Zentrale Ergebnisse
- Native Audio — Ton, der im selben Durchlauf wie das Video erzeugt wird — ist weiterhin die Ausnahme, nicht die Regel.
- Veo, Sora 2, LTX-2, WAN 2.5, PixVerse v5, Grok und die neuesten Kling‑Stufen führen bei In‑Pass‑Audio.
- Viele starke visuelle Modelle sind bewusst stumm — Voiceover, Musik oder SFX legst du danach drüber.
- Für Talking‑Head‑ und Ad‑Workflows verändert native Audio + Lip‑Sync mehr als ein reiner Qualitätssprung im Bild.
Native Audio vs. hinzugefügter Ton
Unter „KI‑Video mit Ton“ verstehen Menschen zwei sehr verschiedene Dinge. Üblich ist der nachträglich hinzugefügte Ton — du erzeugst einen stummen Clip und legst dann Voiceover, Musikbett oder Soundeffekte darüber. Seltener und eindrucksvoller ist native Audio: Das Modell synthetisiert den Ton im selben Generationsdurchlauf wie das Bild, sodass Schritte auf Tritte fallen, Lippen zu Worten passen und die Atmosphäre zur Szene stimmt.
Native Audio ist schwieriger und 2026 weiterhin die Ausnahme. Wir haben jedes Modell auf Vivideo geprüft, um zu sehen, welche tatsächlich Ton im Pass erzeugen und welche bewusst stumm sind.
Die Modelle, die es können
Eine Handvoll Spitzenmodelle erzeugt inzwischen native Audio: Googles Veo‑Reihe, OpenAI Sora 2, Lightricks LTX-2, Alibabas WAN 2.5, PixVerse v5, xAI Grok Video und die neuesten Kling‑Stufen. Der Rest — viele davon exzellent bei Bewegung und Realismus — rendert stumm, und du fügst den Ton in der Post hinzu.
| Native Audioausgabe | Bewusst stumm (Audio danach hinzufügen) |
|---|---|
| Veo 3.1 / Veo 3.1 Fast | Hailuo (die meisten Stufen) |
| Sora 2 / Sora 2 Pro | Luma Ray 2 |
| LTX-2 / LTX-2 Pro | Pika, Vidu |
| WAN 2.5 · PixVerse v5 · Grok | Hunyuan, CogVideoX, Marey |
Listen sind Richtwerte und bewegen sich schnell, da Labs neue Versionen liefern — Vivideo pflegt die Live‑Fähigkeitsflags je Modell.
Warum das für deinen Workflow zählt
Für reines B‑Roll ist native Audio kaum relevant — du würdest ohnehin vertonen. Entscheidend wird es bei Dialog und Ads: Ein Modell, das Stimme und passende Mundbewegung in einem Durchlauf erzeugt, faltet eine mehrstufige Pipeline (Generieren → Voiceover → Lip‑Sync) in einen einzigen Render zusammen. Für Talking‑Head‑, UGC‑ und Ad‑Creator ist dieser Workflow‑Sprung oft wertvoller als ein marginaler Zuwachs an Bildtreue.
Die Faustregel auf Vivideo: Wenn dein Clip sprechen muss, starte mit einem Modell mit nativer Audioausgabe; wenn er nur gut aussehen soll, wähle nach Bildqualität und füge den Ton im Editor hinzu.
