Image-to-Video-API-Workflow: Runway, Wan 2.7, Vidu und Produktions-API-Muster

Sie haben ein statisches Bild – ein Produkt-Rendering, ein freigegebenes Key Visual, ein Charakter-Sheet – und müssen es in Bewegung bringen. Nicht eine ungefähr ähnliche neue Szene generieren, sondern genau diesen Frame in Bewegung versetzen. Genau das leistet Image-to-Video (i2v), und es ist eine grundlegend andere Integrationsweise als „Prompt eingeben und hoffen, dass das Modell zeichnet, was man im Kopf hat“. Dieser Artikel ist die praxisnahe Version: Quellbild vorbereiten, Anfang und Ende der Bewegung kontrollieren, Prompts schreiben, die Animation steuern statt das Bild neu zu beschreiben, und Polling sowie Callbacks so handhaben, dass ein mehrere Minuten dauerndes Rendering Ihr Backend nicht lahmlegt.

Sie sind noch unentschlossen, ob Sie i2v statt Text-to-Video einsetzen sollen? Dieser Artikel setzt voraus, dass Sie die Entscheidung bereits getroffen haben und i2v gut nutzen möchten.

Wann Image-to-Video passt

i2v ist dann die richtige Wahl, wenn das Startbild nicht verhandelbar ist. Das Modell erschafft kein Subjekt aus dem Nichts; es nimmt Ihr Bild und fügt Bewegung hinzu. Damit erhalten alle Inhalte, die marken- oder formkonsistent bleiben müssen, eine Sicherheit, die Text-to-Video nicht garantieren kann – Produktbilder echter SKUs, die Verwandlung eines freigegebenen Key Visuals in einen Header-Loop, Charakter-Sheets mit konsistentem Gesicht oder Before→After-Effekte, bei denen Start- und Endframe fixiert sind und das Modell den Übergang füllt. Ist das Subjekt flexibel, ist Text-to-Video meist mit weniger Aufwand verbunden. Der Kernwert von i2v liegt darin, dass das statische Bild fixiert ist.

Die Image-to-Video-Landschaft 2026

Der i2v-Bereich ist hart umkämpft und anspruchsvoll. Als Hintergrund lohnt sich ein Überblick, auch wenn der unten aufrufbare Workflow auf einem kuratierten Modellset läuft:

• Runway Gen-4 / Gen-4.5. Der Nachfolger von Gen-3 Alpha; trieb „World Consistency“ über mehrere Shots hinweg sowie physikbasierte Bewegung und gezielte Kamerafahrten voran. Gen-4.5 i2v gilt weithin als beste Wahl für kompakte kreative Kontrolle in Werbung und Kundenlieferungen (Runway Research, „Introducing Runway Gen-4“, 2026; ZNIX-Modellübersicht, 2026). Gen-4.5 Image-to-Video ist auch auf HiAPI verfügbar, mit der Modell-ID runway-gen-4.5/image-to-video; siehe Runway Gen-4.5 API-Leitfaden.
• Vidu Q3. Rund um Bedingungen für Erst- und Letztbild aufgebaut – Startframe, Zielframe, Prompt-Änderung, und das Modell füllt die Mitte – bis zu 16 Sekunden 1080p mit Audio (Vidu, „AI Image to Video“, 2026).
• Kling 3.0. Stark bei komplexer menschlicher Bewegung aus einem Referenzstandbild, mit nativer 4K-Unterstützung und Lip-Sync (TeamDay.ai, „Best AI Video Models 2026“, 2026).
• Seedance 2.0. BytecDances Modell (12. Februar 2026) hält Produktdetails, Logos und Text zwischen Frames stabil – genau das, was E-Commerce-i2v braucht (opencreator.io, „AI Video Models Comparison 2026“, 2026).

Das Muster unter den starken Modellen ist konsistent: Erstbildkontrolle ist Grundvoraussetzung, Letztbildkontrolle keine Seltenheit mehr, und das Verankern beider Enden ist die zuverlässigste Methode, um zu verhindern, dass ein Clip in der letzten Sekunde abdriften. Der folgende Workflow ist genau um dieses Prinzip herum aufgebaut. Auf HiAPI sind die beiden i2v-Modelle, die Sie aufrufen können, Seedance 2.0 (ByteDance) und Wan 2.7 Image-to-Video (Alibaba).

