KI-Video-Workflow: Modelle, Prompts und Konsistenz meistern

Warum KI-Video heute vor allem ein Workflow-Problem ist

Generative Videomodelle sind in kurzer Zeit erstaunlich gut geworden. Einzelne Clips wirken heute oft fotorealistisch, Kamerabewegungen sitzen, Lichtstimmungen überzeugen. Trotzdem scheitern viele Projekte nicht an der Modellqualität, sondern an der Organisation: Szenen passen farblich nicht zusammen, Figuren verändern ihr Gesicht, Ton und Bild laufen auseinander, und am Ende bleibt mehr Ausschuss als fertiges Material.

Genau hier entscheidet sich, ob ein Projekt gelingt. Wer KI-Video nur als „Prompt eingeben, fertigen Film erhalten“ versteht, produziert Zufallstreffer. Wer es als Pipeline begreift – mit Vorproduktion, Referenzmaterial, konsistenzsichernden Techniken und einer sauberen Nachbearbeitung – produziert Ergebnisse, die sich zeigen lassen.

Dieser Leitfaden beschreibt einen solchen Workflow Schritt für Schritt. Er verzichtet bewusst auf einen Marktvergleich einzelner Anbieter und konzentriert sich stattdessen auf die Fragen, die in echten Produktionen zählen: Welche Art von Modell passt zu welchem Projekt? Wie baue ich Prompts, die reproduzierbar sind? Wie halte ich Figuren und Stil über zwanzig Szenen stabil? Und wie rette ich einen Clip, der eigentlich schon verloren aussieht?

Der Aufbau ist praktisch gedacht. Du kannst die Abschnitte der Reihe nach lesen, wenn du ein neues Projekt planst, oder gezielt zu einzelnen Themen springen, wenn du mitten in der Produktion feststeckst.

Zwei Grundarchitekturen: Flaggschiff oder Baukasten

Wer KI-Video professionell nutzt, hat im Kern zwei strategische Optionen. Beide haben Berechtigung, beide haben Grenzen – und die meisten Teams landen irgendwann bei einer Mischung.

Der Flaggschiff-Ansatz

Hier arbeitest du mit einem einzigen, sehr starken Modell, das Text zu Video, oft auch Bild zu Video beherrscht. Der Vorteil liegt in der homogenen Bildsprache: Licht, Farbton, Bewegungsunschärfe und Objektivcharakter bleiben über alle Szenen hinweg ähnlich, weil immer dieselbe Engine rechnet. Für kurze, stilistisch geschlossene Formate – ein 45-Sekunden-Spot, eine Titelsequenz, ein Social-Clip mit einem einzigen Look – ist das schwer zu schlagen.

Die Grenzen zeigen sich, sobald du spezialisierte Aufgaben bekommst. Eine Szene braucht plastische 3D-Anmutung, eine andere dokumentarische Körnung, eine dritte ein sehr kontrolliertes Produkt-Rendering. Ein einzelnes Modell wird selten in allen Disziplinen gleich gut sein. Dazu kommt Abhängigkeit: Ändert der Anbieter sein Verhalten, ändert sich dein Ergebnis – ohne dass du Einfluss darauf hast.

Der Baukasten-Ansatz

Alternativ kombinierst du mehrere spezialisierte Modelle: eines für realistische Menschen, eines für stilisierten Look, eines für Animation, eines für schnelle Entwürfe. Der Vorteil ist Passgenauigkeit. Du wählst pro Szene das Werkzeug, das die Anforderung am besten trifft, und kannst bei einem Ausfall auf ein anderes Modell ausweichen.

Der Preis dafür ist Konsistenzarbeit. Unterschiedliche Engines interpretieren Farben, Kontrast und Gesichter unterschiedlich. Du brauchst deshalb verbindliche Regelwerke: feste Referenzbilder, feste Farbpaletten, feste Nachbearbeitungsschritte. Ohne diese Disziplin wirkt der fertige Film wie eine Collage.

Eine praktikable Faustregel

Für Projekte unter sechzig Sekunden mit einem klaren Look reicht oft ein Flaggschiffmodell. Für alles, was länger ist, mehrere Looks braucht oder starke Spezialeffekte verlangt, ist der Baukasten überlegen – vorausgesetzt, du planst die Konsistenzarbeit von Anfang an ein.

Vorproduktion: Vom Treatment zum Prompt-Baukasten

Die wichtigste Stunde im KI-Video-Workflow findet statt, bevor irgendein Modell gestartet wird. Wer hier sauber arbeitet, spart später ein Vielfaches an Iterationen.

