Warum Figuren in KI-Videos auseinanderfallen
Wer zum ersten Mal eine mehrteilige Szene mit einem Text-zu-Video-Werkzeug produziert, erlebt fast immer denselben Effekt: Der erste Clip sitzt, der zweite wirkt wie ein Cousin dritten Grades. Die Nase wird länger, der Haaransatz wandert nach oben, die Jacke wechselt von Marineblau zu Anthrazit. Das ist kein Pech und auch kein Zeichen dafür, dass das Modell „schlecht" ist. Jedes generative Modell zieht aus einem Prompt eine neue Stichprobe aus einem sehr großen Wahrscheinlichkeitsraum. Ohne feste Ankerpunkte entscheidet der Zufall mit – und der Zufall hat kein Gedächtnis.
Der Unterschied zwischen einem hübschen Einzelclip und einer echten Serie liegt deshalb nicht im Prompt, sondern in der Referenzarchitektur. Genau hier setzt das an, was im Folgenden als Multi-Image-Fusion bezeichnet wird: ein Figurenprofil aus mehreren Referenzbildern, das über alle Szenen hinweg mitgeführt, kalibriert und in Keyframes übersetzt wird. Statt zu hoffen, dass das Modell die Figur „versteht", gibst du ihm mehrfach dieselbe visuelle Signatur zur Hand – aus verschiedenen Winkeln, in verschiedenen Lichtsituationen, mit konsistenten Materialien.
Dieser Text ist bewusst als Werkstattanleitung aufgebaut. Du bekommst zuerst das mentale Modell, dann den Aufbau eines Figurenprofils, danach die Keyframe-Planung, die Modellwahl, einen kompletten Sechs-Schritte-Workflow, typische Fehlerbilder mit Gegenmitteln und am Ende eine FAQ für die Fragen, die beim Arbeiten tatsächlich auftauchen.
Das Grundprinzip: Referenzfusion statt Prompt-Glück
Ein Prompt beschreibt eine Figur in Sprache. Sprache ist aber verlustbehaftet: „junge Frau mit dunklen Locken und Sommersprossen" lässt tausende Gesichter zu. Ein Referenzbild dagegen überträgt Pixel – und Pixel tragen Information, die sich nicht in Adjektive übersetzen lässt. Multi-Image-Fusion kombiniert beides: Der Prompt setzt die Szene, die Referenzen setzen die Identität.
Warum ein einzelnes Referenzbild selten reicht
Ein einzelnes Bild verankert vor allem das, was darauf zu sehen ist: die Frontansicht bei Tageslicht. Sobald die Kamera in der nächsten Szene von der Seite kommt oder das Licht auf Abendrot wechselt, muss das Modell den Rest erfinden. Genau in dieser Lücke entsteht Drift. Mehrere Referenzen wirken wie mehrere Zeugen, die sich gegenseitig korrigieren: Das Modell kann aus ihnen die Merkmale ableiten, die über alle Winkel stabil bleiben – Abstand der Augen, Form des Kinns, Kontur der Frisur, Farbton der Kleidung.
Die Referenzsignatur: Was das Modell wirklich übernimmt
Praktisch relevant sind vier Ebenen, die jede Referenz transportiert:
- Geometrie: Proportionen, Kopfform, Körperbau, Haltung.
- Textur: Hautbeschaffenheit, Haarstruktur, Stoffe, Glanz.
- Farbsignatur: Grundton der Haut, Palette der Kleidung, Sättigungsniveau.
- Stilsignatur: Rendering-Look, Grad der Realitätstreue, Kontrastverhalten.
Wenn diese vier Ebenen in allen Referenzen übereinstimmen, entsteht ein stabiler Vektor. Widersprechen sie sich, mittelt das Modell – und Mittelwerte sehen bei Gesichtern fast immer falsch aus. Ein häufiger Anfängerfehler ist ein Set aus fünf Bildern, die zwar dieselbe Figur zeigen, aber unterschiedlich stark geschminkt, unterschiedlich belichtet und unterschiedlich zugeschnitten sind. Besser sind wenige, dafür sauber konsistente Referenzen.