Schritt 1 – Quellbild vorbereiten

Dies ist der Schritt, den viele überspringen und dann dem Modell die Schuld geben. Bei i2v ist Ihr erster Frame die Qualitätsobergrenze. Bevor Sie etwas senden, müssen drei Dinge erledigt sein:

• Seitenverhältnis an die Ausgabe anpassen. Ein Quellbild in 4:3 rendern und einen 16:9-Clip anfordern zwingt das Modell zum Beschneiden oder Auffüllen – Sie verlieren die Kontrolle darüber, was letztlich erhalten bleibt. Legen Sie zuerst das Ausgabeformat fest und erstellen Sie das Standbild in diesem Verhältnis. Seedance akzeptiert zudem das Verhältnis adaptive, das die Quellbildgröße automatisch übernimmt.
• In der gewünschten Ausgabauflösung rendern. Ein 480p-Quellbild wird kein scharfer 1080p-Clip; das Hochskalieren eines unscharfen Inputs lässt nur die Unschärfe in Bewegung geraten.
• Das Subjekt sauber komponieren. Ein klares, aufgeräumtes Subjekt lässt dem Modell weniger Interpretationsspielraum. Unruhige Hintergründe und unsaubere Kanten sind die Quelle seltsamer Bewegungen.

Dann hosten Sie es. Die API empfängt das Quellbild als URL (first_frame_url), nicht als Datei-Upload, daher muss es über HTTPS erreichbar sein – Ihr Storage-Bucket, CDN oder signierter Objektspeicher. Ein localhost-Pfad oder ein Link, den die API nicht abrufen kann, führt zum Task-Fehler.

Schritt 2 – Task mit Erstbild einreichen

Auf HiAPI läuft jedes Modell (auch Video) über eine asynchrone Task-API. Sie erstellen einen Task, erhalten sofort eine taskId, und das Rendering findet serverseitig statt. Text-to-Video in Image-to-Video zu verwandeln erfordert nur ein Feld: first_frame_url hinzufügen. Hier der minimale Aufruf mit Seedance 2.0:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer sk-<your-key>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "seedance-2-0",
    "input": {
      "prompt": "Slow cinematic push-in, a soft light sweep travels across the surface, the subject holds steady and in focus",
      "first_frame_url": "https://cdn.your-domain.com/assets/product-front.jpg",
      "aspect_ratio": "16:9",
      "duration": 5,
      "resolution": "720p",
      "generate_audio": false
    }
  }'

Das ist bereits die vollständige Image-to-Video-Anfrage. Die wichtigen Eingabefelder:

• first_frame_url — das Standbild, aus dem animiert wird; seine Anwesenheit macht den Unterschied zu i2v.
• aspect_ratio — passend zum Quellbild (oder adaptive).
• duration — Ausgabesekunden; länger kostet mehr und gibt der Bewegung mehr Raum zum Abdriften.
• resolution — 480p / 720p / 1080p; der wichtigste Kostenhebel.
• generate_audio — für stille Loops und Produktbilder abschalten.

Die vollständige Anfrage- und Antwortstruktur finden Sie in der Dokumentation. Wan 2.7 Image-to-Video folgt demselben Erstellen-Polling-Download-Ablauf, hat aber andere Eingaben – es trägt das Quellframe im media-Array und gibt 720p oder 1080p aus – daher konsultieren Sie die Dokumentation für die genaue Struktur, statt einfach den Seedance-Request-Body wiederzuverwenden.

Schritt 3 – Letztbild hinzufügen, wenn das Ende zählt

Erstbildkontrolle bestimmt, wo der Clip beginnt, und überlässt dem Modell, wie er endet – genau hier entsteht Driften unauffällig, weil das Modell die zweite Hälfte improvisiert. Wenn Kontinuität über den letzten Frame wichtig ist, verankern Sie auch diesen:

{
  "model": "seedance-2-0",
  "input": {
    "prompt": "The product rotates a quarter turn and settles, light resolving to a clean studio key",
    "first_frame_url": "https://cdn.your-domain.com/assets/product-front.jpg",
    "last_frame_url": "https://cdn.your-domain.com/assets/product-three-quarter.jpg",
    "aspect_ratio": "16:9",
    "duration": 5,
    "resolution": "720p"
  }
}

Jetzt sind beide Endpunkte fixiert, und das Modell füllt nur die Bewegung dazwischen. Das ist das Arbeitspferd-Muster für Produktenthüllungen und Before→After-Übergänge und die wirksamste einzelne Korrektur gegen „der Clip ist bis zur letzten Sekunde gut“. Halten Sie beide Frames beim selben Subjekt und in derselben Komposition – unterscheiden sich Start- und Endbild zu stark, muss das Modell den Weg dazwischen erfinden, und Sie sind wieder beim Raten.

