Drei bis sechs Sekunden. Kein Ton. Eine Auflösung unter dem, was die Standbilder derselben Plattform liefern. Bewegung, die bei kleinen Regungen überzeugt — eine Kopfdrehung, Haar, ein Wechsel im Ausdruck — und bei allem auseinanderfällt, was Hände, eine zweite Figur oder einen Kamerawechsel einschließt.
Das Fehlerbild ist spezifisch und konstant: Die erste Sekunde ist gut, das Modell verliert irgendwo in der Mitte die Identität des Subjekts, und die letzte Sekunde ist eine andere Person. Es ist dasselbe Identitätsproblem, das Konsistenz bei Standbildern schwer macht — nur zeigt Ihnen ein Video das Driften in Echtzeit, statt Sie die schlechten Generierungen verwerfen zu lassen.
Text und Hände, ohnehin die schwächste Stelle der Standbildgenerierung, sind in Bewegung schlimmer, weil die Fehler nun von Frame zu Frame flackern.