„Dear Upstairs Neighbors“ von Google zeigt die Steueroberfläche, nicht die Prompt-Box

Das Team sagte offen, dass Text-Prompting gescheitert ist

Die meisten Demos für generatives Video stellen den Prompt in den Mittelpunkt. Dieser Beitrag stellt dessen Ablehnung in den Mittelpunkt. Im Beitrag heißt es unmissverständlich, dass die Verwendung von Text-zu-Video mit einem feinabgestimmten Veo-Modell „Szenen erzeugte, die wie Ada aussahen, deren Bewegungen aber zufällig, unkontrolliert und oft bizarr waren.“

Text allein kann die Nuancen und die Präzision nicht vermitteln, die für erzählerisches animiertes Filmemachen nötig sind.Montana Labs

Das ist ein bemerkenswertes Eingeständnis von dem Unternehmen, das das Modell ausliefert. Die Animatoren mussten „den Rhythmus von Adas müde tippenden Fingern, das komische Timing ihrer Gesichtsausdrücke oder die exakte Bildkomposition einer Kamerafahrt“ kontrollieren können – und die dafür passende Oberfläche erwies sich als grobe Animation, gezeichnet in Maya und TV Paint, nicht als beschreibender Absatz. Das Frontend für professionelle Videogenerierung ist eine Leinwand, keine Chat-Box.

Video-zu-Video stellt das eigene Werkzeug des Künstlers in den Vordergrund

Der Workflow, den das Team „Zeigen statt Tippen“ nennt, ließ die Animatoren in ihrer gewohnten Software arbeiten und die grobe Animation in feinabgestimmte Modelle einspeisen, die sie im Stil umformen. Die Beispiele sind konkret: Ben Knights grobe 3D-Animation in Maya, umgestaltet von Andy Coenen; Mattias Breitholtz' 2D-Animation in TV Paint, Bild für Bild transformiert von Forrester Cole über einen eigenen ComfyUI-Workflow mit feinabgestimmtem Imagen; Steven Chaos Low-Poly-Effekte, von Ellen Jiang und Connie He in den expressionistischen Look überführt.

Ein wiederkehrendes Detail ist, dass jeder Künstler „in seiner Komfortzone blieb und seine bevorzugten Animationswerkzeuge nutzte.“ Das Modell wird so zu einer Transformationsstufe innerhalb einer bestehenden Pipeline statt zum Ausgangspunkt. Entscheidend ist, dass der Beitrag „ein einstellbares Gleichgewicht zwischen enger Kontrolle und kreativer Improvisation“ beschreibt – das heißt, die Oberfläche bietet einen Regler, kein festes Verhalten. Diese Einstellbarkeit ist die eigentliche Produktfunktion hinter dem Film.

Lokalisierte Verfeinerung und Tagesmuster-Sichtungen ersetzen die Ein-Klick-Generierung

Der Beitrag betont ausdrücklich, dass „keine unserer finalen Aufnahmen in einer einzigen Ein-Klick-Generierung entstand.“ Stattdessen führte das Team klassische „Dailies“-Sichtungen über mehrere Feedbackrunden durch und entwickelte Werkzeuge für lokalisierte Verfeinerung – die Bearbeitung bestimmter Bereiche eines Videos mit einstellbarem Kontrollgrad. Das konkrete Beispiel: Erika Lu fügte eine grobe Maske hinzu, um anzuzeigen, wo Adas Haar-Silhouette mehr Volumen benötigte, und Veo improvisierte eine zusätzliche Haarsträhne, die zur Aufnahme passte.

Das ist regionenbasierte Bearbeitung von Video – dasselbe Interaktionsmuster, das Inpainting in Bildwerkzeugen erst nutzbar gemacht hat. Angewendet auf ein zeitbasiertes Medium löst es das zentrale Problem generativer Videos in der Produktion: die Unmöglichkeit, eine einzelne Sache zu korrigieren, ohne alles neu zu generieren. Der Workflow erlaubte es dem Team außerdem, „frei zwischen Veo und klassischen Werkzeugen wie Premiere zu wechseln“ – das Modell-Ergebnis blieb also ein bearbeitbares Asset und kein festgelegtes Endprodukt.

Feinabstimmung lehrte tiefe Struktur, nicht nur oberflächlichen Stil

Das Team stimmte eigene Veo- und Imagen-Modelle „anhand nur wenige Beispielbilder“ von Yingzong Xins Artwork fein ab. Das bemerkenswerte Ergebnis, das der Beitrag hervorhebt, ist nicht die Übereinstimmung von Farbe und Textur, sondern dass das Modell einen gestalterischen Widerspruch auflöste: Adas Figur folgt strengen 2D-Regeln, nach denen ihr Haarbausch stets in der Silhouette bleiben und niemals ihr Gesicht verdecken darf – eine Vorgabe, die eine wörtlich genommene 3D-Skulptur aus keinem Blickwinkel vollständig erfüllen kann. Das feinabgestimmte Veo „passt die Formen fließend an, damit die Silhouette korrekt bleibt, während sich der Kopf dreht.“

Das ist die technisch interessantere Erkenntnis, denn sie legt nahe, dass die Feinabstimmung eine Gestaltungsregel erfasst hat und nicht nur ein Erscheinungsbild. Für Teams, die eigene Fine-Tuning-Workflows evaluieren, verschiebt das den Blick auf den Nutzen: Ein kleiner Beispielsatz kann eine Absicht kodieren, die sich prozedural kaum praktikabel festlegen ließe.

Das einzige einsatzbereite Element: Veo 4K-Upscaling

Der Großteil dessen, was dieser Film demonstriert – das Fine-Tuning-Tooling, die Video-zu-Video-Workflows, die maskierte lokale Bearbeitung – wird als Fähigkeiten beschrieben, die die Forscher „für die Produktion erst entwickeln mussten“, nicht als Produkte mit Erscheinungstermin. Die einzige Ausnahme ist Veos 4K-Upscaling, das laut Beitrag bereits in Flow verfügbar ist und „noch diesen Monat für Google AI Studio und Vertex AI kommt.“

Die praktische Konsequenz für alle, die auf Googles Stack aufbauen, ist damit eng umrissen: Das unmittelbare Ergebnis dieser Sundance-Präsentation ist ein Finishing-Tool, nicht die Steueroberfläche, die den Film erst möglich gemacht hat. Die Interaktionsmuster, die die eigentlich schwierigen Probleme gelöst haben – visuell geführte Eingabe, einstellbare Kontrolle, regionenbasierte Iteration innerhalb einer Dailies-Schleife – bleiben Forschungsprototypen. Der Film ist eine Vorschau auf die Oberfläche, die professionelles generatives Video letztlich brauchen wird; die API, die man im nächsten Monat aufrufen kann, ist lediglich der Upscaler am Ende dieser Kette.