Jüngste Fortschritte bei der Videodiffusion zeigen eine bemerkenswerte Erzeugung mit hoher Wiedergabetreue, aber die Umwandlung von Clips in kohärente Langzeiterzähl-Engines bleibt herausfordernd. Die meisten bestehenden agentischen Pipelines leiden unter semantischer Drift und kaskadierenden Fehlern aufgrund unabhängiger, handgefertigter Aufforderungen, die oft umfangreiche manuelle Eingriffe erfordern. Bestehende Methoden stehen auch vor Merkmalsdrift und Inhaltskollaps.

Heute stellen wir unsere Forschung zu einem KI-Video-Co-Regisseur vor, einem einheitlichen Multi-Agenten-Framework, das visuelle Kontinuität in Multi-Shot-Erzählungen explizit plant. Als Orchestrierungsschicht über Gemini und Veo aufgebaut, erbt dieses Framework nativ Sicherheitsmechanismen wie Synth ID-Wasserzeichen. Wir haben Frameworks entwickelt — Co-Director (erscheint bei COLM 2026), CANVAS (erscheint bei EMNLP 2026), A²RD und VQQA — die hochrangige menschliche kreative Spezifikation in Ausführung übersetzen.

Diese Frameworks fungieren als reaktionsfähige kreative Partner, die die Lasten der Aufrechterhaltung visueller Kontinuität abstrahieren. In umfassenden Bewertungen zeigt unser Framework erhebliche Gewinne bei der narrativen Konsistenz über mehrere Einstellungen und der Charakterpersistenz, wobei es erfolgreich minutenlange Videos generiert und gleichzeitig visuelle Drift und Pipeline-Fehlerausbreitung mildert.

Um semantische Kohärenz zu gewährleisten, präsentieren wir den KI-Video-Co-Regisseur, ein hierarchisches Multi-Agenten-Framework, das Video-Storytelling als globales Optimierungsproblem formalisiert. Diese Top-Down-Steuerung stellt sicher, dass die gesamte Pipeline unter einer einheitlichen Vision arbeitet und strukturierte Aufforderungen an Gemini- und Veo-Modelle füttert.

Wichtige Entitäten: Unternehmen: Google