Szenen zerlegen statt beschreiben

Beginne mit einem klassischen Treatment, aber zerlege es in einzelne Einstellungen. Jede Einstellung braucht vier Angaben: Motiv (wer oder was ist zu sehen), Handlung (welche Bewegung passiert), Kamera (Perspektive, Brennweite, Bewegung) und Licht (Tageszeit, Quelle, Stimmung). Wenn eine dieser Angaben fehlt, füllt das Modell die Lücke – und meistens nicht so, wie du es willst.

Ein Beispiel: „Eine Frau geht durch einen Markt“ ist zu dünn. Besser: „Nahaufnahme einer Frau mittleren Alters in einer beigen Jacke, die in gemächlichem Tempo an Obstständen vorbeigeht; Handkamera auf Augenhöhe, leichte Bewegung nach rechts; warmes Nachmittagslicht, weiche Schatten, leichter Dunst in der Luft.“

Prompt-Bausteine statt Prosa

Baue dir ein festes Prompt-Gerüst, in das du nur die variablen Teile einsetzt. Ein bewährter Aufbau besteht aus sieben Blöcken:

1. Format: Seitenverhältnis, Auflösung, Dauer.
2. Motiv: Figur, Kleidung, Alter, Aussehen, Requisiten.
3. Handlung: konkrete Bewegung, Anfang und Ende der Einstellung.
4. Kamera: Perspektive, Objektivcharakter, Bewegung, Geschwindigkeit.
5. Licht: Tageszeit, Richtung, Qualität, Kontrast.
6. Stil: Realismusgrad, Filmkorn, Farbpalette, Referenzepoche.
7. Ausschluss: was nicht vorkommen soll – Logos, Texte, zusätzliche Personen, Verzerrungen.

Dieses Gerüst macht Prompts reproduzierbar. Wenn du denselben Stilblock in allen Szenen wiederverwendest, bekommst du automatisch eine einheitlichere Bildsprache.

Referenzbilder als Anker

Text allein beschreibt Nuancen schlecht. Erzeuge oder wähle daher pro Projekt drei bis fünf Referenzbilder: ein Gesichtsreferenzbild pro Hauptfigur, ein Stilreferenzbild für Licht und Farbton, ein Umgebungsreferenzbild für jeden zentralen Schauplatz. Diese Bilder werden zum verbindlichen Anker für alle Szenen. Sie helfen dem Modell, Gesichter, Kleidung und Farbwelt beizubehalten – und sie helfen dir, Abweichungen sofort zu erkennen.

Konsistenz über Szenen: Figuren, Licht und Farbe

Konsistenz ist das teuerste Gut im KI-Video. Sie entsteht nicht durch einen besseren Prompt, sondern durch ein System.

Drei Ebenen unterscheiden

Figurenkonsistenz betrifft Gesicht, Frisur, Statur und Kleidung. Szenenkonsistenz betrifft Requisiten, Schauplatzdetails und Wetter. Lookkonsistenz betrifft Farbtemperatur, Kontrast, Korn und Objektivcharakter. Behandle diese drei Ebenen getrennt, sonst vermischst du Ursache und Wirkung, wenn etwas nicht passt.

Techniken, die zuverlässig funktionieren

• Bild-zu-Video als Standard: Erzeuge zuerst ein Standbild der Szene und animiere es. Das kostet weniger Iterationen als reines Text-zu-Video.
• Frame-Verankerung: Nutze das letzte Bild der vorherigen Einstellung als Startbild der nächsten, wenn ein Übergang nahtlos wirken soll.
• Feste Stilblöcke: Schreibe Licht-, Farb- und Stilbeschreibungen einmal auf und kopiere sie wortgleich in jeden Prompt.
• Feste Stichwortliste pro Figur: Ein bis zwei Sätze mit exakter Kleidung und Frisur, die nie variiert werden.
• Farbkorrektur als Brücke: Wenn zwei Modelle unterschiedliche Farbwelten liefern, normalisiere beide in der Nachbearbeitung auf dieselbe Palette.

Häufige Fehler

Der klassische Fehler ist Variation im Wortlaut. „Warmes Licht“ in Szene eins und „goldene Abendsonne“ in Szene vier sind für Menschen Synonyme, für Modelle sind es zwei verschiedene Welten. Ein zweiter Fehler ist das Überspringen der Standbildphase: Wer sofort Videos generiert, verbraucht viele Versuche für Probleme, die sich mit einem einzigen guten Bild lösen ließen. Ein dritter Fehler ist zu viel Handlung pro Clip. Modelle halten kurze, klar umrissene Bewegungen deutlich stabiler als komplexe Choreografien. Teile lange Aktionen lieber in zwei Einstellungen.

Ton, Musik und Stimme als eigene Produktionsstufe

KI-Video wird oft stumm gedacht. In der Praxis entscheidet der Ton darüber, ob ein Clip professionell wirkt oder nicht. Plane ihn deshalb als eigene Stufe, nicht als Anhängsel.