Schritt 4 – Bewegungsprompts für Standbilder schreiben

Prompts haben bei i2v eine andere Aufgabe, und Fehler hier verschwenden Renderings. Bei Text-to-Video baut der Prompt die gesamte Szene auf. Bei Image-to-Video sieht das Modell die Szene bereits – sie steckt in dem Frame, den Sie übergeben – daher sollte der Prompt Veränderung über die Zeit beschreiben, nicht den Inhalt:

• Mit der Kamerabewegung beginnen. „Slow dolly-in“, „gentle pan left“, „push-in then hold“. Bewegungsmodelle folgen Kamerafahrt-Verben zuverlässig; geben Sie eine klar an.
• Beschreiben, wie sich das Subjekt bewegt, nicht was es ist. „Steam begins to rise“, „the fabric sways“, „the screen wakes and glows“. Sie choreografieren Animation, statt Objekte neu aufzuzählen.
• Das Bild nicht neu beschreiben. Offensichtliches aus dem Quellbild zu wiederholen arbeitet gegen das Modell und kann es dazu verleiten, neu zu generieren statt zu animieren.
• Bewegung passend zur Dauer halten. Ein 5-Sekunden-Clip kann keine 20-Sekunden-Geschichte tragen.

Ein guter i2v-Prompt liest sich wie eine Bewegungsanweisung an einen Kameramann, nicht wie eine Szenenbeschreibung an einen Maler.

Schritt 5 – Polling oder Callback empfangen

Video verbraucht GPU-Minuten, nicht Millisekunden. Das Rendering ist bewusst asynchron, deshalb bleibt die Verbindung nie offen. Nach dem Erstellen des Tasks gibt es zwei Wege zu erfahren, dass er fertig ist.

Polling bis zu einem Endzustand – geeignet für Skripte und Prototypen:

curl https://api.hiapi.ai/v1/tasks/<taskId> \
  -H "Authorization: Bearer sk-<your-key>"
# data.status: queued -> handling -> archiving -> success (or fail)
# on success, read data.output[0].url and download it promptly — the URL expires

Callback empfangen für alles jenseits eines Prototyps. Statt in einer Polling-Schleife zu sitzen, übergeben Sie einen Callback und lassen HiAPI Ihnen den Endzustand zustellen:

{
  "model": "seedance-2-0",
  "input": { "prompt": "...", "first_frame_url": "https://cdn.your-domain.com/assets/product-front.jpg", "aspect_ratio": "16:9", "duration": 5, "resolution": "720p" },
  "callback": { "url": "https://your-domain.com/hooks/hiapi", "when": "final" }
}

In beiden Fällen ist die Ausgabe-URL zeitlich begrenzt. Sobald der Task success erreicht, laden Sie data.output[0].url sofort in Ihren eigenen Speicher herunter – verlinken Sie sie nicht direkt in Seiten und übergeben Sie sie nicht an Kunden, denn sie läuft ab.

Bewährte Produktionsmuster

Einige Gewohnheiten unterscheiden Demo-Skripte von Dingen, die im großen Maßstab laufen:

