KI-Video-Produktion: Workflow für Storyboard, Konsistenz und Ton

Warum Struktur über Zufall entscheidet

Viele Teams starten mit einem einzigen Prompt und wundern sich, dass das Ergebnis nach zehn Sekunden beliebig wirkt. Die Figur sieht in der zweiten Einstellung anders aus als in der ersten, der Hintergrund wechselt die Farbtemperatur, der Ton passt nicht zur Schnittlänge. In den meisten Fällen ist das kein Modellproblem, sondern ein Strukturproblem. Video-KI liefert zuverlässige Ergebnisse erst dann, wenn sie wie eine klassische Produktion organisiert wird: mit Drehbuch, Szenenliste, Referenzmaterial, Kameravorgaben, Tonplan und einem festen Review-Loop.

Der Unterschied zwischen Hobbyergebnissen und veröffentlichungsfähigem Material liegt selten in der Auswahl des Generators. Er liegt in der Vorarbeit. Wer vor dem ersten Durchlauf weiß, welche Figur in welcher Szene was tut, welche Umgebung sich wiederholt und welche Perspektive erzählerisch notwendig ist, spart Rohmaterial, Rechenzeit, Sortierarbeit und Abstimmungsrunden. Zwei Teams mit demselben Budget erzielen deshalb sehr unterschiedliche Ergebnisse: Das eine gewinnt zwanzig verwertbare Szenen aus vierzig Läufen, das andere zwei aus hundert.

Drei technische Entwicklungen haben diese Arbeitsweise möglich gemacht:

• Bild-zu-Video als Standard: Referenzbilder definieren Figur, Stil und Ausstattung, bevor Bewegung ins Spiel kommt.
• Keyframe-Steuerung: Start- und Endbild legen fest, wo eine Einstellung beginnt und endet, statt die Bewegung dem Zufall zu überlassen.
• Audio im Erzeugungsprozess: Sprache, Musik und Geräusche werden mitgeplant statt nachträglich aufgeklebt.

In der Praxis verschiebt sich die Rolle des Creators vom Ausführen einzelner Befehle zum Regieführen über ein System. Genau dort liegt der Hebel: Wer den Prozess einmal beherrscht, produziert nicht nur schneller, sondern wiederholbar – Serie für Serie, Sprache für Sprache.

Vorarbeit: sechs Entscheidungen vor dem ersten Generierungslauf

Bevor der erste Prompt formuliert wird, sollten sechs Fragen beantwortet sein. Sie kosten zusammen etwa eine halbe Stunde und sparen im Schnitt mehrere Arbeitstage, weil sie spätere Neuberechnungen und Schnittarbeit verhindern.

1. Aussage in einem Satz

Formuliere die Kernaussage des Videos als einen einzigen Satz, der auch ohne Bilder verständlich bleibt. Beispiel: „Unsere Zeiterfassung funktioniert auch offline.“ Steht dieser Satz nicht, wird jede Szenenentscheidung beliebig, und am Ende weiß niemand mehr, welche Einstellung eigentlich notwendig war.

2. Zielformat und Seitenverhältnis

Hochformat, Querformat oder quadratisch – diese Entscheidung bestimmt die Komposition. Ein querformatiger Master lässt sich nicht beliebig in Hochformat beschneiden: Subjekte wandern aus dem Bild, Text wird unlesbar. Lege außerdem fest, ob Safe Areas für Untertitel reserviert werden. In Hochformaten sind die unteren fünfzehn Prozent des Bildes praktisch immer von Interface-Elementen verdeckt.

3. Szenenliste mit fünf Spalten

Eine Tabelle mit fünf Spalten reicht für den Start: Szenennummer und Dauer, Handlung in einem Satz, Ort mit Tageszeit und Lichtstimmung, Figur oder Produkt im Bild, Ton. Diese Liste ist das eigentliche Drehbuch der Produktion. Alles Weitere – Prompts, Referenzen, Keyframes – leitet sich daraus ab.

