Eine Bildwelt in vier Tagen: Wie Wiener Schmäh City entstanden ist

Worum es geht

Wiener Schmäh City ist unser Eigenprojekt für den Herbst 2026: Wien im Illustrationsstil von Videospiel-Ladebildschirmen. Der Parksheriff vergibt drei Strafzettel statt drei Fahndungssternen, der Ober im Kaffeehaus erreicht Grant-Level 5, und am Würstelstand ersetzt ein Auswahlrad mit Eitriger, Buckl und Krokodil das Waffenrad. 30 Motive, 19 Clips, 16 davon mit Wiener Sprechtext. Alle Motive und Clips sind unter dreamland-ai.at/schmaeh-city zu sehen.

Dieser Artikel ist der Werkstattbericht: was in vier Tagen passiert ist, welche drei Regeln die Serie zusammengehalten haben, und welche zwei Fehler Geld gekostet haben.

Regel 1: Ein Startwert, ein Licht

Bildmodelle sind Zufallsmaschinen. Zwei Bilder aus demselben Modell haben ohne Zutun nichts gemeinsam. Eine Serie entsteht erst, wenn man dem Zufall drei Schalter wegnimmt: denselben Startwert für jedes Motiv, eine einzige Lichtbeschreibung für alle (bei uns: Dämmerung, Himmel von Magenta nach Orange, Gesichter von vorne beleuchtet) und die automatische Prompt-Umschreibung aus, die viele Modelle standardmäßig einschalten.

Wir haben das Licht in vier Stufen getestet, von hartem Gegenlicht bis flach. Gegenlicht sah spektakulärer aus und machte jedes Gesicht dunkel. Gewonnen hat die Mitte. Der Test hat 77 Rechen-Credits gekostet, umgerechnet 39 Cent, und uns 30 dunkle Gesichter erspart.

Regel 2: Schrift kommt nie aus dem Modell

Das ist die wichtigste Regel und die, die am häufigsten gebrochen wird. Bildmodelle erfinden Buchstaben. Sie zeichnen ein Schild, und auf dem Schild steht etwas, das aus der Ferne wie „Gumpendorfer Straße“ aussieht und aus der Nähe wie nichts. Für ein Wiener Publikum, das jede Straßentafel kennt, ist das ein Ausschlusskriterium.

Unsere Lösung: Jede Szene wird ohne ein einziges Wort erzeugt. Im Prompt steht ausdrücklich, dass jede Fläche leer bleibt. Straßentafel, Fahndungsleiste, Missionstitel und Auswahlrad setzen wir danach lokal, mit echten Schriftdateien, in einem eigenen kleinen Werkzeug. Das hat drei Folgen: Jedes Wort stimmt. Jede Änderung ist kostenlos, weil das Bild darunter bleibt. Und in den Clips bleibt die Schrift scharf, weil sie als ruhige Ebene über dem bewegten Bild liegt, statt vom Videomodell mitverzerrt zu werden.

Regel 3: Sachkunde schlägt Effekt

Der Käsekrainer wird quer geschnitten, das Buckl ist das Scherzl vom dunklen Brot, das Krokodil ist ein ganzes Essiggurkerl, das 16er Blech kommt aus Ottakring, die U6 ist ockerbraun. Das Modell wusste nichts davon. Es hat den Käsekrainer dreimal als ganzen Laib gezeichnet und den Würstelstand zweimal als amerikanischen Hot-Dog-Wagen vor Hochhäusern. Jedes Mal haben wir das Motiv verworfen und den Prompt so umgeschrieben, dass Wien drinsteht: Altbaudächer, Kirchenkuppel, ein kleiner Kiosk.

Wer das falsch zeichnet, verliert genau das Publikum, für das die Serie gemacht ist. Sachkunde ist hier kein Detail, sie ist das Produkt.

Die Stimmen

Die Clips entstehen aus der stummen Szene: Sie geht ins Videomodell, und die Figuren sprechen ihren Satz auf Wienerisch. „Sperrstund is!“, „Tieferleg'n geht ned, des is a Ross!“, „Der is daham, i schwör!“ Das Modell spricht, ehrlich gesagt, Bühnenwienerisch. Für Wiener Ohren ist der Unterschied zu Ottakring hörbar. Deshalb haben wir ein Werkzeug gebaut, mit dem eine echte Aufnahme über den fertigen Clip gelegt wird, wie beim Synchronisieren im Film: Die Spracherkennung misst in beiden Spuren, wann gesprochen wird, jede aufgenommene Phrase landet dort, wo im Clip die Lippen laufen, und die Modellstimme wird nur in ihren eigenen Fenstern stummgeschaltet. Der Umgebungston bleibt.

Zwei Fehler, die Geld gekostet haben

Der falsche Mund spricht. In einem Dialog zwischen Radfahrer und Fiakerfahrer hat der Radfahrer beide Sätze gesprochen. Die Spracherkennung merkt das nicht, sie transkribiert nur. Man sieht es nur an den Einzelbildern zu den Wortzeitmarken. Seitdem wird jeder Dialog-Clip an den Mündern geprüft, und der Prompt legt den Sprecher über seine Position im Bild fest und schaltet die anderen ausdrücklich stumm. Zweimal übersehen, zweimal 35 Credits.

Verneinungen ziehen das Verneinte ins Bild. „Trainingsanzug ohne Streifen“ brachte drei Streifen. Bildmodelle lesen das Wort, nicht die Verneinung. Man beschreibt stattdessen, was da sein soll: „einfarbiger dunkelgrauer Kapuzenpullover“. Das klingt banal und ist die häufigste Ursache für fremde Marken in KI-Bildern.

Was es gekostet hat

Die gesamte Rechenzeit für 30 Motive, alle Tests, alle Neufassungen und 19 Clips lag bei rund 1.700 Credits, umgerechnet unter neun Dollar. Weniger als ein Kinoticket. Der Rest ist Art Direction, Wiener Sachkunde und vier Tage Arbeit. Das ist die eigentliche Nachricht: Die Rechenzeit ist nicht mehr der Engpass. Der Engpass ist, zu wissen, was man will, und es dreißigmal gleich zu wollen.

Was das für Ihre Marke heißt

Die Methode ist übertragbar. Eine Bildwelt, die über dreißig Motive hält, mit Schrift, die stimmt, in Tagen statt Monaten: für Social-Serien, Kampagnen, Messen, Speisekarten, Schaufenster. Wenn Sie wissen wollen, wie das für Ihr Unternehmen aussähe, schreiben Sie uns. Und schauen Sie sich vorher die Missionen an: dreamland-ai.at/schmaeh-city.