Kalibrierung über mehrere Modelle
Jedes Videomodell hat eine eigene Vorstellung davon, wie stark es Referenzen gewichtet. Manche übernehmen Gesichtszüge sehr treu, vernachlässigen aber die Kleidung. Andere halten den Look stabil, lassen aber die Gesichtsanatomie wandern. Deshalb lohnt eine kurze Kalibrierungsrunde: Rendere dieselbe stille Einstellung der Figur mit jedem in Frage kommenden Werkzeug, aus demselben Figurenprofil. Vergleiche anschließend Gesicht, Kleidung und Farbstimmung. Was du dabei lernst, gilt für die gesamte Produktion.
Ein Figurenprofil aufbauen, das hält
Das Figurenprofil ist dein wichtigstes Asset – wichtiger als jeder einzelne Prompt. Behandle es wie eine Designvorlage, nicht wie einen Fundus.
Pflichtansichten und Lichtsituationen
Ein belastbares Profil enthält mindestens fünf Bilder:
- Frontal, neutrales Licht: die Referenz, auf die alles andere ausgerichtet wird.
- Dreiviertelansicht: zeigt Wangenknochen, Kinnlinie, Nasenprofil in Ansätzen.
- Profil: unverzichtbar, damit sich die Kopfform nicht verschiebt.
- Halbnah im Gegenlicht: prüft, ob Konturen und Haare stabil bleiben.
- Ganzkörper oder Halbfigur: verankert Proportionen und Kleidung.
Wenn deine Figur im Video bei Nacht auftritt, ergänze eine Nachtszene-Referenz. Wenn sie rennt, springt oder kämpft, ergänze eine Bewegungsreferenz. Faustregel: Jede im Drehbuch geplante Licht- oder Bewegungssituation, die nicht im Profil vorkommt, ist eine Erfindung des Modells.
Kleidung, Frisur, Requisiten
Kleidung ist erstaunlich schwer stabil zu halten, weil Modelle Stoffe gern „aufhübschen". Fixiere jedes Kleidungsstück mit einem eigenen Bild und beschreibe es im Prompt immer gleich: gleiche Reihenfolge der Adjektive, gleiche Materialbegriffe, gleiche Farbnamen. Wähle Farben, die nicht in der Nähe anderer dominanter Farben liegen – ein mittleres Grau ist stabiler als ein fast-schwarzes Anthrazit, das je nach Modell ins Blau kippt.
Requisiten wie Brille, Narbe, Ohrring oder eine bestimmte Tasche sind starke Identitätsmerkmale. Sie sind gleichzeitig Risikofaktoren, weil Modelle sie gern weglassen oder verdoppeln. Entscheide pro Requisit: Entweder es ist in jeder Szene sichtbar, oder es ist bewusst abwesend. Halbherzigkeiten erzeugen Kontinuitätsfehler, die im Schnitt sofort auffallen.
Was du weglassen solltest
Entferne aus dem Profil alles, was nur einmal gültig ist: Requisiten der Szene 3, ein vorübergehendes Make-up, ein saisonaler Hintergrund. Referenzbilder sind keine Storyboard-Zeichnungen. Je reiner das Profil die Figur zeigt, desto klarer das Signal.
Keyframes und Szenenübergänge planen
Bewegtbild entsteht aus Zuständen. Wenn du die entscheidenden Zustände vorab definierst, wird Konsistenz zu einem planbaren Vorgang statt zu einem Glücksspiel.
Der Shot-Plan als Bauplan
Notiere für jeden Shot vier Dinge: Kameraposition, Lichtstimmung, Handlung im ersten Frame, Handlung im letzten Frame. Der letzte Frame eines Shots und der erste Frame des nächsten sind die kritischen Übergabepunkte. Wenn beide beschreiben, dass die Figur in derselben Pose, derselben Kleidung und demselben Licht steht, kann der Schnitt verzeihen. Wenn nicht, sieht der Zuschauer einen Sprung.