4. Referenzset

Referenzbilder sind das Gedächtnis des Projekts. Bewährt hat sich ein Set aus vier Bildern pro Figur: Ganzkörper, Porträt, ein Detailbild (Hände oder Accessoire) und ein Umgebungsbild. Dieses Set wird für alle Szenen verwendet, in denen die Figur auftritt. Ohne Referenz entscheidet das System in jeder Szene neu – und liegt fast immer anders.

5. Tonplan

Sprache, Musik, Geräusche und Untertitel werden parallel zum Bild geplant. Prüfe vorab, ob die Sätze in die geplante Szenendauer passen. Sätze, die länger sind als die Szene, erzwingen später Schnitte oder Zeitraffer – und kosten mehr Zeit als eine frühe Kürzung im Skript.

6. Definition von fertig

Lege vor der Produktion fest, was ein veröffentlichungsfähiger Clip erfüllen muss: Auflösung und Bildrate, kein Flackern an Kanten, keine verzerrten Hände, synchroner Ton, geprüfte Untertitel, normierte Lautheit. Wer diese Latte erst bei der Abnahme definiert, diskutiert bei jeder Szene neu und verliert den Zeitvorteil, den der Prozess bringen soll.

Storyboard und Shot-Design: von der Aussage zur Einstellung

Ein Storyboard muss nicht gezeichnet sein. Eine Tabelle mit Thumbnails, Szenenbeschreibung und Kameranotation erfüllt denselben Zweck. Entscheidend ist, dass jede Einstellung eine Aufgabe hat und dass diese Aufgabe schriftlich festgehalten wird.

Die fünf Dimensionen einer Einstellung

Vage Beschreibungen wie „schöne Aufnahme einer Stadt“ erzeugen Streuung. Nützlich sind präzise Angaben zu fünf Dimensionen:

• Einstellungsgröße: Totale, Halbtotale, Nahaufnahme, Detail
• Perspektive: Augenhöhe, Aufsicht, Untersicht, Schulterblick
• Objektivwirkung: Weitwinkel, Normalbrennweite, leichte Telekompression
• Bewegung: statisch, langsamer Schwenk, Push-in, Pull-back, Handkamera
• Licht: weiches Tageslicht, hartes Gegenlicht, Neon, Studiolicht, Mischlicht am Fenster

Wer diese fünf Dimensionen pro Szene festlegt, bekommt Ergebnisse, die zueinander passen, und kann Varianten gezielt erzeugen, ohne die gesamte Szene neu zu erfinden.

Von der Funktion zur Bildsprache

Ordne jeder Einstellung eine dramaturgische Funktion zu: Einstieg, Kontext, Argument, Beweis, Einwand, Abschluss. Diese Funktion bestimmt die Bildsprache. Ein Einstieg braucht Bewegung und einen klaren Fokus, ein Beweis braucht Ruhe und Detailtiefe. Ein Einwand funktioniert oft besser in einer Halbtotale mit zwei Personen, weil Distanz Skepsis sichtbar macht. Ohne diese Zuordnung entstehen Videos, die schön aussehen, aber nichts erklären.

Beispiel: eine 30-sekündige Produkterklärung

Ein realistischer Szenenplan für ein Zeiterfassungs-Tool könnte so aussehen:

1. 0–4 s: Totale auf ein unordentliches Büro am Morgen, langsamer Push-in. Funktion: Einstieg.
2. 4–9 s: Halbtotale, eine Person tippt auf ein Tablet und blickt auf die Uhr. Funktion: Problem.
3. 9–15 s: Nahaufnahme des Displays, ruhige Kamera, warmes Licht. Funktion: Beweis.
4. 15–21 s: Halbtotale am Fenster, Tageslicht von links. Funktion: Nutzen.
5. 21–26 s: Detailaufnahme einer Hand, die eine Schicht bestätigt. Funktion: Handlung.
6. 26–30 s: Totale zurück zur Ausgangseinstellung, Licht identisch, Logo als Overlay. Funktion: Abschluss.