Reihenfolge der Tonschritte

1. Schnittbild festlegen: Erst wenn die Bildfolge steht, ergibt Tonschnitt Sinn.
2. Voice-over aufnehmen oder generieren: Sprechertext zuerst, weil er das Timing vorgibt.
3. Atmosphäre legen: Raumklang, Umgebungsgeräusche, Wind, Publikum.
4. Effekte synchronisieren: Schritte, Türen, Materialgeräusche – oft reicht eine dünne Ebene.
5. Musik unterlegen: Musik trägt die Emotion, darf aber die Sprache nie verdecken.
6. Mischen und pegeln: Sprache vorn, Atmosphäre darunter, Musik an den Rändern.

Praxisregeln für glaubwürdigen Klang

Ein häufiger Anfängerfehler ist zu laute Musik. Wenn du Dialog verstehst, ohne dich anzustrengen, ist die Musik meist richtig gesetzt. Ein zweiter Fehler ist fehlende Atmosphäre: Ohne Raumklang klingt ein noch so gutes KI-Bild wie eine Postkarte. Drittens: Generierte Stimmen brauchen Mikropausen. Setze bewusst kleine Stille zwischen Sätze, sonst wirkt die Sprechweise maschinell.

Wenn du mit mehreren Sprachen arbeitest, halte Bild und Ton voneinander trennbar. Bilder ohne eingebrannten Text und ohne im Bild sichtbare Sprache lassen sich später leichter für weitere Fassungen verwenden.

Nachbearbeitung: der unsichtbare Qualitätsfaktor

Die meisten Zuschauer erkennen KI-Video nicht am Inhalt, sondern an Details: wackelige Hände, flackernde Kanten, unruhige Hintergründe, springende Texturen. Nachbearbeitung ist deshalb kein optionaler Schritt, sondern die halbe Arbeit.

Eine schlanke Nachbearbeitungskette

• Auswahl und Ausschuss: Nur Clips behalten, die die Kernbewegung sauber zeigen. Zwei gute Sekunden sind mehr wert als zehn mittelmäßige.
• Stabilisieren und Retiming: Leichte Kamerazittern lässt sich glätten; außerdem lassen sich Clips um wenige Prozent verlangsamen, um Bewegung weicher zu machen.
• Masking und Reparatur: Kleine Fehler an Händen, Ohren oder Kanten mit kurzen Masken und Bildinhalten aus Nachbarframes überdecken.
• Farbanpassung: Alle Szenen auf eine gemeinsame Palette bringen. Das ist der stärkste Einzelhebel für Konsistenz.
• Korn und Textur: Ein feines, einheitliches Filmkorn über den gesamten Schnitt legt sich wie eine Klammer um unterschiedliche Quellen.
• Schnitt und Rhythmus: Lieber früh schneiden. KI-Clips halten langer Betrachtung oft nicht stand, kurze Schnitte dagegen wirken dynamisch.

Ton und Bild gemeinsam prüfen

Schau den fertigen Schnitt mindestens einmal nur auf Ton und einmal nur auf Bild. Diese zwei Durchgänge decken fast alle Probleme auf, die im normalen Sehen untergehen.

Entscheidungskriterien für die Modellwahl

Statt nach Marketingversprechen zu wählen, hilft eine nüchterne Checkliste. Bewerte jedes Modell nach denselben Kriterien.

Kriterium	Frage	Warum es zählt
Realismus	Überzeugt Haut, Haar und Augen in Nahaufnahme?	Nahaufnahmen sind der härteste Test
Bewegungstreue	Bleibt Anatomie in schnellen Bewegungen stabil?	Vermeidet Ausschuss
Kontrollierbarkeit	Reagiert es auf Kamera- und Lichtangaben?	Entscheidet über Wiederholbarkeit
Stilbreite	Deckt es deinen Look ab oder nur einen?	Bestimmt Baukastenbedarf
Eingabetypen	Text, Bild, Video, Audio?	Passt zu deiner Vorproduktion
Länge	Wie viele Sekunden pro Durchlauf?	Beeinflusst Schnittplanung
Iterationsgeschwindigkeit	Wie schnell siehst du Ergebnisse?	Tempo schlägt Perfektion im Entwurf
Reproduzierbarkeit	Erreichst du dasselbe Ergebnis erneut?	Unverzichtbar für Nachdrehs

Ein Modell, das in sieben Punkten gut ist und in einem schwach, ist meist brauchbarer als eines mit Spitzenwerten in zwei Kategorien. Suche keinen Sieger, sondern eine Kombination, die deine typischen Szenen abdeckt.

Typische Fehler und wie du sie behebst

Gesichter verändern sich zwischen Einstellungen. Ursache: fehlende Referenz. Lösung: festes Gesichtsreferenzbild plus identischer Kleidungs- und Frisurbeschreibung in jedem Prompt.

Farben springen. Ursache: unterschiedliche Modellinterpretationen. Lösung: gemeinsame Farbpalette definieren und in der Nachbearbeitung hart normalisieren.

Bewegung wirkt schwebend. Ursache: zu wenig Gewicht und Trägheit in der Handlung. Lösung: konkretes Timing beschreiben („setzt den Fuß, verlagert das Gewicht, dreht den Oberkörper“) und kürzere Aktionen verwenden.

Hände und Finger brechen. Ursache: hohe Detaildichte bei kleiner Bildfläche. Lösung: Hände aus dem Fokus nehmen, Bildausschnitt ändern, Bewegung reduzieren oder in der Nachbearbeitung maskieren.

Text im Bild ist unlesbar. Ursache: generierte Schriftzeichen. Lösung: im Ausschlussblock Texte verbieten und Beschriftungen später als Grafik einfügen.

Szenen wirken wie aus verschiedenen Filmen. Ursache: wechselnde Stilblöcke. Lösung: einen Stilblock definieren, wortgleich wiederverwenden und über alle Szenen dieselbe Kornstärke legen.

Zu viele Iterationen ohne Fortschritt. Ursache: unklare Erfolgskriterien. Lösung: vor dem Generieren notieren, woran du einen guten Clip erkennst – drei Merkmale genügen.

FAQ

Wie viele Szenen sollte ich pro Durchlauf produzieren?
Arbeite in kleinen Blöcken von drei bis fünf Einstellungen. Du erkennst Konsistenzprobleme früher und verbrauchst weniger Zeit mit Material, das du später ohnehin verwirfst.

Brauche ich wirklich mehrere Modelle?
Nicht zwingend. Wenn dein Projekt einen einzigen Look hat und unter einer Minute lang ist, reicht ein starkes Modell. Sobald du verschiedene Stile, Realismusgrade oder Spezialeffekte brauchst, gewinnt der Baukasten.

Wie lang sollten einzelne Clips sein?
Meist zwei bis sechs Sekunden. Kürzere Clips sind stabiler und lassen sich besser schneiden. Längere Einstellungen funktionieren nur, wenn die Bewegung sehr einfach ist.

Was ist der wichtigste Einzelhebel für Qualität?
Die Standbildphase. Erst ein gutes Bild erzeugen, dann animieren. Das reduziert Ausschuss stärker als jede Prompt-Verfeinerung.

Wie gehe ich mit Ton um, wenn ich kein Tonstudio habe?
Arbeite in Ebenen: Sprechertext, Atmosphäre, Effekte, Musik. Jede Ebene einzeln einpegeln und am Ende gemeinsam prüfen. Das Ergebnis klingt auch mit einfachen Mitteln professionell.

Wie dokumentiere ich ein Projekt, damit Nachdrehs möglich sind?
Führe ein Produktionsblatt: Prompt je Szene, verwendetes Modell, Referenzbilder, Stilblock, Farbwerte und Kornstärke. Ohne diese Notizen ist eine spätere Ergänzung fast immer ein Neuanfang.

Woran erkenne ich, dass eine Szene neu generiert werden muss?
An drei Merkmalen: unstimmige Identität der Figur, sichtbarer Bruch in der Bewegung oder abweichende Farbwelt. Alles andere lässt sich meist in der Nachbearbeitung retten.

Lohnt sich ein Rohschnitt vor der Vertonung?
Ja. Der Rohschnitt legt Timing fest, und Timing ist die Grundlage für Sprechgeschwindigkeit, Musikeinsätze und Effektsetzung. Ohne ihn arbeitest du gegen ein bewegliches Ziel.

Fazit: System schlägt Einzeltrick

Generative Videokunst ist kein Wettbewerb der spektakulärsten Einzelclips, sondern eine Frage der Verlässlichkeit. Wer Szenen zerlegt, Referenzen setzt, Stilblöcke wortgleich wiederverwendet, Ton als eigene Stufe plant und die Nachbearbeitung ernst nimmt, bekommt Ergebnisse, die sich wiederholen lassen – und genau das unterscheidet ein Experiment von einer Produktion.

Beginne beim nächsten Projekt mit dem Produktionsblatt, bevor du das erste Modell startest. Lege Referenzbilder an, definiere einen Stilblock, produziere drei Testeinstellungen und prüfe sie gegen deine Erfolgskriterien. Wenn diese drei Szenen zusammenpassen, wird der Rest des Films ebenfalls zusammenpassen. Wenn nicht, hast du das Problem gefunden, solange es noch günstig zu beheben ist.