Übergabepunkte zwischen Clips
Es gibt drei bewährte Techniken:
- Frame-Chaining: Nutze das letzte Bild des vorherigen Clips als Startframe des nächsten. Das ist die stärkste Methode, kann aber Fehler weiterreichen.
- Referenz-Restart: Starte jeden Clip frisch aus dem Figurenprofil und einem beschriebenen Startframe. Stabiler, aber Sprünge im Bewegungsfluss sind möglich.
- Hybrid: Frame-Chaining für ruhige Szenen, Referenz-Restart an harten Schnitten. In der Praxis die beste Balance.
Ein weiterer Trick: Plane bewusste Schnitte an Stellen, an denen sich Bildinhalt ohnehin ändert – ein Kamerawechsel, ein Ortswechsel, ein Schnitt auf eine Detailaufnahme. Der Zuschauer akzeptiert dort mehr Variation, weil der Schnitt selbst schon ein Bruch ist.
Modellwahl: Welches Werkzeug für welche Aufgabe
Nicht jedes Modell ist für jede Figur geeignet. Die folgende Einteilung hilft bei der Entscheidung.
Fotorealistische Pipelines
Wenn Hauttextur, Lichtbrechung und Materialien echt wirken sollen, brauchst du ein Modell mit hoher Detailtreue und guter Referenzgewichts-Kontrolle. Stärken: Porträts, Produktnähe, dramatisches Licht. Schwächen: Drift in schnellen Bewegungen, hoher Rechenbedarf, empfindlich gegenüber widersprüchlichen Referenzen. Arbeite hier mit wenigen, sehr hochwertigen Referenzen und reduziere die Bewegung im Bild.
Stilisierte und Anime-Pipelines
Stilisierte Modelle sind oft konsistenzfreundlicher, weil die Formensprache vereinfacht ist: weniger Poren, weniger Mikrotextur, klarere Silhouetten. Statt über Realismus zu kämpfen, kannst du hier mit Farbpaletten und Linienführung arbeiten. Der Nachteil: Der Stil selbst wird zum Merkmal, den du aktiv schützen musst. Ein einzelner Ausreißer mit anderem Rendering-Look fällt sofort auf.
Effiziente Pipelines für lange Serien
Für Episoden mit vielen Shots zählt Durchsatz. Wähle ein Modell mit vorhersehbarer Ausgabe, auch wenn es weniger brillant ist. Vorhersehbarkeit ist wertvoller als Spitzenqualität, weil du Fehler sonst teuer nacharbeitest. Ein konsistentes, leicht weicheres Bild wirkt in einer Serie besser als ein brillantes Bild, das alle zwanzig Sekunden die Figur wechselt.
Entscheidungskriterien in Kurzform
- Identitätstreue: Wie genau übernimmt das Modell Gesichter aus Referenzen?
- Kleidungsstabilität: Bleiben Stoffe und Farben über Shots gleich?
- Bewegungsverhalten: Wie stark deformiert das Modell bei Bewegung?
- Kontrollpunkte: Kannst du Start- und Endframes vorgeben?
- Iterationsgeschwindigkeit: Wie schnell kannst du Varianten testen?
- Kosten pro nutzbarer Sekunde: Nicht pro Generierung, sondern pro brauchbarem Ergebnis.
Der Sechs-Schritte-Workflow für eine komplette Szene
Dieser Ablauf ist bewusst linear gehalten, damit du ihn wiederholen und delegieren kannst.
Schritt 1: Figurenprofil fixieren
Erstelle oder kuratiere fünf bis acht Referenzbilder nach den oben genannten Regeln. Benenne sie eindeutig, nummeriere sie und friere sie ein. Ab hier wird nichts mehr verändert.
Schritt 2: Stil- und Farbrahmen setzen
Definiere eine kleine Palette: drei bis fünf Hauptfarben, ein Kontrastniveau, ein Lichtkonzept. Schreibe einen Stilblock, der in jedem Prompt identisch wiederkehrt – Wort für Wort. Copy-Paste ist hier eine Tugend, nicht Faulheit.