Sechs Szenen, ein Ort, zwei Figuren, ein Requisit. Diese Reduktion ist Absicht: Jedes zusätzliche Element erhöht die Fehlerquote.

Szenenlänge und Rhythmus

Generierte Clips sind kurz. Das ist kein Nachteil, sondern eine Formatfrage. Statt lange Takes zu erzwingen, plant man Schnittfolgen von vier bis acht Sekunden und verbindet sie über harte Schnitte. Der Rhythmus entsteht im Schnitt, nicht im Modell. Eine Ausnahme sind langsame Kamerafahrten, die ihre Wirkung erst über sechs bis zehn Sekunden entfalten – sie sollten früh eingeplant werden, weil sie den Rest des Schnitts binden.

Konsistenz über Szenen hinweg

Konsistenz ist das Problem, an dem die meisten Projekte scheitern. Ein Gesicht, das in Szene drei anders aussieht als in Szene eins, zerstört die Illusion sofort – unabhängig davon, wie gut die einzelne Einstellung gelungen ist.

Figurenkonsistenz

Drei Maßnahmen greifen zusammen:

1. Feste Referenzbilder für jede Figur, mindestens ein Porträt und ein Ganzkörperbild.
2. Kurze, stabile Beschreibungen: Kleidung, Frisur, Alter, ein bis zwei charakteristische Merkmale – nicht mehr.
3. Szenenweise Erzeugung mit Kontrollbildern: Jede neue Einstellung startet mit dem letzten brauchbaren Frame der vorherigen.

Wichtig ist Zurückhaltung. Je mehr widersprüchliche Attribute in der Beschreibung stehen, desto stärker driftet das Ergebnis. Zwei Beschreibungen mit wenigen, dafür konsequent gleichen Merkmalen liefern stabilere Ergebnisse als eine lange Liste, die sich zwischen den Szenen leicht verändert.

Räume, Requisiten und Kleidung

Räume verhalten sich ähnlich wie Figuren. Ein wiederkehrender Ort braucht ein Referenzbild und eine feste Lichtstimmung. Requisiten sind der häufigste unsichtbare Fehler: eine Tasse, die in Szene zwei links steht und in Szene vier rechts. Wer Requisiten in der Szenenliste notiert, vermeidet solche Sprünge. Bei Kleidung gilt: Muster, Streifen und kleine Logos erzeugen bei der Generierung die meisten Artefakte – einfarbige, klar abgegrenzte Kleidung ist deutlich stabiler.

Licht- und Farbkontinuität

Licht ist der stärkste Konsistenzfaktor und der am häufigsten unterschätzte. Notiere für jede Szene Lichtrichtung, Härte und Farbtemperatur. Szenen, die in derselben Zeitebene spielen, sollten dieselbe Grundstimmung teilen. Ist eine Wohnung in zwei Szenen einmal warm und einmal kalt ausgeleuchtet, wirkt das wie ein Ortswechsel – selbst wenn der Grundriss identisch ist.

Der Konsistenz-Test

Vor dem finalen Rendern lohnt ein einfacher Test: Alle Einstellungen einer Figur nebeneinander ansehen und prüfen, ob sie wie dieselbe Person wirken. Fünf Minuten Aufwand retten ganze Projekte. Fällt eine Szene aus dem Rahmen, dient der letzte brauchbare Frame als neues Referenzbild – und die Figurenbeschreibung wird gekürzt, bis das Ergebnis stabil bleibt.

Kameraführung, Bewegung und Timing

Bewegung ist der teuerste Teil der Erzeugung, weil sie über mehrere Frames konsistent bleiben muss. Deshalb gilt: Bewegung sparsam einsetzen und dort, wo sie etwas erzählt.

