Wer 2026 ein KI-Video erstellen will, arbeitet mit einem anderen Markt als noch im Frühjahr: Sora ist abgeschaltet, Veo 3.1 ist dazugekommen, die Preise haben sich verschoben. Was Runway, Kling, Veo, HeyGen, Higgsfield und ElevenLabs im KMU-Drehtag-Alltag wirklich leisten.
Wer 2026 ein KI-Video erstellen will, braucht kein Tool, sondern eine Aufgabenteilung: Runway Gen-4.5 für Bild-zu-Video aus vorhandenem Markenmaterial, Kling 3.0 für atmosphärische Sequenzen, Google Veo 3.1 für Szenen mit synchron erzeugtem Ton, HeyGen für mehrsprachige Statements, ElevenLabs für Stimme. Sora fällt seit April 2026 als Produktivwerkzeug weg. Alle sechs Werkzeuge zusammen ersetzen keinen Drehtag, sie verlängern seine Nutzungsdauer.
Aktualisiert am 01.08.2026: Sora-Abschaltung, Google Veo 3.1 neu aufgenommen, alle Tarife und Modellstände auf den Stand von August 2026 gebracht.
Wer 2026 ein KI-Video erstellen will, arbeitet mit einem anderen Markt als noch im Frühjahr. Zwischen Mai und August ist ein prominentes Werkzeug verschwunden, ein neues in die erste Reihe gerückt und die Preislogik hat sich von Monatsabos in Richtung Sekundenpreise verschoben. Was hier steht, ist nicht aus Tool-Doku abgeschrieben, sondern das, was wir in Kundenprojekten am Schnittplatz erlebt haben, mit allen Ecken, die kein Herstellervideo je zeigt.
Was sich seit Mai 2026 am Markt geändert hat
Drei Dinge sind passiert: OpenAI hat Sora abgeschaltet (App am 26. April 2026, API am 24. September 2026), Google Veo 3.1 hat sich mit nativ erzeugtem Ton und 4K als ernsthafte Produktionsoption etabliert, und die Abrechnung verlagert sich vom Monatsabo zum Preis pro generierter Sekunde. Wer seinen Stack im Frühjahr gebaut hat, sollte ihn genau an diesen drei Punkten prüfen.
Der härteste Einschnitt ist das Sora-Aus. OpenAI hat die App- und Web-Oberfläche am 26. April 2026 eingestellt, die API folgt am 24. September 2026, danach werden verbliebene Inhalte gelöscht (Details zum zweistufigen Shutdown). Für Marketing-Teams ist das weniger eine Tool-Frage als eine Lehrstunde: Ein Generierungsmodell ist keine Infrastruktur. Wer Kampagnenlogik an einem einzigen Anbieter aufhängt, hat kein Risiko ausgelagert, sondern eingekauft.
Zweite Verschiebung: Google Veo 3.1 erzeugt Ton synchron zum Bild, in 8-Sekunden-Clips bis 4K, buchbar über die Gemini API. Das klingt nach einem Detail, verändert aber den Schnitt-Alltag. Bisher hieß KI-Sequenz fast immer: stummes Material, das im Schnitt vertont werden muss. Dritte Verschiebung: die Abrechnung. Veo kostet je nach Stufe zwischen 0,05 und 0,60 US-Dollar pro Sekunde (Preisliste der Gemini API), Runway rechnet Gen-4.5 mit 12 Credits pro generierter Sekunde ab. Damit lässt sich zum ersten Mal seriös rechnen, bevor der erste Clip existiert.
| Werkzeug | Stand Mai 2026 | Stand August 2026 | Konsequenz für den Stack | | --- | --- | --- | --- | | Sora (OpenAI) | Für Moodboards nutzbar | App aus, API endet 24.09.2026 | Ersetzen, Inhalte exportieren | | Google Veo | Im Test, ohne Produktionsrolle | Veo 3.1 mit nativem Ton, bis 4K | Neu aufnehmen für Ton-Szenen | | Runway | Gen-3 und Gen-4 | Gen-4.5, 12 Credits pro Sekunde | Bleibt Arbeitspferd für Bild-zu-Video | | Kling | Kling 3.0, lange Clips | Multi-Shot-Storyboard, Ton-Sync | Bleibt für Atmosphäre und Kamerafahrt | | HeyGen | Avatare, Voice-Cloning | 175+ Sprachen, 4K ab Pro | Bleibt für mehrsprachige Statements | | ElevenLabs | Stimmklon im Creator-Tarif | Unverändert, Klon ab Creator | Bleibt Kitt der ganzen Pipeline |
1. Runway Gen-4.5, der Allrounder für Bild-zu-Video
Runway ist 2026 die stabilste Wahl, wenn aus vorhandenen Marken- oder Produktfotos Bewegung werden soll. Gen-4.5 kostet 12 Credits pro generierter Sekunde, die Tarife starten bei 12 US-Dollar im Monat. Schwach bleibt das Modell bei längeren Aufnahmen echter Gesichter, dort bricht die Identität.
