Trained to Imagine
Rendering
Creative Intelligence
AI Research / Breakthroughs

Runway liefert ein World Model und ergänzt Gen-4.5 um natives Audio

Quelle: TechCrunch ·

Runway veröffentlichte GWM-1, ein World Model mit Frame-für-Frame-Vorhersage und internem Physikverständnis — dazu ein Gen-4.5-Update mit nativem Audio und einminütiger Multi-Shot-Generierung bei Charakterkonsistenz.

TTI-Takeaway

Multi-Shot-Generierung mit Charakterkonsistenz ist die Fähigkeit, die aus einem Demo eine Szene macht. Konsistenz über Schnitte hinweg war der größte Grund, warum generative Arbeit vor dem Schnitt scheitert — genau der Teil, den unsere Pipeline mit Referenzen, Comp und Cleanup lösen musste. Jeder Fortschritt der Modelle hier verlagert Arbeit nach vorn.

Analyse

Hier kamen zwei Ankündigungen zusammen, die zu unterschiedlichen Zeitachsen gehören. Das Gen-4.5-Update ist ein Produktionswerkzeug, das ab sofort allen zahlenden Runway-Kund:innen zur Verfügung steht. GWM-1, das erste World Model des Unternehmens, ist eine Forschungsrichtung, die Runway selbst ebenso für Robotik und das Training von Agenten bewirbt wie fürs Filmemachen. Wer beides als eine Geschichte liest, übersieht: Das eine verändert, was ein Schnitt nächste Woche kann, das andere, wie Previs und Virtual Production in ein, zwei Jahren aussehen könnten.

Auf der Videoseite bringt das Gen-4.5-Update laut TechCrunch natives Audio und lange Multi-Shot-Generierung: einminütige Videos mit Charakterkonsistenz, nativen Dialogen, Hintergrundton und komplexen Einstellungen aus verschiedenen Winkeln. Vorhandenes Audio lässt sich bearbeiten, Dialog hinzufügen, und Multi-Shot-Videos beliebiger Länge sind editierbar. Das Basismodell Gen-4.5 war Anfang desselben Monats an die Spitze des Video-Arena-Rankings gestartet, vor Google und OpenAI. Mit dem Update rückte Runway näher an Klings All-in-one-Suite heran, die im selben Monat erschien.

GWM-1 arbeitet mit Frame-für-Frame-Vorhersage und baut eine Simulation auf, die Physik und das Verhalten der Welt über die Zeit abbildet. Es erscheint in drei Varianten – GWM-Worlds, GWM-Robotics und GWM-Avatars –, technisch getrennte Modelle, die Runway später zusammenführen will. Mit GWM-Worlds legt man eine Szene per Prompt oder Referenzbild an und erkundet sie, während das Modell Geometrie, Physik und Licht erzeugt, bei 24 fps und 720p. CTO Anastasis Germanidis beschrieb die Wette offen: Für ein World Model habe man zuerst ein sehr gutes Videomodell gebraucht, und die Vorhersage von Pixeln in großem Maßstab sei der Weg zu allgemeiner Simulation.

Für Werbe- und Musikvideoteams betreffen die Gen-4.5-Änderungen zwei Phasen zugleich. Multi-Shot-Generierung mit konsistenten Figuren heißt, dass die Auflösung einer kurzen Szene als Sequenz entstehen kann, statt aus unzusammenhängenden Clips zusammengesetzt zu werden. Das verringert die Referenz- und Cleanup-Arbeit, die Schnitte tragfähig macht, beseitigt sie aber nicht. Komplizierter ist der native Dialog. Generierte Stimmen und Lippensynchronität sind praktisch für Animatics und Temp-Schnitte, aber alles, was in die finale Mischung gelangt, wirft dieselben Fragen zu Zustimmung und Stimmrechten auf, um die Europas Synchronsprecher:innen kämpfen. Wir würden natives Audio standardmäßig als Scratch-Track behandeln und vor der Lieferung wie jede andere Stimme klären.

GWM-Worlds liest man am besten als künftiges Werkzeug für Locations und Blocking. 720p ist keine Lieferauflösung, und zu Sitzungslänge oder Persistenz nennt der Bericht in diesem Stadium keine Zahlen. Der Wert liegt darin, dass Regie oder Kamera einen Raum begehen können, bevor man sich auf ein Set, eine Bühne oder ein LED-Volume festlegt. Das ist ein Previs-Einsatz, kein Finishing, und sollte am Previs-Workflow gemessen werden, den er ersetzen würde, nicht an finalen Pixeln.

Die Fortsetzung zählt so viel wie der Launch. Neun Monate später kam GWM Worlds 2 mit durchgehendem 720p-Stream bei 24 fps, 48-kHz-Audio und ohne feste Sitzungslänge, während Runway Qualitätsverluste bei schnellen Kameraschwenks und ein unvollständiges Langzeitgedächtnis einräumte. Die Auflösung hat sich nicht bewegt, Sitzungslänge und Audio schon. Diese Entwicklung, zusammen mit Forschung wie Mise-en-Video zur Inszenierung von Multi-Shot-Generierung in 3D, deutet darauf hin, dass Konsistenz und Steuerbarkeit schneller besser werden als die Ausgabeauflösung. Für die Planung heißt das: Generative Arbeit wandert weiter nach vorn in Entwicklung und Previs, bevor sie verlässlich im finalen Frame ankommt.