Schritt 5 von 7Die Media-Etage
Native Bild-, Video-, Musik- und Sprach-Generierung, tief ins Ökosystem eingebaut. Hier liegt Googles deutlichste Stärke gegenüber Anthropic.
Was in der Etage steht
| Modalität | Modell / Werkzeug | Aufgabe |
|---|
| Bild | Nano Banana (Gemini) | Bilder erzeugen und im Dialog weiterbearbeiten, direkt im multimodalen Gemini-Modell |
| Bild, dediziert | Imagen | Reine Text-zu-Bild-Erzeugung als eigenständiges Modell |
| Video | Veo | Videogenerierung, inklusive Tonspur |
| Musik | Lyria | Musikstücke aus Text- oder Bild-Prompts, mit Songstruktur und Gesang |
| Stimme raus | Gemini TTS | Text als Sprache, steuerbar in Stil, Tempo und Tonfall, auch mit zwei Sprechern |
| Stimme rein | Gemini, Cloud Speech-to-Text | Audio verstehen: transkribieren, übersetzen, Sprecher trennen |
| Werkzeug | Flow | Werkbank über den Modellen: Bilder und Clips, Referenzen, Szenen, Kameraführung |
Bild und Video greifen ineinander
Bei Bildern führt Google zwei Linien. Nano Banana ist der Produktname für die Bildfähigkeit im Gemini-Modell selbst: Du beschreibst ein Bild, gibst Referenzbilder mit und änderst das Ergebnis im Gespräch weiter („nur das Licht wärmer, Rest gleich lassen“). Weil das Weltwissen des Sprachmodells mitläuft, sitzen Text im Bild und Bildlogik zuverlässiger als bei reinen Bildmodellen. Imagen ist die ältere, dedizierte Text-zu-Bild-Linie und bleibt für reine Erzeugung ohne Dialog verfügbar. Für die meisten Fälle ist heute Nano Banana der Standard, besonders wenn du vorhandenes Material bearbeitest statt bei null anzufangen.
Veo erzeugt das Bewegtbild und bringt die Tonspur mit: Dialog und Geräusche entstehen zusammen mit dem Bild, nicht in einem zweiten Durchgang. Der entscheidende Punkt ist aber, dass Veo ein Startbild annimmt. Damit hängen die beiden Modelle zusammen: Erst baust du den ersten Frame im Bildmodell exakt so, wie er sein soll (richtige Figur, richtiges Logo, richtiger Text), dann lässt du ihn animieren. Wer diesen Zwischenschritt überspringt, verhandelt Bildinhalt und Bewegung im selben Prompt und verliert die Kontrolle über beides.
Flow: die Werkbank über den Modellen
Flow ist kein Modell, sondern der Ort, an dem die Modelle zusammenkommen, und deshalb der zweite Verbindungspunkt der Etage. Es erzeugt und bearbeitet Bilder, macht daraus Clips, hält Referenzen über Szenen hinweg konstant (Figuren, Objekte, Orte, dort „Ingredients“ genannt), verlängert und verkettet Einstellungen im Scene Builder und gibt dir Kameraführung an die Hand. Das ist der Unterschied zwischen Modell-Zugang und Werkzeug: Das Modell liefert eine Einstellung, Flow hält den Zusammenhang über mehrere. In Workspace übernimmt Google Vids die einfachere Variante davon, näher an Präsentation als an Film.
Ton: Musik, Stimme, Verstehen
Die Tonseite wird oft übersehen, weil sie nicht unter dem Gemini-Namen läuft. Lyria erzeugt Musik: Stücke mit Intro, Strophe, Refrain und Übergängen, instrumental oder mit Gesang, aus einem Text-Prompt oder aus mitgegebenen Bildern. Es steckt in der Gemini App, in Google Vids und in der API, füllt also genau die Lücke, die Veo offen lässt: Veo liefert den Ton zur Szene, Lyria das Stück darunter.
Bei Sprache gibt es beide Richtungen. Raus: Gemini TTS macht aus Text gesprochene Sprache, mit Stilanweisung im Prompt, vielen Stimmen und Sprachen und Dialogen mit zwei Sprechern. Die Audio-Zusammenfassungen in Gemini Notebook sind die sichtbarste Anwendung davon. Rein: Das Gemini-Modell versteht Audio direkt, es transkribiert, übersetzt, trennt Sprecher und setzt Zeitmarken. Für Echtzeit-Transkription und den klassischen Diktier-Fall gibt es daneben die dedizierte Cloud Speech-to-Text-API. Was gute Sprachausgabe vom bloß vorgelesenen Text unterscheidet, zeigt Vom Text zum Audio.
🔍Wasserzeichen inklusive: Was in dieser Etage entsteht, trägt SynthID, ein für Menschen nicht wahrnehmbares Wasserzeichen im Bild, Video oder Audio. Das ersetzt keine eigene Prüfung, aber es ist ein Baustein davon. Wie du Medien einordnest, deren Herkunft du nicht kennst, zeigt
KI-Medien kritisch bewerten.
Der Unterschied zu einem Zukauf-Setup: Die Media-Modelle sind in die Oberflächen eingebaut. Bilder entstehen in der Gemini App und in Workspace (etwa in Slides und Vids), Videos in der App und in Flow, Musik in App und Vids, und über die Developer API stehen dieselben Modelle programmatisch bereit. Wer Medien-Workflows baut, bleibt im selben Konto, derselben API und derselben Abrechnung.
💡Die Symmetrie zur Schwester-Lesson: Das Anthropic-Ökosystem benennt als seine ehrlichste Lücke die fehlende native Medien-Generierung. Genau diese Lücke ist Googles Stärke. Umgekehrt gilt die Symmetrie auch: Anthropics Tiefe bei agentischem Arbeiten und Code ist der Maßstab, an dem sich Googles Werkzeuge messen lassen müssen.
Für die Praxis heißt das: Ein Erklär-Clip entsteht hier als durchgehende Kette. Key Visual im Bildmodell, derselbe Frame als Startbild nach Veo, Musikbett von Lyria, Sprecherstimme von Gemini TTS, Zusammenhalt über die Szenen in Flow oder Vids. Jeder Schritt gibt dem nächsten sein Material weiter, statt dass du zwischen Werkzeugen exportierst und wieder importierst.
Takeaway
Regel #5: Die Media-Etage ist Googles Differenzierung: Bild, Video, Musik und Stimme nativ im selben Ökosystem, von der App bis zur API. Wer Medien braucht, spart sich hier die Verklebung mehrerer Anbieter.