Schritt 3: Keyframes bauen
Generiere für jede Szene einen ersten und einen letzten Frame. Rendere sie als Standbilder und prüfe sie: Figur korrekt? Licht korrekt? Kleidung korrekt? Erst wenn die Standbilder stimmen, lohnt sich die Animation. Das spart den größten Teil der Nacharbeit.
Schritt 4: Animieren in kurzen Clips
Arbeite in Clips von drei bis sechs Sekunden. Kürzere Clips sind stabiler, weil das Modell weniger Zeit hat, die Figur zu deformieren. Bei Dialogszenen lieber zwei kurze Shots als ein langer.
Schritt 5: Prüfen und selektiv neu rendern
Prüfe jeden Clip gegen drei Kriterien: Gesicht, Kleidung, Farbstimmung. Nur fehlerhafte Clips werden neu gerendert – nicht die ganze Szene. Ändere dabei immer nur eine Variable pro Versuch, sonst weißt du nicht, welche Änderung gewirkt hat.
Schritt 6: Zusammensetzen und angleichen
Füge die Clips zusammen, gleiche Helligkeit, Kontrast und Farbtemperatur an und entscheide, ob ein leichtes Filmkorn hilft. Ein einheitlicher Grain über alle Shots kaschiert Mini-Unterschiede erstaunlich gut.
Häufige Fehler und ihre Gegenmittel
Das Gesicht driftet langsam
Ursache ist fast immer Rekursion: Clip B basiert auf Clip A, Clip C auf B. Fehler summieren sich. Gegenmittel: Nach zwei bis drei Gliedern zurück zum Original-Figurenprofil springen und von dort neu starten.
Farb- und Stilbruch
Meist liegt es an inkonsistenten Stilbeschreibungen oder an Referenzbildern mit unterschiedlicher Belichtung. Prüfe zuerst die Referenzen, dann den Stilblock. Wenn Farben kippen, entferne konkurrierende Farbwörter aus dem Prompt – ein kräftiges Rot neben einem warmen Orange streitet um dieselbe Aufmerksamkeit.
Kontinuität bei Händen und Requisiten
Hände und kleine Objekte sind die schwächsten Stellen generativer Modelle. Plane Shots so, dass Hände nicht im Fokus stehen, wenn die Handlung es nicht verlangt. Bei wichtigen Requisiten: Eine Detailaufnahme als eigener Shot ist billiger als zwanzig fehlerhafte Versuche in der Totalen.
Die Figur wirkt „fast richtig"
Dieses Gefühl entsteht oft durch leicht verschobene Proportionen über die Zeit. Ein Gegenmittel ist ein Referenz-Overlay: Blende das Frontalbild halbtransparent über den aktuellen Frame und prüfe Augenlinie und Kinnhöhe. Wenn die Abweichung wächst, ist es Zeit für einen Referenz-Restart.
Ton, Schnitt und Nachbearbeitung
Konsistenz endet nicht beim Bild. Ton und Schnitt tragen erheblich dazu bei, ob eine Figur als dieselbe Person wahrgenommen wird.
Lippensynchronisation
Generiere die Stimme mit einer festen Stimmreferenz und halte Tempo sowie Tonhöhe konstant. Wenn die Lippensynchronisation nur grob passt, hilft es, Sätze kürzer zu halten und Sprechpausen in den Schnitt zu legen. Ein Schnitt auf eine Zuhörer-Reaktion während eines schwierigen Satzes ist ein legitimer und oft eleganter Ausweg.
Farbangleich und Grain
Setze einen globalen Look über alle Clips: gleiche Weißabgleich-Referenz, gleiche Kurven, gleicher Grain. Danach wirken kleine Unterschiede in der Gesichtsgeometrie weniger störend, weil das Auge den Gesamtlook als Kontinuität liest. Vermeide aggressive Schärfung – sie hebt genau die Artefakte hervor, die du kaschieren willst.
Musik und Atmosphäre
Eine durchgehende Klangfarbe bindet Szenen zusammen. Wechsle Musik nur an dramaturgisch gewollten Bruchstellen, nicht zufällig. So bleibt das Publikum in der Geschichte und bemerkt technische Unebenheiten deutlich seltener.
