KI-Video-Workflow: Von der Idee zum fertigen Clip in 6 Phasen

Warum der Workflow über das Ergebnis entscheidet

Wer heute mit generativer KI Videos produziert, steht vor einer angenehmen, aber verwirrenden Situation: Es gibt mehr brauchbare Werkzeuge als je zuvor, und fast jedes davon liefert in kurzen Demos beeindruckende Ergebnisse. Der Unterschied zwischen einem beeindruckenden Testclip und einem fertigen Video, das man tatsächlich veröffentlichen kann, liegt jedoch selten am Modell. Er liegt am Prozess.

Ein durchdachter Workflow erfüllt drei Aufgaben. Erstens macht er Ergebnisse reproduzierbar: Wenn ein Shot funktioniert hat, will man ihn wiederholen können – mit anderer Kleidung, anderem Licht, anderer Kameraposition. Zweitens verteilt er Entscheidungen sinnvoll über die Zeit, sodass man nicht am Ende der Produktion merkt, dass die Figur in Szene drei plötzlich anders aussieht. Drittens macht er Fehler billig: Ein schlechter Prompt kostet Sekunden, ein schlecht geplanter Drehtag kostet Tage.

Dieser Leitfaden beschreibt einen sechsphasigen Workflow für KI-gestützte Videoproduktion. Er ist bewusst werkzeugneutral gehalten, denn die konkreten Produktnamen ändern sich schneller als die zugrunde liegenden Prinzipien. Wer die Phasen versteht, kann jedes neue Modell einordnen, das auf den Markt kommt.

Die sechs Phasen eines KI-Video-Projekts

Ein typisches Projekt durchläuft sechs Phasen: Konzept und Skript, visuelle Entwicklung, Generierung, Konsistenzsicherung, Ton und schließlich Schnitt und Finish. In der Praxis überlappen diese Phasen, aber sie haben unterschiedliche Erfolgskriterien.

Was in jeder Phase entschieden wird

• Konzept und Skript: Zielgruppe, Länge, Kernaussage, Tonfall, Format (Hochkant, Querformat, quadratisch).
• Visuelle Entwicklung: Stilreferenzen, Farbpalette, Lichtstimmung, Figurendesign, Look der Umgebung.
• Generierung: Welches Modell für welchen Shot, welche Auflösung, welche Dauer, welche Kamerabewegung.
• Konsistenzsicherung: Wie Figuren, Requisiten und Orte über mehrere Shots hinweg gleich bleiben.
• Ton: Sprecherstimme, Musik, Geräusche, Lippen-Synchronität.
• Schnitt und Finish: Rhythmus, Übergänge, Farbanpassung, Ausgabeformate.

Zeit- und Aufwandsrahmen realistisch planen

Ein verbreiteter Anfängerfehler ist die Annahme, dass Generierung der langsame Teil sei. Tatsächlich ist die Generierung oft der schnellste Schritt. Der Zeitfresser ist die Auswahl: Aus zwanzig Varianten die eine wählen, die wirklich funktioniert. Planen Sie daher grob mit einem Drittel der Zeit für Konzeption und Vorbereitung, einem Drittel für Generierung und Auswahl und einem Drittel für Ton und Schnitt. Wer nur die Generierung einplant, liefert entweder spät oder schlecht.

Phase 1: Konzept, Skript und Storyboard

KI-Videos scheitern selten an fehlender Technik, sondern an fehlender Dramaturgie. Ein Clip aus zehn schönen Einstellungen ohne erkennbaren Bogen wirkt wie ein Testlauf. Bevor man ein Modell öffnet, sollte die Geschichte stehen – und zwar in einer Form, die sich in Shots übersetzen lässt.

Vom Briefing zur Shot-List

Arbeiten Sie mit einer Shot-List, nicht mit einem Fließtext-Drehbuch. Jede Zeile enthält: Shot-Nummer, Beschreibung der Handlung, Kameraeinstellung (Total, Halbnah, Nah), Bewegung (statisch, Schwenk, Fahrt), geschätzte Dauer, gewünschte Stimmung. Diese Tabelle ist später die Grundlage für jeden Prompt und für die Reihenfolge im Schnitt.

Ein Beispiel aus der Praxis: Ein 30-Sekunden-Clip für ein Produkt könnte aus sieben Shots bestehen – eine Totale zur Etablierung, zwei Nahaufnahmen des Produkts, zwei Shots mit einer Person, eine Detailaufnahme und ein Abschlussbild mit Logo-Platz. Wer diese Liste vor der Generierung erstellt, spart später erheblich Zeit, weil nicht jedes Ergebnis erneut in einen erzählerischen Zusammenhang gebracht werden muss.

