Warum sich der KI-Videoworkflow gerade verschiebt
Generative Video-Werkzeuge sind in kurzer Zeit von einer Spielerei zu einem ernstzunehmenden Baustein in der Produktion geworden. Was sich für Filmemacher wirklich verändert hat, ist nicht ein einzelner Effekt, sondern die Verfügbarkeit mehrerer konkurrierender Modellfamilien mit unterschiedlichen Stärken: einige sind hervorragend in fotorealistischen Gesichtern, andere in schnellen Kamerafahrten, wieder andere in der präzisen Umsetzung eines Referenzbildes. Wer heute plant, plant nicht mehr mit einem Werkzeug, sondern mit einem kleinen Portfolio.
Die entscheidende Konsequenz daraus ist organisatorisch, nicht technisch. Ein Team, das drei oder vier Modelle gleichzeitig nutzt, braucht eine klare Arbeitsteilung: Wer schreibt Prompts, wer bewertet Takes, wer schneidet, wer verwaltet Referenzen? Ohne diese Struktur entsteht eine Dateiablage voller Zufallstreffer, und der Schnitt wird zur Sisyphosarbeit.
Dieser Leitfaden beschreibt einen neutralen, werkzeugunabhängigen Workflow für die Produktion von KI-Video. Er funktioniert gleichermaßen für Kurzfilme, Musikvideos, Werbespots, Serienpiloten und Dokumentarästhetik. Die konkreten Werkzeuge lassen sich austauschen, die Reihenfolge der Arbeitsschritte bleibt bestehen.
Die Modelllandschaft: Welcher Modelltyp für welche Aufgabe
Bevor man Prompts schreibt, lohnt eine nüchterne Bestandsaufnahme. Video-Modelle unterscheiden sich weniger in "Qualität" als in ihrer Eignung für bestimmte Aufgaben. Die folgende Einteilung hat sich in der Praxis bewährt.
Text-zu-Video: für Konzepte, Moodboards und Establishing-Shots
Text-zu-Video-Modelle wie die aktuellen Generationen von Runway, Sora, Kling oder Luma produzieren aus einer reinen Beschreibung bewegtes Bildmaterial. Ihr großer Vorteil ist Geschwindigkeit bei der Ideenfindung: In einer Stunde lassen sich zwanzig Varianten einer Szene erzeugen und vergleichen. Ihr Nachteil ist Kontrolle. Figuren, Kleidung und Lichtsetzung verändern sich zwischen zwei Generierungen oft so stark, dass eine durchgehende Handlung schwer zu halten ist.
Setze diese Gruppe deshalb für alles ein, was keine Kontinuität benötigt: Landschaften, Einstellungen ohne Personen, abstrakte Montagen, Übergänge, Traumsequenzen und Referenzmaterial für das Storyboard.
Bild-zu-Video: für Figuren, Produkte und kontrollierte Kamerafahrten
Der Bild-zu-Video-Weg ist für narrative Arbeit meist die bessere Wahl. Man liefert ein Startbild – ein Foto, eine 3D-Renderingszene, eine Illustration oder ein zuvor generiertes Standbild – und das Modell animiert daraus. Der entscheidende Vorteil: Aussehen, Kostüm, Bildausschnitt und Farbwelt sind bereits entschieden. Das Modell entscheidet nur noch über Bewegung.
Für Produktwerbung ist das der Standardweg, weil das Objekt exakt erkennbar bleiben muss. Für Charakterarbeit gilt dasselbe: Ein sauberes Referenzbild pro Figur, einmal konsistent gestaltet, spart später Stunden an Nacharbeit.
Video-zu-Video und Bearbeitung: für Tempo, Stil und Korrekturen
Die dritte Gruppe arbeitet mit vorhandenem Material: Stil-Transfer, Farbumsetzung, Tageszeitwechsel, Objektentfernung, Zeitlupe, Retiming und Frame-Erweiterung. Diese Modelle sind im Schnitt die Rettung, wenn ein Take fast funktioniert: Ein Blendfehler am Rand, ein unruhiger Hintergrund, ein zu grelles Fenster lassen sich reparieren, ohne die Einstellung neu zu generieren.
