VideoGen verspricht Zehn-Minuten-Videos aus einem Prompt. Benchmark: keiner

VideoGen hat am 20. Oktober Model 1 angekündigt, mit einer Behauptung, die entweder ein Kategorienwechsel oder eine Marketingzeile ist, und der Unterschied zählt: Ein Prompt wird zu einem fertigen Multi-Shot-Video von bis zu zehn Minuten Länge, mit Dialog, Ton und Musik.

Zehn Minuten sind rund das Zwanzigfache der längsten Einmal-Generierung der aktuellen Spitzenmodelle. Kling 4.0, Seedance 2.5 und Wan 3.0 werben alle mit bis zu 30 Sekunden pro Generierung, mit Erweiterungsfunktionen, die im besten Fall ein paar Minuten erreichen. Wer diesen Markt verfolgt, liest zehn Minuten als anderes Produkt.

Es ist eines, und es ist keines. Die Pressemitteilung sagt ausdrücklich, längere Videos würden „aus mehreren generierten Einstellungen zusammengesetzt“. Model 1 rendert keine zehn Minuten in einem Durchgang. Es plant einen Film, generiert ihn Einstellung für Einstellung, prüft die Einstellungen und schneidet sie zusammen. Das Modell ist eine Komponente in einer Pipeline, die zufällig als ein Produkt verkauft wird.

Was das Unternehmen tatsächlich ausgeliefert hat

VideoGen ist ein Unternehmen aus San Francisco, Y Combinator Summer 2024, gegründet 2023. Bisher machte das Produkt aus einem Prompt, einem Skript oder einem Artikel ein Video – mit den Modellen anderer Firmen. Model 1 ist das eigene.

Die veröffentlichten Fähigkeiten: Text-to-Video und Image-to-Video, bis zu 16 Bilder als visuelle Referenzen, eine angebbare Zieldauer und ein Seitenverhältnis, und gemeinsame Audio-Video-Generierung, sodass Dialog, Geräusche und Musik zusammen herauskommen. Der Zugang startete am 20. Oktober als Rollout für ausgewählte Partner, allgemeine Verfügbarkeit wurde nach weiteren Sicherheitstests versprochen. Außerdem öffnete das Unternehmen Bewerbungen für einen Pool von 1 Million Dollar an Gratis-Credits, gerichtet an Filmschaffende, Studios, Studierende und, bemerkenswert, Journalisten, die über den Launch berichten.

Die ehrliche Rahmung des Pitches ist: Das Schwierige ist nicht das Videomodell. Es ist die Planung. Ein zehnminütiges Video braucht ein Drehbuch, konsistente Figuren über Szenen hinweg, Dialog, der sich nicht wiederholt, und eine Shotlist, die auf die gewünschte Laufzeit kommt. Das ist ein Sprachmodellproblem, und VideoGen hat einen Harness aus Sprachmodellen gebaut, um es zu lösen.

Im Writers' Room

Eine Drittinterpretation von VideoGens technischem Whitepaper beschreibt eine Pipeline mit getrennten Rollen. Eine Planungsschicht schlägt Konzepte vor, ein Kritiker bewertet sie anhand einer Rubrik für die Kategorie (Film, Marketing, Social, Explainer, Musikvideo, Mikrodrama), die besten zwei werden zu getakteten Drehbüchern, und ein Rewriter übersetzt jede Szene in das strukturierte Prompt-Format, das das Videomodell erwartet – mit getrennten Feldern für Shots, Dialog, Soundscape und Hintergrundmusik.

Dieselbe Analyse berichtet von drei separaten Modell-„Lesern“, die nur die gesprochenen Zeilen und den Text im Bild prüfen und verwirrenden Dialog markieren, und vermerkt den Vorbehalt des Whitepapers selbst, dass dies „automatisierte Stellvertreter und keine menschlichen Teilnehmer“ seien. Dazu läuft gewöhnlicher Code für gewöhnliche Prüfungen: Ergeben die Szenendauern die Gesamtlänge, hat jeder Sprecher eine Stimmbeschreibung.

Das ist der Teil der Ankündigung, der entscheidet, ob das Produkt funktioniert. Ein Clip von zwanzig oder dreißig Sekunden übersteht einen vagen Prompt. Zehn Minuten nicht. Fehler summieren sich, Figuren driften, und die fünfte Szene beginnt der ersten zu widersprechen. Eine Planungsschicht, die solche Probleme vor dem Rendern abfängt, ist mehr wert als ein besserer Renderer, weil das Rendern der teure Teil ist.

Es ist zugleich der Teil, den Wettbewerber am schnellsten kopieren können. Ein Multi-Modell-Planungsharness ist Software, kein Forschungsdurchbruch.

