So gelingt ein KI-Video mit Seedance 2.5, das wirklich wie das Original aussieht
Der virale Clip mit dem Künstler Bulin 47, der auf einer Straße in Spanien einen Dembow-Freestyle improvisiert, wurde mit Seedance 2.5 erstellt. Das Team teilt die Erkenntnisse daraus, wie realistische KI-Videos gelingen.
Wenn man im Oktober auf TikTok oder Reels war, hat man den Bulin-47-Clip sicher gesehen: Der dominikanische Künstler Bulin 47 improvisiert einen Dembow-Freestyle auf einer Straße in Spanien, während Kevin Wai einen portablen Lautsprecher hält und eine Menge unter rotem Licht filmt. Das Duo veröffentlichte den Track "Dame Hombro" später (7. Oktober 2026), und der Clip wurde zu einem KI-Trend: Die Menschen ersetzen Bulin 47 durch sich selbst, einen Freund oder ein Haustier und lassen alles andere unverändert.
Wir haben ein kleines Tool gebaut, das für diesen Trend nur ein Foto benötigt, und die letzten zwei Wochen damit verbracht, echte Nutzerergebnisse zu analysieren. Dieser Beitrag ist keine Feature-Liste. Es ist eine Sammlung praktischer Hinweise dazu, was ein Bulin-47-KI-Video wie die Person auf dem Foto aussehen lässt, denn das erwies sich als der schwierigste Teil und die Stelle, an der die meisten Ergebnisse schiefgehen.
Es gibt zwei Möglichkeiten, einen solchen Clip zu erstellen:
Image-to-video: Man gibt einem Modell ein Foto und einen Prompt wie "ein Mann freestyled vor einem Club mit einem Lautsprecher". Man erhält eine neue Szene. Das kann Spaß machen, aber es ist nicht der Clip: Kamera, Menge und Timing sind anders. Video Editing (Subject Replacement): Man gibt dem Modell den Original-Clip als Referenz plus ein Foto und bittet es, eine Person zu ersetzen. Kamerabewegung, Menge, Beleuchtung und Rhythmus bleiben gleich. Das meinen die Menschen, wenn sie vom "Bulin-47-KI-Video" sprechen.
Wir nutzen Seedance 2.5 reference-to-video im Editing-Modus: Der Referenz-Clip wird als [Video1] übergeben, das Foto des Nutzers als [Image1], das Seitenverhältnis folgt der Referenz, und die Ausgabelänge orientiert sich am Referenz-Clip (wir bieten 15 und 30 Sekunden an).
Lektion 1: Die Audiospur aus dem Referenz-Clip entfernen
Unsere ersten Versuche mit der im Referenz-Clip belassenen Original-Audio wurden abgelehnt. Die Lösung war einfach: einen stummen Referenz-Clip senden und ohne Audio generieren. Wenn man den Original-Sound im finalen Video möchte, fügt man die Audiospur nach der Generierung wieder hinzu, indem man sie in die MP4 remuxt (kein Re-Encoding nötig). Wir liefern zwei Dateien: eine mit dem Original-Sound und eine stumme Kopie für Nutzer, die den Sound lieber direkt in TikTok auswählen möchten.
Lektion 2: Dem Modell genau sagen, wer ersetzt werden soll
Im Original-Clip befinden sich mehrere Personen im Bild. Wenn der Prompt nur sagt "ersetze den Mann", wählt das Modell manchmal die falsche Person. Beschreibe das Ziel über Position und Kleidung, nicht über den Namen: der Performer im offenen blassrosa Hemd, der hinter der Person mit dem portablen Lautsprecher steht.
Bulin 47 trägt im Clip eine dunkle Sonnenbrille. Wenn das Modell sie entfernt, um das neue Gesicht zu zeigen, hat es oft keine Vorstellung davon, wie die Augen aussehen sollten, und in frühen Ergebnissen waren die Augen geschlossen oder halb geschlossen. Eine Zeile im Prompt behob die meisten Fälle:
Seine Augen sind deutlich geöffnet und wirken natürlich, mit normalem Blinzeln, und er blickt in die Kamera und zur Menge. Er trägt nur dann eine Sonnenbrille, wenn er sie auch auf dem Foto trägt.
Lektion 4: Ganzkörperfotos sind der Hauptgrund für "das bin nicht ich"
Das war der größte Punkt. Unsere häufigste Beschwerde war ein Gesicht, das runder oder "verwaschen" wirkte. Als wir die Uploads mit den Ergebnissen verglichen, war das Muster klar: Die Menschen laden Ganzkörperfotos hoch, auf denen das Gesicht vielleicht 5–10 % der Bildbreite einnimmt. Das Modell erhält nur sehr wenige Pixel des Gesichts und füllt die Lücken daher mit den Merkmalen des Original-Performers. Auch die Mimik spielt eine Rolle: Der Original-Performer lacht viel, und ein lachendes Gesicht ist breiter.