Bewegungstypen und ihre Wirkung

• Statisch: ruhig, sachlich, ideal für Details und Textintegration
• Push-in: erhöht Aufmerksamkeit, gut für Einstiege
• Pull-back: löst Szenen auf, gut für Endbilder
• Schwenk: zeigt Kontext und Größe, aber nur mit klarem Ziel
• Handkamera: erzeugt Nähe und Unruhe, sparsam verwenden

Tempo planen, nicht erzwingen

Viele Systeme beschleunigen Bewegungen, wenn die Szene zu kurz ist. Abhilfe: Szenendauer an die Bewegung anpassen, nicht umgekehrt. Ein langsamer Push-in über sechs Sekunden wirkt hochwertiger als ein hektischer über drei. Bei Dialogszenen gilt zusätzlich: Bewegung und Sprechgeschwindigkeit sollten zueinander passen, sonst wirkt die Figur getrieben.

Übergänge als eigenes Gestaltungsmittel

Harte Schnitte sind im KI-Video oft die sicherste Lösung, weil sie keine Zwischenbilder benötigen. Weiche Übergänge funktionieren am besten zwischen Szenen mit ähnlicher Farbwelt und Bewegungsrichtung. Wer Übergänge schon in der Szenenplanung mitdenkt, vermeidet den typischen Effekt zusammengeklebter Einzelclips.

Audio als gleichwertiger Teil der Produktion

Ton entscheidet über die Wahrnehmung. Ein mittelmäßiges Bild mit gutem Ton wirkt besser als ein perfektes Bild mit schlechtem Ton.

Sprechertext und Timing

Gesprochener Text sollte vor der Bildgenerierung stehen, damit die Szenendauer zur Satzlänge passt. Als Orientierung gelten rund 2,5 Wörter pro Sekunde im Deutschen, langsamer bei Erklärformaten. Ein Satz mit achtzehn Wörtern braucht also etwa sieben Sekunden – wenn die Szene nur fünf Sekunden lang geplant war, ist das Skript zu lang, nicht die Szene zu kurz.

Musik und Atmosphäre

Musik trägt Stimmung und Struktur. Zwei Regeln haben sich bewährt: Musikrichtung pro Format festlegen und die Lautstärke unter der Sprache halten. Atmosphärische Geräusche – Raumhall, Verkehr, Wind, Tastaturklicks – machen erzeugte Szenen glaubwürdiger, weil sie dem Bild eine Umgebung geben. Stille ist ebenfalls ein Werkzeug: Ein kurzer Moment ohne Musik setzt einen Akzent besser als ein lauter Effekt.

Untertitel und Text im Bild

Untertitel erhöhen die Verweildauer deutlich, besonders bei stumm laufenden Videos. Text im Bild sollte sparsam und kontrastreich sein. Bei erzeugten Szenen ist eingebrannter Text riskant, weil Buchstaben verzerrt werden können – besser als Overlay im Schnitt ergänzen. Prüfe jede Untertitelzeile auf Zeilenlänge und Lesbarkeit auf kleinen Displays.

Batch-Produktion, Varianten und Automatisierung

Sobald eine Pipeline steht, wird Wiederholung zum Vorteil. Serienformate, saisonale Varianten und Sprachfassungen lassen sich in Chargen produzieren.

Was sich sinnvoll bündeln lässt

• Szenen derselben Umgebung: gleiche Referenzen, gleiche Lichtstimmung, ein Durchlauf
• Varianten eines Einstiegs: drei Hooks für dasselbe Video, gleicher Rest
• Sprachfassungen: identische Szenen, neuer Ton und neue Untertitel
• Formatableitungen: Hochformat, Querformat und Quadrat aus demselben Master
• Thumbnails und Standbilder: aus bereits abgenommenen Einstellungen

Namenskonventionen und Ablage

Automatisierung scheitert fast immer an unklarer Ablage. Eine Struktur wie projekt/szene_03/variante_b/keyframe_start.png klingt banal, spart aber Stunden bei der Suche und macht wiederholbare Läufe überhaupt erst möglich. Wichtig sind drei Regeln: keine Leerzeichen in Dateinamen, fortlaufende Szenennummern mit führender Null, und ein Unterordner für verworfene Varianten statt Löschen.