Prompt-Struktur, die sich wiederverwenden lässt

Ein guter Video-Prompt ist kein Gedicht, sondern eine Spezifikation. Bewährt hat sich folgende Reihenfolge:

1. Subjekt: Wer oder was ist zu sehen – mit zwei bis drei konkreten Merkmalen.
2. Handlung: Was passiert in diesen Sekunden.
3. Umgebung: Ort, Tageszeit, Wetter, Hintergrundelemente.
4. Kamera: Einstellungsgröße, Brennweite, Bewegung, Perspektive.
5. Licht und Stil: Lichtrichtung, Kontrast, Farbstimmung, Referenzbegriffe wie „Filmkorn" oder „weiches Studiolicht".
6. Technisches: Seitenverhältnis, Dauer, gewünschte Bildrate.

Halten Sie Subjekt- und Stilbeschreibungen über alle Shots hinweg wörtlich identisch. Variieren Sie nur, was sich ändern soll: Kameraposition, Handlung, Lichtintensität. Diese Disziplin ist der einfachste Weg zu einem konsistenten Ergebnis – und sie kostet nichts.

Phase 2: Das passende Modell für jede Aufgabe wählen

Es gibt nicht das beste Videomodell, nur das passende für einen Shot. Die drei wichtigsten Kategorien unterscheiden sich grundlegend in ihrer Steuerbarkeit.

Text-zu-Video, Bild-zu-Video, Video-zu-Video

Text-zu-Video ist ideal für Establishing-Shots, Landschaften, abstrakte Übergänge und alles, wo keine exakte Kontrolle nötig ist. Es liefert die größte Vielfalt, aber die geringste Vorhersagbarkeit.

Bild-zu-Video ist der Arbeitsmodus für narrative Inhalte. Man erzeugt oder wählt ein Standbild, das exakt stimmt, und lässt es animieren. Figuren bleiben ähnlicher, Kompositionen kontrollierbarer. Für alles, was eine handelnde Person zeigt, ist das meist der produktivere Weg.

Video-zu-Video eignet sich für Stiltransfers, Restaurierung, Zeitlupen oder das Umwandeln von Realfilmmaterial in einen animierten Look. Hier bleibt die Bewegung erhalten, während die Oberfläche verändert wird.

Entscheidungskriterien jenseits von Auflösung

Auflösung ist die am leichtesten messbare und am wenigsten aussagekräftige Kennzahl. Fragen Sie stattdessen:

• Bewegungskohärenz: Bleiben Hände, Gesichter und Objekte über die Sekunden stabil?
• Prompt-Treue: Folgt das Modell Detailangaben oder interpretiert es frei?
• Bildrate: Fühlt sich Bewegung filmisch an oder wie eine Aneinanderreihung von Standbildern?
• Steuerbarkeit: Gibt es Kontrolle über Kamera, Startbild, Endbild, Bewegungsumfang?
• Konsistenzwerkzeuge: Unterstützt das Modell Referenzbilder, Charakterprofile oder Stilvorlagen?
• Iterationsgeschwindigkeit: Wie schnell kann man zwanzig Varianten erzeugen und vergleichen?
• Rechte und Nutzung: Sind kommerzielle Nutzung und Weiterverarbeitung klar geregelt?

Ein Modell mit mittlerer Auflösung und hervorragender Charaktertreue ist für eine Serie mit wiederkehrender Figur wertvoller als ein Modell mit Spitzenauflösung, das jede Einstellung neu erfindet. Prüfen Sie Kandidaten mit einem standardisierten Testshot-Set: dieselben fünf Szenen, derselbe Prompt, gleiche Dauer. Nach zwei Durchläufen sieht man die Unterschiede deutlicher als in jeder Marketing-Demo.

Phase 3: Konsistenz von Figuren, Stil und Umgebung

Konsistenz ist die eigentliche Ingenieursdisziplin der KI-Videoproduktion. Sie entsteht nicht durch ein einzelnes Werkzeug, sondern durch mehrere übereinandergelegte Maßnahmen.

Referenzbilder und Charakter-Sheets

Erstellen Sie für jede Hauptfigur ein Charakter-Sheet: frontal, halbprofil, Profil, dazu zwei Ganzkörperansichten und eine Detailaufnahme des Gesichts. Diese Bilder werden zur Referenz für jede weitere Generierung. Wichtig ist, dass alle Referenzen unter gleichen Lichtbedingungen und mit gleichem Hintergrund entstehen – sonst überträgt das Modell die Umgebung statt der Person.

Für Orte gilt dasselbe: Legen Sie ein Set-Design-Blatt an, mit dem Aussehen von Raum, Materialien, Licht und markanten Requisiten. Sobald ein Location-Design feststeht, sollte es nur noch als Referenz verwendet und nicht mehr neu beschrieben werden.