Zusätzlich gehört hierzu das Upscaling, also das Hochrechnen auf Auslieferungsauflösung. Die meisten Video-Modelle arbeiten intern mit kleineren Rastergrößen; ein separater Upscaling-Schritt mit Gesichtsrekonstruktion ist für Kino- oder Broadcast-Auslieferung praktisch unverzichtbar.
Spezialisierte Audio- und Sprachwerkzeuge
Neben Bildmodellen braucht jeder ernsthafte Workflow eine Audiokette: Sprachsynthese mit steuerbarer Betonung, Gesichtsanimation für Lippenbewegung, Geräuscherzeugung aus Beschreibung sowie Musikgeneratoren für tempolose Rohspuren. Diese Werkzeuge werden oft unterschätzt, obwohl sie den wahrgenommenen Produktionswert stärker heben als ein weiterer visueller Take.
Vorproduktion: Vom Treatment zum Shotplan
Der gravierendste Fehler in KI-Produktionen ist der Einstieg über den Prompt. Wer zuerst tippt und später denkt, produziert teures Material ohne Verwendungszweck. Die Vorproduktion entscheidet über die Hälfte des Ergebnisses.
Treatment und Referenzboard
Beginne mit einem einseitigen Treatment: Figur, Ort, Konflikt, Ton, visuelles Ziel. Ergänze ein Referenzboard mit acht bis zwölf Bildern – Kino-Standbilder, Fotografien, Farbpaletten, Lichtstimmungen. Diese Referenzen dienen zwei Zwecken: Sie schärfen die eigene Vorstellung, und sie werden später als Startbilder oder als Bildbeschreibung im Prompt verwendet.
Achte auf Konsistenz im Board selbst. Wenn du gleichzeitig hartes Mittagslicht und weiches Kerzenlicht als Referenz sammelst, wird das Ergebnis beliebig. Lege eine Lichtlogik fest und halte dich daran.
Shotlist mit Einstellungsgrößen und Dauer
Eine Shotlist für KI-Produktion unterscheidet sich in einem Punkt von klassischen Shotlists: Jede Einstellung muss als eigenständige Generierung funktionieren. Das bedeutet, du planst keine fließenden Kamerawechsel, sondern diskrete Segmente von drei bis acht Sekunden, die im Schnitt verbunden werden.
Sinnvolle Spalten: Nummer, Einstellungsgröße (Totale, Halbtotale, Nah, Detail), Bildinhalt, Bewegung, Licht, Dauer, Startbild-Referenz, Modellwahl. Diese Tabelle wird zum zentralen Dokument. Alles, was später generiert wird, bekommt eine Nummer aus dieser Liste – keine Ausnahmen.
Ein Beispiel: Szene 4, Detail, Hände öffnen einen Briefumschlag, langsame Aufwärtsbewegung, warmes Seitenlicht, vier Sekunden, Referenzbild R-07, Bild-zu-Video-Modell wegen Kontinuität der Hände.
Reihenfolge der Produktion
Produziere nicht chronologisch, sondern nach Risiko. Zuerst die schwierigsten Einstellungen: die mit Gesichtern in Nahaufnahme, mit komplizierter Bewegung oder mit exakt vorgegebenem Produkt. Wenn diese funktionieren, ist der Rest Routine. Wenn nicht, kannst du die Szene noch umbauen, bevor du zwanzig leichte Einstellungen generiert hast, die dann nicht mehr passen.
Prompting für Bewegung: Kamera, Licht, Tempo
Ein guter Video-Prompt beschreibt nicht nur ein Bild, sondern eine Veränderung über die Zeit. Das ist der wesentliche Unterschied zum Bild-Prompting. Vier Bausteine haben sich bewährt.
Motiv und Umgebung. Wer oder was ist zu sehen, wo, in welcher Kleidung, mit welchen Requisiten. Halte diesen Teil kurz und konkret. Zu viele Adjektive verwässern.