Wann Automatisierung schadet

Automatisierte Massenproduktion ohne redaktionelle Prüfung erzeugt Beliebigkeit. Der sinnvolle Einsatz liegt bei wiederkehrenden Formaten mit klarer Qualitätslatte, nicht bei Experimenten. Für neue Konzepte bleibt der manuelle Weg schneller, weil er schneller verwirft. Eine brauchbare Faustregel: Ab der dritten Ausgabe desselben Formats lohnt sich Standardisierung, vorher nicht.

Qualitätskontrolle: drei Review-Durchgänge

Ein Review-Loop unterscheidet ein Hobbyprojekt von einem verlässlichen Format. Er besteht aus drei Durchgängen, die getrennt voneinander durchgeführt werden – wer Technik, Inhalt und Gestaltung gleichzeitig prüft, übersieht systematisch Fehler.

Durchgang 1: technische Kontrolle

Prüfe Bildfehler, verwischte Hände, flackernde Kanten, asynchrone Lippenbewegungen und Tonaussetzer. Alles, was hier auffällt, wird neu erzeugt und nicht nachträglich kaschiert – Retusche kostet mehr Zeit als ein neuer Lauf.

Durchgang 2: inhaltliche Kontrolle

Funktioniert die Aussage ohne Ton? Versteht jemand, der nur die ersten zwei Sekunden sieht, worum es geht? Ist die Szenenreihenfolge logisch? Hier zeigt sich, ob das Storyboard getragen hat oder ob Szenen nur dekorativ sind.

Durchgang 3: Publikumscheck

Erst jetzt kommt Gestaltung ins Spiel: Typografie, Farbkontrast, Untertitelgröße, Lautheit, erster Frame. Diese Prüfung lässt sich gut an Personen außerhalb des Projekts auslagern, weil sie den Inhalt nicht kennen und daher ehrlicher reagieren.

Werkzeuge und Modellwahl: Entscheidungskriterien

Die Auswahl der Werkzeuge sollte aus dem Workflow folgen, nicht umgekehrt. Wer zuerst ein Modell wählt und danach den Prozess baut, produziert teure Umwege.

Kriterienkatalog

• Keyframe-Kontrolle: Lassen sich Start- und Endbild getrennt vorgeben?
• Referenzkonsistenz: Wie stabil bleibt eine Figur über mehrere Szenen?
• Audio-Integration: Sprache und Musik im gleichen Prozess oder als separater Schritt?
• Formatunterstützung: Hochformat ohne Beschnittverlust, quadratische Ableitungen
• Batch-Fähigkeit: Mehrere Szenen mit gleichen Referenzen in einem Lauf
• Versionierung: Bleiben Varianten nachvollziehbar, statt überschrieben zu werden?
• Lernkurve: Wie lange dauert es, bis eine neue Person eine Szene selbstständig erstellt?
• Rechte und Nutzung: Welche Nachweise brauchen Abnahme und Freigabe?

Aufgabenbezogene Auswahl

Praktisch hat sich eine Aufteilung bewährt: Für realistische Gesichter und ruhige Porträts eignen sich Systeme mit starkem Bild-zu-Video-Modus. Für animierte, stilisierte Inhalte sind Werkzeuge mit ausgeprägter Keyframe-Interpolation im Vorteil. Für produktnahe Einstellungen mit klar definierten Objekten funktionieren pipelines mit festen Referenzsets am zuverlässigsten. Für schnelle Prototypen im Reels-Format zählt vor allem die Geschwindigkeit von Idee zu erstem brauchbarem Frame.

Pilotvergleich statt Bauchgefühl

Ein Pilot mit fünf Szenen liefert mehr Erkenntnis als jede Feature-Liste: eine Figur, zwei Umgebungen, eine Bewegung, ein Sprechertext. Bewerte danach, wie viele der fünf Szenen ohne Nacharbeit verwendbar waren. Dieser Wert – die Trefferquote – ist die wichtigste Kennzahl für die Werkzeugwahl.