Seeds, LoRAs und Kontrollnetze

Bei Standbild-Workflows, etwa mit Diffusionsmodellen, sind Seed-Werte, trainierte Charakter-Modelle und Kontrollnetze für Pose oder Tiefe die zuverlässigsten Konsistenzhebel. Im Video-Workflow übernimmt das Startbild diese Rolle: Wenn das erste Frame stimmt und aus derselben Referenzkette stammt, wird das Ergebnis selten überraschen.

Ein praktischer Tipp: Bauen Sie eine „Konsistenz-Bibliothek" mit Referenzbildern, Stil-Prompts, Seeds und erfolgreichen Einstellungen. Diese Bibliothek wird mit jedem Projekt wertvoller und ist der eigentliche Produktionsvorteil gegenüber Einzelkämpfern, die jedes Mal bei Null anfangen.

Phase 4: Ton, Stimme und Musik

Video ohne Ton ist ein bewegtes Storyboard. Der Audioteil entscheidet oft stärker über die wahrgenommene Qualität als die Bilder selbst.

Sprachaufnahme und Lippen-Synchronität

Arbeiten Sie mit einem festen Skript inklusive Betonungshinweisen. Bei synthetischer Stimme lohnt es sich, Sätze kurz zu halten und Satzzeichen bewusst zu setzen – viele Sprachmodelle interpretieren Kommas und Punkte als Pausen. Für Lippen-Synchronität ist die Reihenfolge entscheidend: Erst das finale Bild oder Video, dann die Tonspur, dann die Synchronisation. Wer das Bild nach der Vertonung ändert, muss die Synchronisation wiederholen.

Achten Sie auf Mundbewegungen im Profil oder bei starker Kopfdrehung – dort ist die Synchronisation am schwierigsten. Wenn ein Shot Probleme macht, ist ein Schnitt auf eine Detailaufnahme oder eine Rückansicht oft die bessere Lösung als stundenlanges Nachjustieren.

Sound-Design als Qualitätshebel

Drei Ebenen genügen fast immer:

• Atmosphäre: Raumklang, Stadtgeräusche, Natur – leise, aber durchgehend.
• Aktion: Schritte, Stoffgeräusche, Türen, Objekte, die berührt werden.
• Musik: ein Thema, das sich wiederholt, statt fünf verschiedene Tracks.

Musik sollte den Schnittrhythmus unterstützen, nicht über ihn hinweggleiten. Setzen Sie auf zwei oder drei Schnittpunkte, die exakt auf einen Takt fallen – das erzeugt den Eindruck von Präzision, selbst wenn der Rest des Schnitts weich bleibt.

Phase 5: Schnitt, Farbkorrektur und Finish

Im Schnitt werden aus Fragmenten Filme. Zwei Regeln helfen mehr als jede Softwarefunktion: Jeder Schnitt braucht einen Grund, und jede Einstellung braucht eine Aufgabe.

Der erste Schnitt

Schneiden Sie zuerst ohne Musik, nur mit Ton. Wenn der Film ohne Musik funktioniert, funktioniert er mit Musik besser. Entfernen Sie die ersten und letzten Sekunden jedes generierten Clips großzügig, denn generative Modelle brauchen oft ein bis zwei Frames Anlauf und neigen am Ende zu Auflösungserscheinungen.

Arbeiten Sie mit einer Temp-Spur und markieren Sie Schnittpunkte, bevor Sie Feinarbeit leisten. Für kurze Formate sind Einstellungen von zwei bis vier Sekunden ein guter Richtwert; alles darüber wirkt ohne Kamerabewegung schnell statisch.

Upscaling, Interpolation, Ausgabeformate

Hochskalierung und Frame-Interpolation gehören ans Ende, nicht in die Mitte. Erst final schneiden, dann hochskalieren, dann interpolieren. Bei Zwischenbildern gilt: 60 Bilder pro Sekunde aus 24 zu erzeugen sieht bei schnellen Bewegungen oft künstlich aus – hier sind moderate Zielwerte und eine leichte Bewegungsunschärfe hilfreicher als maximale Bildraten.

Für die Ausgabe lohnt es sich, drei Varianten zu erstellen: ein Master in hoher Qualität als Archiv, ein weboptimiertes Format für die Hauptplattform, ein Hochkant-Format für soziale Kanäle. Achten Sie darauf, dass Untertitel spätestens beim Export eingebrannt oder als separate Datei mitgeliefert werden.

Typische Fehler und wie man sie vermeidet

Zu viele Ideen pro Clip. Generative Systeme belohnen Klarheit. Ein Shot, eine Handlung, eine Kameraidee.

Fehlende Referenzkette. Wer jede Einstellung neu beschreibt, erhält jedes Mal eine andere Figur. Legen Sie Referenzen an und halten Sie Beschreibungen konstant.

Generierung ohne Auswahlstrategie. Wenn Sie fünfzig Varianten erzeugen und keine Kriterien haben, entscheiden Sie am Ende nach Zufall. Definieren Sie vorher, was ein Shot erfüllen muss: Blickrichtung, Lichtrichtung, Freiraum für Text, sauberer Hintergrund.