Was es kann: Text-zu-Video, Bild-zu-Video und Mimik-Übertragung von echtem Material auf eine generierte Figur. Die Oberfläche ist immer noch die aufgeräumteste am Markt, was in einem Produktionsalltag mit wechselnden Bearbeitern mehr wert ist, als es klingt. Die Tarife liegen laut Runway-Preisliste bei 12 US-Dollar (Standard), 28 US-Dollar (Pro) und 76 US-Dollar (Max) pro Monat.
Wo es wirklich gut ist: Bild-zu-Video aus existierenden Markenfotos. Wir nutzen es regelmäßig, um Logo-Animationen oder Produktansichten ins Hauptvideo einzubauen, ohne dass dafür ein eigener Drehtag nötig wird. Bei einer Kampagne im Frühjahr haben wir so aus vier Studiofotos acht bewegte Übergänge gebaut, Aufwand rund zwei Stunden statt eines halben Drehtags.
Wo es bricht: Echte Gesichter über fünf Sekunden. Mimik flackert, die Identität kippt weg. Für sprechende Personen ist HeyGen die verlässlichere Adresse, für die Gegenüberstellung der drei großen Generatoren lohnt der direkte Vergleich der Videomodelle im KMU-Einsatz.
2. Kling 3.0, die Kamerafahrt aus dem Prompt
Kling 3.0 liefert die überzeugendsten Kamerabewegungen und die beste Bewegungslogik für atmosphärische Sequenzen, inzwischen mit Multi-Shot-Storyboard. Schwachpunkt bleibt die Konsistenz über mehrere Clips hinweg: Dieselbe Person in fünf Einstellungen bleibt Handarbeit.
Was es kann: Lange Clips, sehr saubere Bewegungsabläufe und Kamerafahrten, die sich direkt aus dem Prompt steuern lassen. Der Storyboard-Modus reiht mehrere Einstellungen aneinander, was das mühsame Zusammensetzen im Schnitt reduziert.
Wo es wirklich gut ist: Markensequenzen ohne Menschen, atmosphärische Übergänge, Architekturansichten. Wir haben es für eine Hotellerie-Kampagne genutzt, um eine Suite zu zeigen, die zu dem Zeitpunkt noch im Bau war. Der Kunde hat gefragt, wann wir vor Ort gedreht hätten.
Wo es bricht: Konsistenz über mehrere Clips. Wenn dieselbe Person in fünf Einstellungen dieselbe Jacke tragen soll, braucht es Referenzbilder und mehrere Anläufe. Für Personenmarken ist das der Punkt, an dem der Drehtag günstiger wird als der Prompt.
3. Google Veo 3.1, das Modell mit eigenem Ton
Veo 3.1 erzeugt Bild und Ton in einem Durchgang, in Clips bis acht Sekunden und Auflösungen bis 4K. Die Abrechnung läuft pro Sekunde, von 0,05 US-Dollar in der Lite-Stufe bis 0,60 US-Dollar für 4K mit Ton. Für Szenen mit Atmosphäre, Umgebungsgeräusch oder kurzem Dialog ist es die derzeit direkteste Lösung.
Was es kann: Videos von vier, sechs oder acht Sekunden in 720p, 1080p oder 4K, quer und hochkant, mit synchron erzeugtem Ton inklusive Umgebungsgeräuschen und Dialog (Modell-Dokumentation der Gemini API). Genau dieser Punkt fehlt allen anderen Modellen im Test.
Wo es wirklich gut ist: Kurze Szenen, die sonst Sounddesign gebraucht hätten. Ein Werkstatt-Übergang mit passendem Raumklang war bei uns in einem Durchgang fertig, statt in drei Schritten aus Bild, Geräuschbibliothek und Mischung.
Wo es bricht: Die Clip-Länge. Acht Sekunden sind für eine Hook oder einen Übergang genug, für eine erzählte Sequenz nicht. Und der erzeugte Ton ist gut genug für Atmosphäre, nicht für Markenstimme. Wer eine feste Sprecherstimme hat, bleibt bei einem Stimmklon.