Kamerabewegung. Formuliere sie eindeutig: langsame Fahrt nach vorn, Schwenk von links nach rechts, statische Kamera auf Stativ, Handkamera mit leichtem Wackeln, Überkopfaufnahme, Dolly-Zoom. Vermeide Kombinationen mehrerer Bewegungen – Modelle mitteln sie oft zu einem unruhigen Drift.
Licht und Farbe. Hartes Gegenlicht, weiches Fensterlicht von rechts, Neonlicht in Magenta und Cyan, goldene Stunde. Licht ist der stärkste Hebel für Stimmung und gleichzeitig der einfachste Weg, mehrere Einstellungen optisch zusammenzubinden.
Tempo und Dauer. Wenn das Werkzeug es unterstützt, gib die gewünschte Zeitlupe oder Echtzeit an. Andernfalls beschreibe die Bewegungsgeschwindigkeit im Text: langsam, bedächtig, hektisch. Bei ruhigen Szenen wirkt "langsam" fast immer besser als die Standardgeschwindigkeit.
Ein weiterer praktischer Tipp: Negativbeschreibungen sparsam einsetzen. Moderne Modelle reagieren auf "kein Text, keine Verzerrung, keine zusätzlichen Gliedmaßen" oft besser als auf lange Verbotslisten, die selbst neue Bildinhalte anregen können.
Konsistenz über mehrere Shots
Konsistenz ist die härteste Währung in der KI-Produktion. Ein Publikum verzeiht einen unscharfen Hintergrund, aber nicht ein Gesicht, das von Einstellung zu Einstellung die Form ändert. Drei Techniken haben sich etabliert.
Das Stammbild pro Figur. Erzeuge oder fotografiere eine Figur frontal, neutral ausgeleuchtet, in Auslieferungsqualität. Dieses Bild dient als Startbild für jede Einstellung, in der die Figur vorkommt. Variiere dann nur noch Blickwinkel und Bewegung, nicht die Figur selbst. Bei stark abweichenden Perspektiven erzeugst du Zwischenansichten (Profil, Rücken), die als weitere Referenzen dienen.
Stil-Platzhalter im Prompt. Baue eine identische Stilzeile in jeden Prompt ein, zum Beispiel: "35-mm-Film-Look, leichte Körnung, entsättigte Grüntöne, weiches Gegenlicht". Diese Zeile ist kein echter Parameter, sondern eine Verankerung: Sie zieht alle Generierungen in dieselbe Farb- und Texturwelt.
Konsequente Nachbearbeitung. Selbst bei guter Planung bleiben Unterschiede. Ein Farbangleich im Schnitt – Weißabgleich, Kontrastkurve, gemeinsame Körnung – bügelt Mikrodifferenzen aus. Plane diesen Schritt fest ein, statt auf perfekte Rohdateien zu hoffen.
Der Produktions-Loop: Generieren, Bewerten, Iterieren
Die eigentliche Arbeit ist ein Bewertungsloop. Wer ihn strukturiert, produziert in derselben Zeit deutlich bessere Ergebnisse.
Take-Mengen begrenzen. Pro Einstellung drei bis sechs Varianten, nicht dreißig. Mehr Varianten erhöhen die Auswahlzeit überproportional und führen zu Kompromissen.
Nach festen Kriterien bewerten. Vier Fragen pro Take: Passt die Bewegung? Bleibt die Figur stabil? Stimmt das Licht mit der Nachbareinstellung überein? Ist der Bildausschnitt schnittfähig? Ein Take, der drei von vier Kriterien erfüllt, wird behalten und später repariert.
Änderungen einzeln vornehmen. Wenn ein Take nicht funktioniert, ändere genau eine Variable – Kamerabewegung, Licht oder Dauer. Zwei gleichzeitige Änderungen machen den Vergleich wertlos.
Versionieren und benennen. Ein klares Namensschema wie s04_det_hands_v03_seitlicht verhindert, dass gute Takes verloren gehen. Speichere den Prompt gemeinsam mit der Datei. In zwei Wochen wirst du nicht mehr wissen, welche Formulierung funktioniert hat.
Ton und Synchronisation
Bild ohne Ton ist ein Testlauf, kein Film. Der Audioworkflow sollte parallel zum Bildaufbau entstehen.
