Warum vertikale Kurzvideos eine eigene Produktionslogik brauchen
Vertikale Kurzvideos gehorchen anderen Regeln als klassische horizontale Videos. Ein Short läuft selten länger als 60 Sekunden, häufig nur 15 bis 30, und die Zuschauerin entscheidet in weniger als zwei Sekunden, ob sie bleibt oder weiterscrollt. Jede Szene muss deshalb eine Aufgabe erfüllen: Aufmerksamkeit halten, Information liefern, Emotion auslösen oder zum nächsten Clip überleiten. Szenen ohne Funktion sind Ballast – und Ballast kostet Reichweite.
Wer mit generativer KI arbeitet, gewinnt vor allem eines: Geschwindigkeit bei der Materialbeschaffung. Statt Drehort, Team und Ausrüstung zu organisieren, entsteht Rohmaterial aus Text- oder Bildbeschreibungen. Das verändert die Rolle der Erstellerin. Du bist nicht mehr primär Kamerafrau, sondern Regisseurin eines Systems: Du definierst Look, Rhythmus, