot entsteht

Latenter Raum

Eine komprimierte numerische Repräsentation von Bildern oder Video. Modelle arbeiten in diesem Raum, weil er kleiner und glatter ist als rohe Pixel und benachbarte Punkte meist ähnlich aussehen. Ein „latent walk“ bedeutet, sich zwischen Punkten zu bewegen, um graduelle Veränderung zu erzeugen.

Variational Autoencoder (VAE)

Ein Paar von Netzen, das ein Bild in eine latente Repräsentation komprimiert und daraus rekonstruiert. In vielen Bildwerkzeugen ist der VAE der Teil, der ein latentes Ergebnis zurück in Pixel dekodiert.

Diffusionsmodell

Ein generatives Modell, das trainiert wurde, einen graduellen Verrauschungsprozess umzukehren: Es lernt, Rauschen Schritt für Schritt zu entfernen, bis ein Bild oder Clip erscheint. Der Ansatz wurde in der Arbeit vorgestellt, die Denoising Diffusion Probabilistic Models einführte.

Sampling-Schritte

Die Zahl der Entrauschungsschritte, die ein Modell macht. Mehr Schritte können Detail hinzufügen, kosten aber auch Zeit und garantieren kein besseres Ergebnis.

Seed

Die Zufallszahl, die das Rauschen startet. Denselben Seed mit demselben Modell, denselben Einstellungen und derselben Software zu verwenden, kann ein Bild weitgehend reproduzieren. Ändere die Modellversion oder Plattform, und das Ergebnis kann abdriften.

Guidance Scale

Eine Einstellung, die steuert, wie stark das Modell dem Prompt folgt, oft als classifier-free guidance umgesetzt. Niedrige Werte ergeben lockerere, überraschendere Ausgaben; sehr hohe Werte neigen zu brüchigen oder übersättigten Ergebnissen.

Checkpoint

Eine gespeicherte Datei mit Modellgewichten, die meist die Komponenten bündelt, die zum Betrieb eines bestimmten Modells nötig sind. Verschiedene Checkpoints derselben Familie können ganz unterschiedlich aussehen und sich verhalten.

LoRA

Kurz für Low-Rank Adaptation: eine kleine Menge trainierbarer Matrizen, die einem eingefrorenen Basismodell hinzugefügt werden. Sie lehrt einen Stil, eine Figur oder ein Konzept mit weit weniger trainierbaren Parametern als vollständiges Fine-Tuning.

Fine-Tuning

Weiteres Training eines vortrainierten Modells auf neuen Daten. LoRA ist eine effiziente Möglichkeit dafür, und „fine-tune“ wird oft locker für jede Art von Anpassung verwendet.

ControlNet

Ein Zusatz, der ein Diffusionsmodell auf räumliche Information konditioniert — eine Pose, eine Tiefenkarte, ein Kantenbild —, damit die Ausgabe einer bestimmten Struktur folgt, statt eine zu erfinden.

Inpainting und Outpainting

Das Füllen oder Ersetzen eines Bildteils (Inpainting) oder das Erweitern über den ursprünglichen Rahmen hinaus (Outpainting). Beides ist bei der Shot-Bereinigung und Szenenerweiterung üblich.

Bewegung erzeugen

Frame-Interpolation

Das Synthetisieren neuer Frames zwischen vorhandenen, um die Bildrate zu erhöhen oder Material zu verlangsamen. Ältere Werkzeuge nutzten Optical Flow; neuere nutzen gelernte Modelle. Interpolation kann Bewegung glätten, aber sie kann nicht zurückholen, was nie gedreht wurde.

Zeitliche Konsistenz

Wie gut eine Sequenz von Frame zu Frame kohärent bleibt: Gesichter, Kleidung, Licht und Physik. Schlechte zeitliche Konsistenz zeigt sich als Flackern, Morphen oder Objekte, die sich zwischen Shots verändern.

Die Ausgabe und die Belege

Halluzination

Eine plausible, aber falsche Ausgabe: ein Objekt, das aus dem Nichts erscheint, eine Hand mit zu vielen Fingern, Text, der fast etwas buchstabiert. Der Begriff beschreibt selbstsicheren Unsinn, nicht einen technischen Fehler mit einer einzigen Ursache.

Deepfake

Synthetisches oder manipuliertes Video oder Audio, meist von Gesicht oder Stimme einer Person, mit Deep Learning erzeugt. Das Wort wird oft locker für jede überzeugende Fälschung verwendet, aber die nützliche Definition benennt eine bestimmte Technik und einen bestimmten Schaden.

AI-Upscaling

Das Erhöhen der Auflösung mit einem gelernten Modell. Es kann echtes Detail schärfen, aber auch Detail erfinden, das nie in der Quelle war — deshalb kümmert sich die Restaurierungsethik darum.

C2PA und Content Credentials

C2PA ist ein offener technischer Standard, um Herkunft und Bearbeitungsverlauf digitaler Inhalte festzuhalten. Content Credentials ist der Name, unter dem diese Metadaten in Verbraucherwerkzeugen auftreten. Es ist eine signierte Aussage über die Herkunft, kein Beweis dafür, dass der Inhalt wahr ist.

Warum dieses Vokabular zählt

Diese Begriffe sind nicht neutral. Eine Kritik, die sagt, ein Shot sei „mit KI gemacht“, sagt dir fast nichts: handgezeichneter Trickfilm, ein Diffusionsmodell und ein Deepfake passen alle auf die Formulierung. Wer die Pipeline kennt, kann schärfere Fragen stellen — welches Modell, worauf trainiert, von wem betrieben, wie bearbeitet. Das sind die Fragen, die eine vage Reaktion in Kritik verwandeln.

Für einen Sichtungspfad durch die Filme, die die größeren Fragen stellen, beginne mit dem Watch-Guide zu AI-Filmen. Für die praktische Seite beim Prüfen synthetischen Materials sieh wie man AI-generiertes Filmmaterial erkennt. Und wer die Produktionsmechanik statt des Vokabulars will, liest wie AI-Videomodelle funktionieren.