Sprache. Für Dialogaufnahmen empfiehlt sich eine Kette aus Sprachsynthese und Gesichtsanimation. Wichtig: erst den Sprechtext finalisieren, dann die Animation erzeugen. Nachträgliche Textänderungen kosten die gesamte Lippenarbeit.
Atmosphäre und Geräusche. Lege pro Szene eine Grundatmosphäre an – Raumhall, Stadt, Wald – und ergänze punktuelle Geräusche. Ein einzelnes, gut gesetztes Geräusch zu einer Bewegung hebt die Wahrnehmung von Realismus stärker als zusätzlicher Bilddetailgrad.
Musik. Komponiere oder generiere Musik erst, wenn der Rohschnitt steht. Vorher gesetzte Musik erzwingt Schnittlängen, die das Bildmaterial nicht hergibt. Alternativ arbeitest du mit einem neutralen Tempo-Track und tauschst ihn später aus.
Mischung. Stimmen nach vorn, Atmosphäre zurück, Effekte nur akzentuierend. Achte auf einen einheitlichen Lautheitspegel über alle Szenen – schwankende Pegel verraten KI-Produktionen schneller als jedes Bildartefakt.
Postproduktion: Schnitt, Upscaling, Retusche, Farbanpassung
Die Postproduktion ist bei KI-Material umfangreicher als bei klassischem Dreh, weil vieles nicht auf Anhieb zusammenpasst.
Schnitt. Schneide zuerst stumm. Wenn die Szenen ohne Ton funktionieren, funktionieren sie mit Ton fast immer besser. Halte Einstellungen kurz, wenn Bewegung instabil ist – ein Zwei-Sekunden-Schnitt kaschiert mehr als jeder Filter.
Upscaling. Rechne auf Zielauflösung hoch und prüfe Gesichter separat. Bei Bedarf lässt sich ein zweiter Durchgang mit stärkerer Gesichtsrekonstruktion nur auf den Köpfen anwenden.
Retusche und Reparatur. Kleine Fehler – ein zusätzlicher Finger, ein flackernder Hintergrund, ein falscher Schatten – behandelst du mit Masken und kurzen Korrektur-Generierungen statt mit einem neuen Take. Das spart Rechenzeit und erhält die Konsistenz.
Farbanpassung. Ein gemeinsamer Look über alle Szenen, plus dezente Vignette und Körnung, bindet heterogenes Material zusammen. Achte darauf, die Körnung nach dem Upscaling hinzuzufügen, nicht davor.
Ausgabeformate. Exportiere eine Master-Datei mit hoher Bitrate und leite daraus die Auslieferungsvarianten ab: horizontal, vertikal, quadratisch. Plane die Bildkomposition von Anfang an mit sicheren Bereichen, damit vertikale Schnitte später nichts Wichtiges abschneiden.
Budget, Rechte und Risikomanagement
KI-Produktion ist günstiger als ein Drehtag, aber nicht kostenlos. Drei Bereiche solltest du vor Produktionsbeginn klären.
Laufende Kosten kontrollieren. Rechenzeit wird typischerweise pro Generierung oder pro Sekunde Material abgerechnet. Führe ein einfaches Produktionsblatt: Einstellungen geplant, Generierungen verbraucht, Verhältnis von brauchbaren zu verworfenen Takes. Dieses Verhältnis ist deine wichtigste Kennzahl – verbessert sich die Quote, verbessert sich dein Prompting.
Rechte an Referenzen. Verwende nur Bild- und Tonreferenzen, an denen du die nötigen Nutzungsrechte hast. Bei Gesichtern realer Personen brauchst du eine Einwilligung, auch wenn das Bild generiert wurde. Bei Markenprodukten gilt dasselbe.
Kennzeichnung und Verträge. Kläre vorab, ob und wie KI-generierte Inhalte gekennzeichnet werden müssen – für Werbekunden, Plattformen und Festivals gelten unterschiedliche Anforderungen. Halte die Rohdateien und Prompts archiviert, damit du Herkunft und Bearbeitungsschritte belegen kannst.
