Adobe Wonder: KI macht aus einem Foto eine begehbare Szene
Adobe Research macht aus einem Foto eine begehbare Szene mit 16 fps. Was Wonder wirklich kann, was noch fehlt und was das fuer deine B-Roll heisst.
Ich hab letzte Woche zwei Stunden gebraucht, um vier Sekunden B-Roll zu drehen. Slider aufbauen. Licht nachziehen, weil die Sonne weitergewandert ist. Drei Takes, weil beim ersten der Fokus geatmet hat. Abbau.
Vier Sekunden.
Dann hab ich das Paper gelesen, das Adobe Research am 28. Juli veröffentlicht hat. Und hab kurz blöd geschaut.
Adobe Research hat gemeinsam mit der Johns Hopkins University ein Modell gebaut, das aus einem einzigen Foto eine Szene macht, durch die du mit der Kamera fahren kannst. Nicht ein Video, das abläuft. Ein Raum, in dem du dich bewegst. Es heißt Wonder, und du bekommst hier drei Dinge: was es wirklich kann, warum du es heute noch nicht angreifen kannst, und was du trotzdem ab morgen anders machen solltest.
Was Wonder tatsächlich macht
Du gibst dem Modell ein Bild. Oder ein Video. Dann steuerst du eine virtuelle Kamera durch das, was daraus entsteht.
Die harten Zahlen aus dem Paper (arXiv 2607.26037):
- 16 Bilder pro Sekunde in Echtzeit
- 6 Freiheitsgrade für die Kamera: vor, zurück, links, rechts, hoch, runter, plus Drehung
- rund 0,5 Sekunden konstante Latenz, egal wie lange du schon drin bist
- bis zu einer Minute durchgehende Exploration
- Input wahlweise Standbild oder bestehendes Videomaterial
Der Punkt, der mich hängen ließ, ist nicht die Bildrate. Es ist das Wort "konstant".
Warum "persistent" das eigentliche Wort ist
Fahr in einem normalen KI-Video-Modell nach links und wieder zurück. Der Sessel, der vorher da stand, ist ein anderer Sessel. Die Lampe hat die Farbe gewechselt. Das Modell hat sich nicht erinnert, es hat neu geraten.
Wonder erinnert sich.
Das Modell hält die volle Historie und holt sich über eine sparse Attention nur die Teile zurück, die es für den aktuellen Blickwinkel braucht. Kamerabewegung wird dabei nicht als abstrakter Parameter behandelt, sondern in sichtbare Bildinformation übersetzt. Klingt akademisch. Praktisch heißt es: du drehst dich weg, du drehst dich zurück, der Raum steht noch.
Das ist der Unterschied zwischen einem Clip und einer Welt.
Und genau da trennt sich Wonder von dem, was du aus Veo, Sora oder Seedance kennst. Die generieren dir eine Aufnahme. Schön, oft brauchbar, aber abgeschlossen. Willst du denselben Raum aus einem anderen Winkel, würfelst du neu. Wonder ist der Versuch, das Würfeln abzuschaffen.
Der Haken, und der ist groß
Du kannst es nicht benutzen.
Auf der Projektseite steht beim Code "coming soon". Bei HuggingFace steht "coming soon". Es gibt ein Paper, es gibt Demo-Videos, es gibt kein Produkt. Keine App, kein Plugin, kein Beta-Zugang.
Und noch ein Detail, das in den Schlagzeilen untergeht: die Demo-Clips auf der Projektseite laufen nicht nativ mit 32 fps. Sie wurden von 16 auf 32 hochinterpoliert, mit simpler linearer Frame-Interpolation. Die Autoren schreiben selbst dazu, dass das an den Bildrändern kleine Artefakte erzeugen kann.
Das ist keine Kritik. Das ist Forschung, die ehrlich dokumentiert ist. Aber wer daraus "Adobe hat gerade B-Roll abgeschafft" macht, hat das Paper nicht gelesen.
Was das für deine B-Roll bedeutet
Nicht heute. Vermutlich auch nicht in sechs Monaten.
Aber ich mach das seit zehn Jahren, und ich hab diesen Bogen jetzt dreimal gesehen: Paper, dann Demo, dann Plugin, dann Standardfunktion. Bei automatischen Untertiteln waren es ungefähr zwei Jahre vom Paper bis in Final Cut. Bei Auto-Reframe ähnlich. Wonder kommt von Adobe Research. Das ist keine Uni-Gruppe ohne Vertriebsweg, das ist die Vorstufe zu Premiere und After Effects.
Realistisch heißt das für dich:
- Establishing-Shots von Räumen, die du einmal fotografiert hast, werden irgendwann eine Renderfrage statt einer Drehfrage
- Der Dolly-Shot durchs leere Büro, für den du heute anreist, wird ein Regler
- Dein Vorsprung verschiebt sich von "ich kann das aufnehmen" zu "ich weiß, welche Bewegung die Geschichte trägt"
Punkt drei ist der, der zählt. Ich hab in zehn Jahren über 500 Millionen Views gesammelt, ein einzelnes Video davon über 50 Millionen, und keiner dieser Erfolge lag daran, dass ich einen besonders sauberen Slider-Shot hatte. Er lag daran, dass die richtige Bewegung an der richtigen Stelle war.
Was ich ab jetzt konkret anders mache
Eine Sache, und die kostet dich nichts.
Ich fotografiere Räume mit, in denen ich drehe. Nicht als Referenz für die Farbkorrektur, sondern als Rohmaterial für später. Weitwinkel, sauberes Licht, mehrere Positionen, unkomprimiert weg. Ein Kundenbüro, in dem ich heute drehe, ist in drei Jahren vielleicht renoviert. Das Foto von heute ist dann der einzige Weg zurück.
Das Gleiche gilt für Locations, die du magst und nicht nochmal mieten willst. Für Messestände, die nach drei Tagen abgebaut sind. Für alles, was einmalig ist.
Kostet dich zwei Minuten pro Dreh. Und wenn Wonder oder etwas Vergleichbares in Premiere landet, hast du ein Archiv, das andere nicht haben.
Der unpopuläre Teil
Ich glaube nicht, dass dich das arbeitslos macht.
Ich hab genug Kunden im DACH-Raum erlebt, die mit einer generierten Kamerafahrt ankamen und dann gefragt haben, warum sich das falsch anfühlt. Weil eine Bewegung nicht dadurch gut wird, dass sie technisch möglich ist. Eine Kamerafahrt hat eine Absicht: sie enthüllt etwas, sie baut Spannung auf, sie folgt einem Blick. Ein Modell mit sechs Freiheitsgraden gibt dir die Freiheit. Es gibt dir nicht den Grund.
Das Handwerk verschiebt sich vom Aufnehmen zum Entscheiden. Für alle, die ohnehin selbst produzieren statt eine Agentur zu buchen, ist das eher eine gute Nachricht.
Also: Paper überfliegen, Demos anschauen, im Hinterkopf behalten. Und ab morgen bei jedem Dreh drei Fotos vom Raum extra machen.
Wie du KI-Tools sinnvoll in deinen Produktionsalltag einbaust, ohne dass am Ende alles gleich aussieht, diskutieren wir laufend in der ContentWerk Community.
---