Die Zahlen, die noch keine Zahlen sind

VideoGen sagt, man erwarte, dass Model 1 mehr als 50 Prozent günstiger wird als vergleichbare Modelle, basierend auf interner Validierung. Außerdem sagt das Unternehmen, finale Preise, offizielle Benchmarks und Drittvalidierung seien in Arbeit. Beide Aussagen stehen in derselben Pressemitteilung, und die zweite sollte bestimmen, wie man die erste liest.

Die eine gemessene Zahl, die das Unternehmen teilt, ist ein Rendering-Experiment: Ein Acht-Schritt-Adapter senkte die durchschnittliche Renderzeit eines Clips um 58,2 Prozent gegenüber der 28-Schritt-Baseline desselben Systems. VideoGen nennt das sorgfältig eine experimentelle Konfiguration und keine garantierte Beschleunigung – der richtige Vorbehalt und zugleich das Eingeständnis, dass die Zahl keine Produktspezifikation ist.

Der aktuelle Stand ist also: eine Fähigkeitsbehauptung mit einer Demo-Rolle, eine Kostenbehauptung ohne Preisliste und eine Qualitätsbehauptung ohne Benchmark. Die Demo-Rolle ist die eigene Auswahl des Unternehmens, was sie zum Best Case macht und nicht zum Test.

Warum Länge das falsche Scoreboard ist

Hier der unangenehme Kontext. Die chinesische Fachpresse berichtete diesen Monat, dass 98,7 Prozent der KI-Mikrodramen ihre Kosten innerhalb von sechs Monaten nach Veröffentlichung nicht wieder einspielen. ByteDances Mikrodrama-Geschäft habe laut Berichten täglich Token im Wert von Dutzenden Millionen Yuan verbrannt. Der Engpass in diesem Markt ist nicht die Fähigkeit, Material zu generieren. Es sind Distribution und Drehbücher.

Das macht ein Zehn-Minuten-Modell nicht nutzlos. Es verschiebt, wofür es gedacht ist. Wenn die Einschränkung das Erzählen ist, zielt ein Werkzeug, das einen narrativen Bogen plant und Figuren konsistent hält, auf die tatsächliche Einschränkung. Wenn die Einschränkung Aufmerksamkeit ist, sind zehn Minuten ein Nachteil, weil niemand zehn Minuten von irgendetwas ohne Grund anschaut.

Die realistischen Anwendungsfälle sind die unglamourösen. Previsualisierung für einen Dreh, wenn ein Regisseur die Szene sehen muss, bevor er für ein Team bezahlt. Erklärvideos für Produkte, für die niemand einen Werbespot machen wird. Internes Trainingsmaterial. Ein zehnminütiges generiertes Video, das zu 70 Prozent richtig ist und einen Nachmittag kostet, ist enorm wertvoll, wenn die Alternative ein zweiwöchiger Schnitt ist.

Für alles, was ein Publikum freiwillig anschaut, ist die Länge nicht das Verkaufsargument. Die Planung ist es.

Wie man es bewertet, wenn man Zugang bekommt

Nach den Fehlerfällen fragen, nicht nach der Rolle. Konkret: Was passiert bei Minute sieben, wenn das Modell sich an die Jacke einer Figur aus Minute zwei erinnern muss. Ob der Dialog eine Zeile wiederholt, die schon benutzt wurde. Ob das Audio durch einen zusammengesetzten Schnitt synchron bleibt – dort brechen Pipelines, die Einstellungen unabhängig generieren, typischerweise.

Dann den langweiligen Test fahren: ein Briefing mit einem konkreten Produkt und einer konkreten Aussage geben und sehen, ob der Planer eine Tatsache erfindet. Die Rubrik des Whitepapers enthält laut Bericht Prüfungen, die erfundene Aussagen für die Kategorien Marketing und Explainer ablehnen, was nahelegt, dass das Unternehmen weiß, dass dies der Fehlermodus ist, der Kunden vor Gericht bringt.

Und das Wasserzeichen prüfen. VideoGen sagt, Ausgaben tragen unsichtbare Wasserzeichen, die ihre synthetische Herkunft kennzeichnen. In einem Jahr, in dem Provenienz zur Beschaffungsanforderung wird, ist das ein Feature und keine Fußnote, und es lohnt zu bestätigen, dass es die eigene Editing-Pipeline übersteht.

Zehn Minuten aus einem Prompt sind eine echte Erweiterung dessen, was eine einzelne Person versuchen kann. Es ist kein Ersatz für einen Regisseur, und die eigene Mitteilung des Unternehmens behauptet das auch nicht ganz. Die interessante Frage ist, was passiert, wenn die Planungsschicht gut genug wird, dass der begrenzende Faktor wird, ob man überhaupt etwas zu sagen hatte.