Datensicherung. Speichere Referenzbilder, Prompts und Take-Listen an einem Ort, der nicht von einem einzelnen Werkzeug abhängt. Anbieter ändern Funktionen, Preise und Limits; wer nur in der Werkzeug-Cloud arbeitet, verliert im Zweifel die Projektgrundlage.
Typische Fehler und ein konkreter Startplan
Die fünf häufigsten Fehler
- Zu lange Prompts. Ab etwa vierzig Wörtern sinkt die Treffsicherheit. Kürze auf Motiv, Bewegung, Licht, Tempo.
- Zu wenige Referenzen. Wer nur beschreibt, statt zu zeigen, kämpft bei jeder Einstellung gegen eine andere Interpretation.
- Keine Shotlist. Ohne Nummerierung entsteht Material ohne Reihenfolge und ohne Verwendungszweck.
- Ton zuletzt. Audio-Lücken kosten die Bildmontage ihre Wirkung und erzwingen späte Umbauten.
- Perfektionismus pro Take. Ein Take, der zu neunzig Prozent passt, ist reparierbar. Die restlichen zehn Prozent kosten meist mehr Zeit als eine neue Szene.
Ein Startplan in sieben Schritten
- Tag 1: Treatment auf einer Seite, Referenzboard mit zehn Bildern, Lichtlogik festlegen.
- Tag 2: Shotlist mit Einstellungsgrößen, Dauer und Modellzuordnung erstellen.
- Tag 3: Stammbilder für alle Figuren und zentralen Objekte erzeugen und finalisieren.
- Tag 4: Die drei schwierigsten Einstellungen generieren, je vier Varianten, nach festen Kriterien bewerten.
- Tag 5: Restliche Einstellungen auf Basis der gelernten Prompt-Struktur produzieren.
- Tag 6: Stummer Schnitt, dann Ton, dann Musik.
- Tag 7: Upscaling, Retusche, Farbanpassung, Export in allen Auslieferungsformaten.
FAQ
Wie viele Modelle sollte man parallel nutzen? Zwei bis vier. Eines für Bild-zu-Video-Kontinuität, eines für Text-zu-Video-Konzepte, eines für Reparatur und Stil, eines für Audio. Mehr erhöht den Verwaltungsaufwand stärker als die Qualität.
Brauche ich klassische Filmkenntnisse? Ja, und sie sind wertvoller geworden. Bildkomposition, Lichtführung, Schnittrhythmus und Dramaturgie entscheiden über die Qualität – die Werkzeuge liefern nur das Rohmaterial.
Wie lang sollten KI-Einstellungen sein? Drei bis sechs Sekunden. Darüber steigt die Wahrscheinlichkeit von Instabilität, und der Schnitt wird ohnehin kürzen.
Was tun, wenn Gesichter unscharf werden? Erstens näher an die Figur herangehen, statt sie in einer Totalen zu verlieren. Zweitens ein separates Upscaling mit Gesichtsrekonstruktion. Drittens: Bewegung reduzieren.
Lohnt sich ein Storyboard aus generierten Bildern? Für kurze Projekte reicht eine Shotlist mit Referenzen. Ab etwa fünf Minuten Laufzeit zahlt sich ein visuelles Board aus, weil es Diskussionen im Team konkret macht.
Wie verhindert man, dass Material KI-typisch aussieht? Vier Stellschrauben: langsameres Bewegungstempo, konsistentes Licht über alle Szenen, ein gemeinsamer Filmkorn-Look in der Nachbearbeitung und ein Sounddesign, das nicht nur aus Musik besteht.
Der Übergang von einzelnen Werkzeugen zu einem stabilen Produktionsablauf ist der eigentliche Fortschritt für Filmemacher. Modellversionen werden sich weiter verändern, aber Shotlists, Referenzbilder, Bewertungskriterien und Audioketten bleiben bestehen. Wer diesen Rahmen einmal aufgebaut hat, kann neue Modelle aufnehmen, ohne die Produktion neu zu erfinden – und genau darin liegt der nachhaltige Vorteil.