Typische Fehler und Gegenmaßnahmen

Zu viele Details in der Beschreibung. Widersprüchliche Attribute erzeugen Drift. Kurze, konstante Beschreibungen sind stabiler.

Kein Referenzmaterial. Ohne Referenzbilder entscheidet das System bei jeder Szene neu – und liegt fast immer anders.

Bewegung in jeder Einstellung. Ständige Bewegung ermüdet und erhöht die Fehlerquote. Ruhe ist ein Gestaltungsmittel.

Ton zu spät geplant. Nachträgliche Vertonung erzwingt Schnitte und Zeitraffer. Erst Skript, dann Szene, dann Bild.

Kein Verwerfen. Teams, die jeden Clip behalten wollen, verlieren Zeit im Schnitt. Ausschuss ist Teil des Prozesses.

Formatblindheit. Ein Querformat-Master funktioniert nicht automatisch im Hochformat. Ausschnitt und Komposition müssen von Anfang an mitgedacht werden.

Zwei Änderungen gleichzeitig. Wer Beschreibung und Referenzbild gleichzeitig ändert, weiß nicht, welche Änderung gewirkt hat. Immer nur eine Variable anpassen.

Fehlende Konsistenzprüfung. Der Vergleich aller Einstellungen einer Figur nebeneinander kostet fünf Minuten und rettet ganze Produktionen.

FAQ und Startplan

Wie lang sollte ein generiertes Video sein?

Für Social-Formate sind 15 bis 45 Sekunden ein guter Korridor. Erklärformate funktionieren bis etwa 90 Sekunden, wenn die Szenenführung klar ist. Längere Videos entstehen besser als Folge kurzer Szenen mit harten Schnitten als als ein einzelner langer Durchlauf.

Brauche ich zeichnerische Fähigkeiten für ein Storyboard?

Nein. Eine Tabelle mit Beschreibung, Einstellungsgröße, Bewegung und Licht reicht. Entscheidend ist die Vollständigkeit der Angaben, nicht ihre Ästhetik.

Wie viele Versuche pro Szene sind normal?

Je nach Komplexität drei bis zehn. Wer deutlich mehr braucht, hat meist ein Problem in der Beschreibung oder im Referenzmaterial, nicht im Werkzeug.

Lohnt sich ein eigener Look pro Marke?

Ja, und er sollte dokumentiert werden: Farbpalette, Lichtstimmung, Bildtempo, Typografie. Ein kurzer Stilguide verhindert, dass jede Produktion neu verhandelt wird.

Wie gehe ich mit mehrsprachigen Fassungen um?

Zuerst die Hauptsprache produzieren, dann den Ton austauschen und Untertitel neu setzen. Die Bildsprache bleibt identisch, nur Textlängen und Sprachrhythmus ändern sich – plane dafür pro Szene einen Puffer von zehn Prozent.

Was tun, wenn die Figur zwischen Szenen springt?

Den letzten brauchbaren Frame als Startbild der nächsten Szene verwenden und die Figurenbeschreibung kürzen, bis sie stabil bleibt.

Wie messe ich den Erfolg der Pipeline?

Nicht an der Anzahl der Clips, sondern an zwei Werten: Zeit von der Idee bis zur veröffentlichten Fassung und Anteil der Szenen, die ohne Nacharbeit bestehen. Beide verbessern sich deutlich, sobald Storyboard, Referenzen und Review-Loop stehen.

Die erste Woche: ein einfacher Startplan

Beginne mit einer einzigen Figur, einer Umgebung und vier Szenen. Erstelle das Referenzset, definiere die fünf Dimensionen pro Szene, erzeuge jede Einstellung zweimal und wähle die bessere. Prüfe am Ende alle vier Szenen nebeneinander auf Konsistenz. Wenn die Trefferquote stimmt, erweitere auf acht Szenen und ein zweites Format. Erst danach lohnen Sprachfassungen, Varianten und Batch-Läufe – vorher optimierst du einen Prozess, den du noch nicht kennst.