• Callbacks statt Polling im großen Maßstab bevorzugen. Eine Polling-Schleife pro Task ist verschwendete Rechenzeit und erzeugt Rate-Limit-Druck. Ein Callback-Endpunkt, der Ergebnisse herunterlädt und Ihre Datensätze aktualisiert, skaliert deutlich besser als Hunderte von Pollern.
• Einreichungen idempotent machen. Retries und mindestens einmalige Callbacks kommen vor. Geben Sie jedem Rendering eine stabile ID (Quellbild + Prompt + Parameter, gehasht), damit ein Retry nicht still ein doppeltes – und abgerechnetes – Video erzeugt.
• Kosten sind Auflösung × Dauer. Videos werden pro Sekunde abgerechnet, der Tarif steigt mit der Auflösung, daher ist ein 1080p-10-Sekunden-Clip deutlich teurer als ein 480p-5-Sekunden-Clip. Iterieren Sie in 480p, fixieren Sie Prompt und Kamerafahrt und rendern Sie nur die behaltenen Clips in Lieferauflösung neu. Aktuelle Tarife finden Sie auf der Preisseite – sie ändern sich, also nicht im Code hartkodieren.
• Nach brauchbaren Clips budgetieren, nicht nach Rendering-Zahlen. Behalten Sie einen von drei Clips, betragen Ihre tatsächlichen Kosten pro lieferbarem Asset das Dreifache des Listenpreises – dieses Verhältnis, nicht der Sekundentarif, bestimmt Ihr Budget, weshalb das Fixieren von Prompts in 480p sich amortisiert.
• Quell-URLs früh validieren. Ein Erstframe, den die API nicht abrufen kann, ist der häufigste vermeidbare Fehler – prüfen Sie vor dem Einreichen, ob er über HTTPS erreichbar ist.

Häufige Fragen

Wie unterscheidet sich Image-to-Video in der Anfrage von Text-to-Video? Durch ein Feld. Der Task-Aufruf ist ansonsten identisch; das Hinzufügen von first_frame_url (Quellbild) schaltet von Text-to-Video auf Image-to-Video um. Auf HiAPI laufen beide über denselben POST /v1/tasks-Endpunkt.

Kann ich Erst- und Letztbild gleichzeitig steuern? Ja. first_frame_url fixiert den Startframe; das Hinzufügen von last_frame_url fixiert den Endframe, sodass das Modell nur die Bewegung zwischen den beiden festen Endpunkten füllt. Beide Enden zu verankern ist die zuverlässigste Methode, Übergänge zu kontrollieren und Driften am Clip-Ende zu verhindern.

Unterstützt die Runway Gen-3/Gen-4-API Image-to-Video? Die Gen-3- und Gen-4-Serien von Runway unterstützen Image-to-Video und glänzen bei filmischer Kontrolle – das ist die breitere Landschaft. Der in diesem Leitfaden aufrufbare Workflow läuft auf Seedance 2.0 und Wan 2.7 Image-to-Video, die HiAPI hinter einer Task-API hostet. Runway Gen-4.5 Image-to-Video läuft über dieselbe API; ein funktionierendes Anfragebeispiel finden Sie im Runway Gen-4.5 API-Leitfaden.

Wie lange dauert ein Image-to-Video-Rendering? Minuten, nicht Sekunden – Video ist echte Rechenleistung. Deshalb ist die API asynchron: Sie erstellen einen Task und pollen dann oder empfangen einen Callback, sodass ein langes Rendering Ihre Anfrage nie blockiert.

Zusammenfassung

Image-to-Video passt, wenn ein bestimmtes statisches Bild unverändert auf dem Bildschirm erscheinen und sich dann bewegen muss. Die Qualitätsobergrenze wird bereits vor dem ersten Prompt durch Auflösung, Seitenverhältnis und Komposition des Quellbilds bestimmt – bereiten Sie es daher zuerst vor und hosten Sie es an einem stabilen Ort. Fixieren Sie den ersten Frame, um den Start des Clips zu kontrollieren, fügen Sie ein Letztbild hinzu, wenn das Ende landen muss, und schreiben Sie Prompts als Bewegungs- und Kamerafahrt-Anweisungen statt das Bild neu zu beschreiben, das das Modell bereits sieht. Behandeln Sie es dann als das, was es ist: einen asynchronen Task – pollen Sie, oder besser: empfangen Sie einen Callback; machen Sie Einreichungen idempotent; laden Sie herunter, bevor die URL abläuft; budgetieren Sie nach brauchbaren Clips in Lieferauflösung.

Wenn Sie bereit sind, führen Sie Ihr Quellbild über die Seedance 2.0-Modellseite oder Wan 2.7 Image-to-Video aus, binden Sie dann die oben beschriebene Task-API an und prüfen Sie vor dem Skalieren die aktuellen Sekundentarife auf der Preisseite. (Sie möchten zuerst eine schlüsselfreie Option? Siehe kostenlose Text-to-Video-Optionen.)