4. HeyGen, die Avatar-Pipeline für Sprachfassungen
HeyGen bleibt die erste Wahl, wenn ein Statement in vielen Sprachen gebraucht wird. Aus wenigen Minuten Originalmaterial entsteht ein Avatar samt Stimmklon, Skriptänderungen erzeugen eine neue Fassung ohne neuen Termin. Tarife starten bei 29 US-Dollar im Monat, 4K gibt es ab dem Pro-Tarif.
Was es kann: Avatar aus Realmaterial des Sprechers, Stimmklon inklusive, über 175 Sprachen und Dialekte. Laut HeyGen-Preisliste kostet der Creator-Tarif 29 US-Dollar, Pro mit 4K-Export 49 US-Dollar und Business mit mehreren Avataren 149 US-Dollar im Monat.
Wo es wirklich gut ist: Mehrsprachige Statements der Geschäftsführung. Ein deutsches Original wird zu Englisch, Französisch und Spanisch, mit derselben Stimme und passender Lippenbewegung. Wie dieser Weg technisch und rechtlich sauber läuft, steht im Beitrag zum lippensynchronen Übersetzen von Videos.
Wo es bricht: Längere emotionale Passagen. Der Avatar wirkt dann glatt, und genau diese Glätte ist es, die Zuschauer als künstlich lesen. Für Statements von 30 bis 60 Sekunden funktioniert es, für eine dreiminütige Unternehmensgeschichte nicht.
5. Higgsfield, der Hook-Multiplikator für Performance-Kampagnen
Higgsfield ist kein Allzweck-Generator, sondern eine Hook-Maschine für bezahlte Kampagnen: viele Varianten desselben Anfangs, aggressive Kamerabewegungen, Zugriff auf mehrere Fremdmodelle unter einer Oberfläche. Die Einstiegstarife beginnen im niedrigen zweistelligen Dollar-Bereich.
Was es kann: Bild-zu-Video mit auffälligen Kamerabewegungen, eine Stilbibliothek für plattformtypische Looks und Zugriff auf mehrere Videomodelle unter einer Oberfläche. Der Einstiegstarif liegt beim Anbieter im niedrigen zweistelligen Dollar-Bereich, abgerechnet wird darüber hinaus nach Nutzung.
Wo es wirklich gut ist: Die ersten drei Sekunden von Anzeigen. Aus dem Material eines einzigen Drehtags erzeugen wir für Performance-Kampagnen regelmäßig 30 und mehr Hook-Varianten, die anschließend gegeneinander laufen. Der Hebel liegt nicht in der Bildqualität, sondern in der Anzahl testbarer Anfänge pro Woche.
Wo es bricht: Alles, was erzählt werden muss. Higgsfield ist auf den kurzen Reiz optimiert, nicht auf eine Markengeschichte. Wer damit einen Imagefilm bauen will, bekommt eine Aneinanderreihung von Effekten.
6. ElevenLabs, der unsichtbare Kitt der Pipeline
ElevenLabs ist streng genommen kein Videowerkzeug, hält aber die gesamte Pipeline zusammen. Ein Stimmklon aus wenigen Minuten Material liefert beliebig viele Fassungen in derselben Stimme, über Sprachgrenzen hinweg. Professionelles Stimmklonen gibt es ab dem Creator-Tarif.
Ohne Stimme fällt jede KI-Video-Pipeline auseinander. Eine kurze Sprachaufnahme reicht für beliebig viele Varianten in derselben Stimme, Wechsel zwischen Sprachen funktionieren ohne hörbaren Bruch. Laut ElevenLabs-Preisliste ist professionelles Stimmklonen ab dem Creator-Tarif enthalten, der Starter-Tarif liegt darunter bei 6 US-Dollar im Monat.
Aus der Praxis: Ein Geschäftsführer hatte einen Auswärtstermin und keine Chance auf einen Studiotag. Wir haben zwei Minuten Sprachmaterial in einem kurzen Telefonat aufgenommen, daraus einen Stimmklon gebaut und zwölf Skripte darauf laufen lassen. Ergebnis: zwölf fertige Tonspuren ohne einen einzigen Studiotermin. Genau dafür ist das Werkzeug gedacht, nicht dafür, eine Stimme zu erfinden, die es nicht gibt.