Drei Änderungen machten einen sichtbaren Unterschied:
Das richtige Foto anfordern. Ein klares, hochauflösendes Foto von der Brust aufwärts, frontal zur Kamera, bei gleichmäßigem Licht, ohne Sonnenbrille und ohne andere Personen. Wir zeigen vier kleine Beispiele neben dem Upload-Feld (ein gutes, drei häufige Fehler).
Automatisches Zuschneiden im Browser. Wenn das Gesicht im Bild klein ist, erkennen wir es mit einem leichten Face-Detector (etwa 0,5 MB, läuft lokal) und schneiden das Foto vor dem Senden auf Brusthöhe zu. Der Nutzer kann weiterhin das Original wählen.
Ein Gesichts-Close-up als zweite Referenz senden. Aus demselben Foto schneiden wir ein quadratisches Close-up des Gesichts aus (etwa das 1,8-fache der Gesichtsbreite, inklusive Haaren, Ohren, Bart und Kinn, skaliert auf 1024×1024) und übergeben es als [Image2]. Der Prompt besagt dann, dass [Image1] und [Image2] dieselbe Person zeigen und dass das Gesicht [Image2] entsprechen muss.
In unseren Side-by-Side-Tests führte dies zu einer deutlich höheren Ähnlichkeit als ein einzelnes Foto. Lektion 5: Das Gesicht positiv beschreiben
Unser erster Ähnlichkeits-Prompt war voller "nicht": nicht den Original-Performer einblenden, das Gesicht nicht runder machen. Die Ergebnisse änderten sich kaum. Die Umformulierung als positive Beschreibung funktionierte besser:
Sein Gesicht entspricht exakt [Image2]: dieselbe Gesichtsform, dieselben Augen, Augenbrauen, Nase, Lippen, dieselbe Kinnlinie, derselbe Bartwuchs und der gleiche Hautton. Seine Frisur und Kleidung entsprechen [Image1]. Er ist in jeder Frame deutlich als dieselbe Person erkennbar, auch wenn er lächelt, lacht oder den Kopf dreht.
Lektion 6: Auflösung und Länge Bei 480p ist das Gesicht in diesem Clip nur wenige Dutzend Pixel breit, daher sind feine Details begrenzt. Die HD-Ausgabe erhält mehr Gesichtsdetails. Längere Clips weichen stärker ab. Eine 15-sekündige Version bleibt tendenziell näher am Foto als eine 30-sekündige. Die Generierung braucht Zeit: Ein 15-sekündiger Clip dauert in der Regel etwa 10 Minuten, ein 30-sekündiger Clip länger. Teile den Nutzern mit, dass sie die Seite schließen können und eine E-Mail erhalten, sobald es fertig ist, sonst halten viele das Tool für defekt. Ein Hinweis zum verantwortungsvollen Umgang
Verwende nur Fotos von dir selbst oder von Erwachsenen, die zugestimmt haben, und verwende keine Fotos von Prominenten oder öffentlichen Persönlichkeiten. Markiere KI-Videos als KI, wenn du sie veröffentlichst. Der Original-Freestyle und der Song gehören Bulin 47 und Kevin Wai: Wenn dir der Track gefällt, stream "Dame Hombro" auf den offiziellen Plattformen.
Wenn du diese Ideen in der Praxis sehen möchtest: Unser Bulin-47-KI-Video-Generator nimmt ein Foto entgegen und liefert ein vertikales 15- oder 30-sekündiges MP4 mit dem Original-Sound plus einer stummen Kopie zurück. Es ist ein unabhängiges Fan-Tool, weder mit Bulin 47 noch mit Kevin Wai verbunden. Credit-Pakete sind Einmalzahlungen (neue Nutzer können ihr erstes Video für 4,99 $ erstellen), und fehlgeschlagene Generierungen werden automatisch erstattet. Es gibt außerdem eine kurze Schritt-für-Schritt-Anleitung mit Foto-Tipps.
Wenn du etwas Ähnliches baust, hoffe ich, dass dir diese Hinweise ein paar Testläufe ersparen.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
If you have been on TikTok or Reels this October, you have seen the Bulin 47 clip: the Dominican artist Bulin 47 improvising a dembow freestyle on a street in Spain while Kevin Wai holds a portable speaker, and a crowd films it under red lights. The duo later released the track "Dame Hombro" (October 7, 2026), and the clip turned into an AI trend: people replace Bulin 47 with themselves, a friend, or a pet, and keep everything else.
