Video-Generierung

Bedarfssignatur

Was es ist & Reifegrad

Generierung bewegter Bilder aus Text-Prompts, Standbildern oder vorhandenem Videomaterial. Anwendungen: Marketing-/Social-Clips, Pre-Visualisierung in Film/Werbung, Produkt- und Erklärvideos, perspektivisch Stock-Footage-Ersatz.

Architektur (technischer Kontext): Die führenden Video-Modelle sind Diffusionsmodelle (Diffusionsmodell — ein Generator, der aus Rauschen schrittweise ein Bild/Video „herausfiltert") mit Transformer-Rückgrat (Transformer — neuronale Architektur mit Aufmerksamkeitsmechanismus, Grundlage moderner Generativmodelle), oft „Diffusion Transformer" genannt. Sie arbeiten meist im Latent Space (latenter Raum — eine komprimierte numerische Repräsentation, in der das Modell rechnet statt auf rohen Pixeln), erzeugt und zurückübersetzt durch einen VAE (Variational Autoencoder, ein lernender Encoder/Decoder zwischen Pixeln und Latent Space). Der erzeugte Latent-Tensor wird zu Frames dekodiert und am Ende über einen Codec (Coder-Decoder, Kompressionsverfahren wie H.264/H.265) in eine Videodatei verpackt. Die Token-Logik (Token — kleinste Verarbeitungseinheit; bei Video Raum-Zeit-Patches statt Wörter) entscheidet mit über Speicher- und Compute-Last: mehr Raum-Zeit-Token = mehr Auflösung × Bildanzahl = mehr Last.

IP-Intensität (Einschätzung): hoch — der Burggraben der Modell-Anbieter beruht auf proprietären Architekturen, kuratierten Trainingskorpora, Rechenskalierung und Trainings-Know-how. Für die Speicher-These ist das eine Eigenschaft der Modell-Ebene, nicht der Speicher-Hardware: NAND-/DRAM-Standardspeicher bleibt Commodity (IP-Intensität: niedrig), während der differenzierte Beschleuniger- und HBM-Teil bei den Hardware-Akteuren liegt.

Reifegrad (Einschätzung): früh, aber mit hoher Entwicklungsgeschwindigkeit. Clip-Länge, zeitliche Konsistenz, Auflösung (Pixel-Raster wie 1080p/4K) und Steuerbarkeit verbessern sich schnell; die Stückkosten je Sekunde sinken, bleiben aber hoch im Vergleich zu Text/Bild. Produktionsreife für längere, kohärente Sequenzen ist noch nicht durchgängig erreicht.

Stand der Dinge / Dynamik

Beim nächsten Review hier aktualisieren — das ist der lebende Teil der Seite.

• Modelllandschaft: Mehrere Text-zu-Video-Modellfamilien konkurrieren — u. a. Sora (OpenAI), Veo (Google DeepMind), Runway sowie Kling (Kuaishou). Das sind Modell-/SaaS-Anbieter ohne eigenen Hardware-/Halbleiter-Dossier-Anspruch und werden daher hier nicht als fehlendes Dossier markiert. Konkrete Versionen/Fähigkeiten beim Review nachtragen. (Sekundärinfo, Anbieter-Seiten verlinkt.)
• Fähigkeits-Frontier: Trend zu längeren Clips, höherer Auflösung, besserer zeitlicher Konsistenz und Audio-Synchronität.
• Adoption: Wächst in Marketing/Social; Stückkosten und Rechtefragen (Trainingsdaten) sind die Bremsen. Adoptionsgrad mit harten Zahlen noch zu belegen — bislang nur Sekundär-Marktreports (siehe Kennzahlen).
• Hardware-Seite: Training und Generierung laufen auf Datacenter-Beschleunigern — überwiegend GPUs von Nvidia (siehe Teilmarkt Chip-Fertigung). Der Storage-Unterbau (NAND/SSD) speist die Arbeitsspeicher-These auf der Flash-Seite.
• Kostenrichtung: $/Sekunde generiertes Video sinkt, ist aber Größenordnungen über $/Bild — was die Compute- und Storage-Last je Nutzungseinheit hoch hält.

Aussagen hier sind aktuell Einschätzungen/Sekundärinfos. Vor Verwendung in der These mit Primär-/belastbaren Quellen härten.

Treiber-Mechanik → Hardware

Warum Video gerade Storage (und Compute) zieht:

Storage je Minute generiertem Video nach Auflösung

Zeitraum: Stand 2026 · Einheit: Megabyte (MB) je Minute fertiges Video · Annahme: 30 fps, SDR, H.264-Codec, YouTube-empfohlene Upload-Bitraten; Rechnung MB/min = Mbps × 60 / 8. Illustrative Ingenieur-Rechnung, keine Modell-spezifische Messung — zeigt die Größenordnung, in der Auflösung das Output-Volumen treibt.

Quelle: YouTube — empfohlene Upload-Encoding-Einstellungen (Bitraten je Auflösung, SDR, 30 fps). Rohdaten: assets/data/video-storage-je-minute.csv. 4K als Mittelwert der empfohlenen 35–45 Mbps. Generative Modelle erzeugen Frames; das Ausgabevolumen hängt zusätzlich von Codec, Bildrate und Bewegungskomplexität ab — die Werte sind Größenordnungs-Anker, keine Obergrenze.

Kennzahlen

Quantitative Anker — vor Eintrag belegen (Quelle, Zeitraum, Einheit, reported/geschätzt).

Marktgröße/CAGR sind Sekundär-Schätzungen mit auffällig weiter Spanne (Methodik/Marktabgrenzung der Häuser unterscheiden sich stark) — nur als grober Richtungsanker zu lesen, vor These-Verwendung gegen Primärquellen härten. Die Storage-MB-Werte sind eigene Rechnung aus Codec-Bitraten (siehe Diagramm oben). Übrige Zeilen Platzhalter — belegte Rohdaten nach assets/data/ legen und mit dieser Tabelle synchron halten.

Edge vs. Datacenter

Vollständig Datacenter: sowohl Training als auch Inferenz (Generierung) laufen auf Beschleunigern im Rechenzentrum. Kein nennenswerter Edge-Anteil. Damit zählt Video voll für Datacenter-Compute und -Storage.

Bedeutung für die Speicher-/Storage-These

Beobachten / offene Fragen

• Stückkosten je Sekunde Video und ihr Verlauf — entscheidend für Massen-Adoption und damit Storage-Volumen.
• Verhältnis Trainings-Storage zu Output-Storage über die Zeit.
• Welche Plattformen Video-Generierung in großem Maßstab in Produkte einbauen (Social, Werbung).
• Rechte-/Lizenzfragen bei Trainingsvideos als möglicher Adoptions-Bremser.

Quellen & Update-Log

Quellen mit klickbaren Links (Primär- vor Sekundärquellen). Marktzahlen sind Sekundär-Schätzungen mit weiter Spanne; Storage-Größenordnungen sind eigene Rechnung aus Codec-Bitraten.

Update-Log