Wiederholbarkeit, Ablage und Teamübergabe
Sobald mehr als eine Person an einem Projekt arbeitet, entscheidet Struktur über Qualität.
Benennung und Versionierung
Ein einfaches Schema genügt: projekt_figur_ansicht_beleuchtung_version. Speichere Figurenprofile unveränderlich und lege für jede Szene einen eigenen Prompt-Block ab. Wenn ein Fehler auftaucht, kannst du so in Minuten rekonstruieren, welche Kombination ihn erzeugt hat.
Prüfroutinen in drei Durchgängen
- Technisch: Brennweite, Bewegung, Artefakte, Auflösung.
- Figur: Gesicht, Kleidung, Requisiten, Proportionen.
- Dramaturgie: Trägt die Szene die Handlung? Ist der Schnittrhythmus richtig?
Trenne diese Durchgänge strikt. Wer gleichzeitig auf Gesichter und Dramaturgie achtet, übersieht beides halb.
Dokumentation für die nächste Produktion
Notiere am Ende jeder Produktion drei Dinge: Welche Referenzbilder waren am wirksamsten? Welche Modellparameter haben Drift reduziert? Welche Shots mussten am häufigsten neu gerendert werden? Dieses kurze Protokoll halbiert den Aufwand des nächsten Projekts.
FAQ
Wie viele Referenzbilder brauche ich wirklich?
Für die meisten Projekte reichen fünf bis acht gut gewählte Bilder. Mehr Bilder mit widersprüchlichen Lichtsituationen schaden mehr, als sie helfen.
Kann ich dieselbe Figur in völlig unterschiedlichen Stilen verwenden?
Ja, aber jeder Stil ist ein eigenes Profil. Erzeuge für jede Stilvariante ein eigenes Referenzset und wechsle nicht innerhalb einer Szene den Stil.
Was mache ich, wenn eine Szene bei Nacht einfach nicht stabil wird?
Reduziere die Bewegung, kürze den Clip, und ergänze eine Nacht-Referenz deiner Figur. Alternativ: Drehe die Szene im Zwielicht statt in tiefster Dunkelheit – weniger Extremwerte bedeuten weniger Erfindungsfreiheit für das Modell.
Wie lang sollten einzelne Clips sein?
Drei bis sechs Sekunden sind ein guter Standard. Längere Clips liefern mehr Bewegung, aber auch mehr Gelegenheit für geometrischen Drift.
Hilft ein negativer Prompt gegen Inkonsistenz?
Nur begrenzt. Negativ-Prompts unterdrücken unerwünschte Merkmale, ersetzen aber keine Referenzarchitektur. Sie sind Feinarbeit, nicht Fundament.
Wie gehe ich mit Dialogszenen um, in denen zwei Figuren auftreten?
Gib jeder Figur ein vollständiges Profil und vermeide Shots, in denen sich beide gleichzeitig stark bewegen. Schuss-Gegenschuss ist stabiler als eine gemeinsame Einstellung.
Woran erkenne ich, dass ich zu lange an einem Clip feile?
Wenn drei Neu-Renderings den Fehler nicht messbar reduzieren, liegt das Problem meist eine Ebene höher: am Referenzbild, am Keyframe oder am Shot-Plan. Geh eine Ebene zurück, statt weiter zu variieren.
Brauche ich für jede Szene einen neuen Keyframe?
Nicht zwingend, aber für jede Szene mit neuer Kamera- oder Lichtsituation ist ein Startframe die günstigste Investition, die du machen kannst. Es verhindert die meisten Kontinuitätsfehler, bevor sie entstehen.
Wenn du diese Werkstattlogik einmal verinnerlicht hast, wird Charakterkonsistenz vom Glücksspiel zur Routine: Figurenprofil einfrieren, Farbrahmen setzen, Keyframes prüfen, kurz animieren, gezielt nachbessern, angleichen. Jeder Schritt ist klein, überprüfbar und wiederholbar – und genau diese Wiederholbarkeit ist der eigentliche Qualitätssprung in der KI-Videoproduktion.