Ton zu spät. Wer erst nach dem Bildschnitt vertont, muss oft Schnitte anpassen. Vertonen Sie früh und schneiden Sie danach.

Ignorieren von Rechten und Freigaben. Prüfen Sie vor der Veröffentlichung, ob Stimmen, Musik und Trainingsgrundlagen für die geplante Nutzung freigegeben sind. Bei Personenaufnahmen gehört eine dokumentierte Einwilligung dazu.

Kein Archiv. Ohne saubere Ordnerstruktur – Projekt, Referenzen, Rohclips, Ton, Exporte – verlieren Sie nach drei Projekten den Überblick und können gute Einstellungen nicht wiederverwenden.

Team, Budget und Skalierung: Entscheidungskriterien

Sobald aus Einzelprojekten Serien werden, verschieben sich die Prioritäten. Vier Fragen helfen bei der Skalierung:

1. Wie oft wiederholt sich ein Motiv? Häufige Wiederholung rechtfertigt Investition in Referenz- und Stilbibliotheken, seltene nicht.
2. Wie hoch ist der Korrekturaufwand pro Shot? Wenn mehr als die Hälfte der Shots nachbearbeitet werden muss, ist der Prompt- und Referenzprozess das Problem, nicht das Werkzeug.
3. Wo entsteht der Engpass? Meist ist es die Auswahl und Freigabe, nicht die Generierung. Hier hilft ein klarer Abnahmeprozess mit maximal zwei Feedbackrunden.
4. Wie standardisiert ist die Ausgabe? Feste Formate, feste Intros, feste Untertitelstile reduzieren den Aufwand pro Episode erheblich.

Für kleinere Teams hat sich eine Rollenaufteilung bewährt: eine Person verantwortet Konzept und Skript, eine die visuelle Referenzkette, eine den Ton und den finalen Schnitt. Bei Einzelproduktion empfiehlt sich eine strikte Trennung der Arbeitstage – ein Tag für Konzeption und Referenzen, ein Tag für Generierung, ein Tag für Ton und Schnitt. Diese Trennung verhindert den häufigen Fehler, während der Generierung das Konzept zu ändern und dadurch Referenzen ungültig zu machen.

FAQ

Wie lang sollte ein KI-generierter Clip für den Anfang sein?
Fünfzehn bis dreißig Sekunden. Das reicht für eine klare Aussage, ist aber kurz genug, um die gesamte Kette von Konzept bis Export einmal vollständig zu durchlaufen.

Brauche ich mehrere Videomodelle?
In der Regel ja, aber nicht viele. Ein Modell für kontrollierbare Figurenshots, eines für atmosphärische Einstellungen und gegebenenfalls eines für Stiltransfer decken die meisten Projekte ab. Mehr Modelle bedeuten mehr Einarbeitung und mehr Inkonsistenz.

Wie verhindere ich, dass Gesichter zwischen Shots wechseln?
Durch eine Referenzkette: ein Charakter-Sheet mit mehreren Ansichten, identische Subjektbeschreibungen in jedem Prompt und die Arbeit mit Startbildern statt reiner Textbeschreibung.

Ist der Einsatz eines Storyboards bei kurzen Clips nicht übertrieben?
Nein. Ein Storyboard kann eine einfache Tabelle sein. Es zwingt zu Entscheidungen, bevor Zeit in Generierung fließt, und ist damit der günstigste Teil der Produktion.

Wie gehe ich mit fehlerhaften Händen oder Details um?
Nicht reparieren, sondern umgehen. Details in Bewegung, kurze Einstellungen oder ein Schnitt auf eine andere Bildebene lösen das Problem schneller als jede Nachbearbeitung. Wenn ein Detail wichtig ist, generieren Sie dafür einen eigenen Shot mit ruhiger Kamera.

Muss ich für jede Plattform neu exportieren?
Ja, aber aus einem Master. Schneiden Sie einmal im Querformat und leiten Sie daraus Hochkant- und Quadratvarianten ab. Achten Sie darauf, dass wichtige Bildelemente in allen Seitenverhältnissen innerhalb des sicheren Bereichs liegen.

Wie messe ich, ob mein Workflow besser wird?
Mit drei Zahlen: Shots pro fertiger Minute, Anteil der Shots, die ohne Nacharbeit verwendbar sind, und Zeit von der Idee bis zum Export. Wenn alle drei sich verbessern, funktioniert der Prozess.

Was ist der größte Anfängerfehler?
Zu früh zu generieren. Wer Konzept, Referenzen und Shot-List zuerst erstellt, produziert schneller, günstiger und konsistenter – und hat mehr Freude an den Werkzeugen, weil sie endlich das liefern, was geplant war.