We built a small one-photo tool for this trend and spent the last two weeks looking at real user results. This post is not a feature list. It is a set of practical notes on what makes a Bulin 47 AI video look like the person in the photo, because that turned out to be the hardest part, and the place where most results go wrong.
There are two ways to make this kind of clip:
Image-to-video: give a model a photo and a prompt like "a man freestyling outside a club with a speaker". You get a new scene. It may be fun, but it is not the clip: the camera, the crowd and the timing are different. Video editing (subject replacement): give the model the original clip as a reference plus a photo, and ask it to replace one person. The camera movement, crowd, lighting and rhythm stay the same. This is what people actually mean by "the Bulin 47 AI video".
We use Seedance 2.5 reference-to-video in its editing mode: the reference clip is passed as [Video1], the user's photo as [Image1], the aspect ratio is set to follow the reference, and the output length follows the reference clip (we offer 15 and 30 seconds).
Lesson 1: strip the audio from the reference clip
Our first attempts with the original audio left in the reference were refused. The fix was simple: send a silent reference clip and generate without audio. If you want the original sound in the final video, add the audio track back after generation by remuxing it into the MP4 (no re-encoding needed). We deliver two files: one with the original sound and one silent copy for people who prefer to pick the sound inside TikTok.
Lesson 2: tell the model exactly who to replace
The original clip has several people in frame. If the prompt just says "replace the man", the model sometimes picks the wrong person. Describe the target by position and clothing, not by name: the performer in the open pale-pink shirt, standing behind the person holding the portable speaker.
Bulin 47 wears dark sunglasses in the clip. When the model removes them to show the new face, it often has no idea what the eyes should look like, and early results had closed or half-closed eyes. One line in the prompt fixed most cases:
His eyes are clearly open and natural, with normal blinking, looking at the camera and the crowd. He wears sunglasses only if he wears them in the photo.
Lesson 4: full-body photos are the main reason for "it doesn't look like me"
This was the big one. Our most common complaint was a face that looked rounder or "averaged". When we compared the uploads with the results, the pattern was clear: people upload full-body photos, where the face is maybe 5–10% of the image width. The model gets very few pixels of face, so it fills the gaps with the original performer's features. Expressions matter too: the original performer laughs a lot, and a laughing face is wider.
Three changes made a visible difference:
Ask for the right photo. A clear, high-resolution, chest-up photo, facing the camera, in even light, with no sunglasses and no other people. We show four small examples next to the upload box (one good, three common mistakes).
Auto-crop in the browser. If the face is small in the frame, we detect it with a lightweight face detector (about 0.5 MB, running locally) and crop the photo to chest-up before sending it. The user can still choose the original.
Send a face close-up as a second reference. From the same photo we cut a square close-up of the face (about 1.8× the face width, including hair, ears, beard and chin, resized to 1024×1024) and pass it as [Image2]. The prompt then says that [Image1] and [Image2] show the same person and that the face must match [Image2].
In our side-by-side tests this gave a much closer likeness than a single photo. Lesson 5: describe the face positively
Our first likeness prompt was full of "do not": do not blend the original performer, do not make the face rounder. Results barely changed. Rewriting it as a positive description worked better:
His face matches [Image2] exactly: the same face shape, eyes, eyebrows, nose, lips, jawline, facial hair and skin tone. His hairstyle and clothing match [Image1]. He is clearly recognizable as the same person in every frame, including when he smiles, laughs or turns his head.
Lesson 6: resolution and length At 480p the face in this clip is only a few dozen pixels wide, so fine details are limited. HD output keeps more facial detail. Longer clips drift more. A 15-second version tends to stay closer to the photo than a 30-second one. Generation takes time: a 15-second clip usually takes around 10 minutes, a 30-second clip longer. Tell users they can close the page and get an email when it is ready, otherwise many will think it is broken. A note on responsible use
Only use photos of yourself or of adults who agreed to it, and do not use photos of celebrities or public figures. Label AI videos as AI when you post them. The original freestyle and the song belong to Bulin 47 and Kevin Wai: if you like the track, stream "Dame Hombro" on the official platforms.
If you want to see these ideas in practice, our Bulin 47 AI video generator takes one photo and returns a vertical 15- or 30-second MP4 with the original sound plus a silent copy. It is an independent fan tool, not affiliated with Bulin 47 or Kevin Wai. Credit packs are one-time payments (new users can make their first video for $4.99), and failed generations are refunded automatically. There is also a short step-by-step guide with photo tips.
If you are building something similar, I hope these notes save you a few test runs.