Die Fotos deiner Website kommen jetzt in den Film

Wenn PageToVid eine Seite liest, sammelt es die Fotos der Seite und gibt sie dem Planer, dem Modell, das das Storyboard schreibt. Seine Anweisungen sind eindeutig: Hier sind die Bilder der Website, und mindestens eine grafische Szene soll eines davon zeigen.

Sprachmodelle, die für Video schreiben, haben allerdings eine Gewohnheit. Sie lieben Textkarten: einen Aufhänger, ein paar Stichpunkte, einen Schlusssatz. Text können sie am besten, also greifen sie dazu, selbst wenn ein Bild mehr sagen würde. Deshalb waren die Anweisungen nie als einzige Verteidigungslinie gedacht.

Hinter dem Planer sitzt ein kleiner, vorhersehbarer Schritt, der das Storyboard liest, sobald es geschrieben ist. Hat die Seite Fotos angeboten und nutzt keine Szene eines, nimmt er die am wenigsten aussagekräftige Textkarte und macht daraus das Bild, das sie hätte sein sollen.

Als wir uns eine Woche Filme genau ansahen, merkten wir, dass dieser Schritt zu höflich war. Er betrachtete nur eine Art Karte, die schlichte Ein-Satz-Aussage, und nie die Eröffnungsszene, also den Aufhänger. Der Planer darf aber nur eine Aussage pro Film verwenden und setzt sie fast immer für den Aufhänger ein. So fand das Netz selten eine Karte, die es nehmen durfte, und die Fotos blieben auf der Seite.

In einem Film richtete der Planer sogar die Kamera der Bildschirmaufnahme auf ein Foto auf der Seite: ein deutliches Zeichen, wie sehr der Film dieses Bild wollte.

Wir haben zwei Dinge daran geändert, was das Netz in ein Foto verwandeln darf.

Erstens wird das Schonen des Aufhängers zur Vorliebe statt zur Regel. Die Eröffnungskarte ist jetzt die letzte Kandidatin: Jede andere Textkarte kommt zuerst dran, und der Aufhänger wird nur angefasst, wenn sonst nichts passt.

Zweitens betrachtet das Netz jetzt jede Karte, deren ganzer Inhalt ein Satz ist, den die Erzählstimme ohnehin spricht:

• eine Ein-Satz-Aussage
• eine Titelkarte
• eine Stichpunktliste
• ein Zitat

Karten mit echten Informationen, etwa einer Zahl, einem Vergleich oder einem hochzählenden Wert, werden nie gegen ein Bild getauscht. Und wenn eine Karte zum Foto wird, gehen ihre Worte nicht verloren: Sie werden zur Bildunterschrift, sodass die Szene weiter sagt, was sie sagte, jetzt über etwas, das sich anzusehen lohnt.

Jeder Film trägt einen kurzen Bericht, welche Szenen ein Foto oder ein generiertes Bild verwenden und warum. Bisher entstand er nur, wenn generierte Medien angefordert waren, ein leerer Bericht konnte also heißen, dass nichts verlangt wurde oder dass etwas nicht ankam.

Jetzt schreibt ihn jeder Film, und wenn keine Szene ein Bild trägt, ergänzt der Bericht eine Notiz mit dem Grund. Diese Notiz reist bis ganz nach vorn, in den Editor, in unsere API und zu den KI-Assistenten, die Filme für dich erstellen, damit man auf einen Blick sieht, was passiert ist. So gibt es kein leeres Feld mehr, das zwei verschiedene Dinge bedeuten kann, und wer einen Film prüft, muss nicht mehr raten, warum eine Szene nur Text zeigt.

Die Wirkung sieht man sofort. Eine Seite mit Fotos bekommt jetzt mindestens eine Szene daraus, auch wenn der Planer es vergisst, und der Film zeigt das echte Produkt statt eines Satzes darüber. Wie Szenen aus einer Seite entstehen, siehst du auf unserer Funktionsseite, oder du probierst es mit deiner eigenen Website.

Auch unsere Tests haben sich geändert. Die alten gaben dem Netz ein Storyboard mit einer bequemen Karte in der Mitte, eine Form, die echte Storyboards selten hatten. Die neuen bilden nach, was der Planer wirklich schreibt: eine Aussage als Aufhänger und ein angebotenes, aber übergangenes Foto. Ein Sicherheitsnetz ist nur so gut wie die Filme, an denen man es testet.