Was wir nicht mehr empfehlen, und warum
Zwei Kategorien fallen 2026 raus: Sora, weil es abgeschaltet wird, und die Zwischenschicht-Apps, die fremde Modelle mit eigener Oberfläche weiterverkaufen. Beide Fälle haben denselben Kern: Die Generierungsleistung liegt bei jemand anderem, und damit auch die Entscheidung, ob es sie morgen noch gibt.
Sora, abgeschaltet statt abgehängt
Im Mai stand hier noch, Sora sei visuell stark, aber für die Produktion zu schlecht steuerbar. Diese Einschätzung ist überholt, das Thema hat sich anders erledigt: Die App wurde am 26. April 2026 eingestellt, die API endet am 24. September 2026. Wer noch Inhalte oder Figuren dort liegen hat, sollte exportieren, solange das möglich ist. Praktisch heißt das für Marketing-Teams: Prüfen, ob irgendein Automatismus, ein Skript oder ein Dienstleister-Workflow still auf der Sora-API steht, und den Termin im September im Kalender haben.
Zwischenschicht-Apps mit eigenem Preisschild
Es gibt weiterhin dutzende Anwendungen, die versprechen, KI-Video zu erzeugen. Ein großer Teil davon reicht Anfragen an die oben genannten Modelle durch, mit weniger Steuerung und höherem Monatspreis. Der Test dauert zwei Minuten: Steht in der Dokumentation, welches Modell tatsächlich rechnet? Wenn nicht, zahlen Sie für eine Oberfläche. Warum dieser Zwischenschicht-Markt insgesamt schrumpft, haben wir im Beitrag über den Zerfall des KI-Wrapper-Markts beschrieben.
Realistischer KMU-Stack für August 2026
Ein sinnvoller Einstieg besteht aus zwei Zugängen, nicht aus sechs: einem Videomodell und einem Stimmen-Tarif, zusammen rund 40 bis 50 US-Dollar im Monat. Avatare in vielen Sprachen kommen erst dazu, wenn es die Sprachfassungen wirklich gibt. Alles Weitere lohnt sich erst ab laufenden Kampagnen.
Die häufigste Fehlinvestition, die uns in Erstgesprächen begegnet, sind fünf gleichzeitig laufende Abos, von denen zwei benutzt werden. Deshalb hier drei Ausbaustufen statt einer Wunschliste, mit den Listenpreisen der Anbieter vom August 2026:
| Stufe | Zugänge | Größenordnung pro Monat | Wofür es reicht | | --- | --- | --- | --- | | Einstieg | Runway Standard (12 $) plus ElevenLabs Creator | rund 35 bis 40 $ | Bewegung aus vorhandenen Fotos, Sprecherstimme für Social | | Sprachfassungen | Einstieg plus HeyGen Creator (29 $) oder Pro (49 $) | rund 70 bis 90 $ | Statements der Geschäftsführung in mehreren Sprachen | | Kampagnenbetrieb | zusätzlich Higgsfield und Veo nach Sekundenpreis | rund 120 $ plus Nutzung | wöchentliche Hook-Tests, vertonte Übergänge |
Zwei Hinweise zur Rechnung. Erstens verschiebt sich ein wachsender Teil der Kosten in die Nutzung: Veo wird pro Sekunde abgerechnet, bei 0,10 US-Dollar pro Sekunde in der schnellen 720p-Stufe kostet ein Acht-Sekunden-Clip weniger als einen Dollar, in 4K mit Ton kann derselbe Clip fast fünf Dollar kosten. Zweitens ist das Abo nie der teure Teil. Die Zeit für Auswahl, Prompting, Aussortieren und Schnitt übersteigt die Lizenzkosten in jedem Projekt, das wir gerechnet haben. Wer das gegen einen klassischen Dreh abwägen will, findet die Größenordnungen im Beitrag zur Kostenfrage bei KI-Videos.
Wann KI-Tools die falsche Wahl sind
Für alles, was real existiert und Vertrauen tragen soll, ist ein Drehtag die günstigere Lösung: echte Mitarbeitende, echte Räume, echte Kundenstimmen. KI wird dort teuer, wo sie etwas erfinden muss, das es schon gibt. Ihr Hebel liegt danach, in der Vervielfältigung des gedrehten Materials.
Drei Fälle, in denen wir von einem KI-Setup abraten. Erstens Personenvertrauen: Wer Mitarbeitende, Handwerk oder Beratung zeigt, verliert genau das, was den Film verkauft, sobald das Bild generiert ist. Zweitens Nachweise: Produktion, Prüfstand, Anlagen. Ein erfundenes Bild einer real existierenden Halle ist kein Stilmittel, sondern ein Risiko. Drittens rechtlich sensible Inhalte. Stimme und Gesicht sind personenbezogene Daten, dafür braucht es Einwilligung und einen Auftragsverarbeitungsvertrag, wie das sauber läuft, steht im Leitfaden zu Voice-Cloning und DSGVO. Welcher Weg im Einzelfall trägt, lässt sich mit der Entscheidungsmatrix zwischen KI-Video und echtem Dreh in wenigen Minuten klären.
Was Sie nicht alleine machen sollten
Zugang zu Werkzeugen ist kein Workflow. Die eigentliche Arbeit liegt in den Entscheidungen davor und danach: welcher Anfang in der Branche funktioniert, welche Tonalität zur Marke passt und an welcher Stelle generiertes Material Vertrauen kostet statt spart.
Wer beides zusammen aufbauen will, Drehmaterial und KI-Vervielfältigung, findet den kompletten Ablauf im Guide zu KI-Video für den Mittelstand. Diese Erfahrung erarbeiten Sie sich entweder über etwa zwölf Monate selbst, oder Sie holen sie sich bei einer Produktion mit eigenem Drehtag-Betrieb dazu.
Häufige Fragen zum Erstellen von KI-Videos
Die sechs Fragen, die uns seit dem Sora-Aus am häufigsten gestellt werden: bestes Werkzeug, Sora-Ersatz, Monatskosten, Grenzen gegenüber dem Drehtag, Sprachfassungen und die Frage nach eigenem Setup oder Agentur.
Welches KI-Tool ist 2026 das beste für Video?
Es gibt kein bestes Tool, sondern vier Aufgaben mit je einem Favoriten: Runway Gen-4.5 für Bild-zu-Video, Kling 3.0 für Atmosphäre und Kamerafahrt, Google Veo 3.1 für Szenen mit Ton, HeyGen für mehrsprachige Statements. Wer nur ein Abo will, nimmt ein Videomodell plus ein Stimmen-Tool.
Was ist mit Sora passiert?
OpenAI hat Sora in zwei Stufen abgeschaltet: App und Web am 26. April 2026, die API am 24. September 2026. Inhalte sollten vorher exportiert werden, laufende Workflows brauchen ein anderes Modell.
Was kostet ein KI-Video-Stack pro Monat?
Mit den Listenpreisen vom August 2026 liegt ein realistischer Einstieg bei 35 bis 50 US-Dollar im Monat. Mit Avataren in mehreren Sprachen werden daraus 70 bis 90 US-Dollar. Der größere Posten sind die Arbeitsstunden, nicht die Lizenzen.
Kann KI einen Drehtag ersetzen?
Für Menschen, Produkte und Räume, die es real gibt, nein. KI multipliziert vorhandenes Material zu Varianten, Sprachfassungen und Hooks. In unseren Projekten verlängert sie die Nutzungsdauer eines Drehtags, sie ersetzt ihn nicht.
Womit erstelle ich lippensynchrone Fremdsprachen-Versionen?
Mit HeyGen für Avatar-Statements, mit einem Stimmklon für die reine Tonspur. Vorher braucht es die Einwilligung der Person und einen Auftragsverarbeitungsvertrag, weil Stimme und Gesicht personenbezogene Daten sind.
Eigenes Setup oder Agentur?
Selbst machen lohnt sich bei regelmäßigem Variantenbedarf und vorhandener Zeit im Haus. Eine Agentur lohnt sich, wenn Marke, Freigaben und Tonalität sitzen müssen. Der teuerste Weg ist, fünf Abos abzuschließen, drei Monate zu testen und danach doch extern zu produzieren.
Fazit
Wer 2026 ein KI-Video erstellen lassen will, hat kein Werkzeugproblem mehr, sondern ein Workflow-Problem. Der Markt hat in drei Monaten gezeigt, wie schnell ein Anbieter verschwinden kann und wie schnell ein neuer die Regeln ändert. Stabil bleibt nur, was auf eigenem Material steht: ein Drehtag, aus dem sich ein Jahr lang Varianten bauen lassen. Die sechs Werkzeuge oben sind dafür die Multiplikatoren, nicht der Ersatz. Wer den nächsten Drehtag ohnehin plant, sollte ihn direkt so aufsetzen, dass das Material diese Multiplikation aushält.
Quelle: https://expertenfilm.de/ki-news/ki-video-erstellen-5-tools-praxis-test-2026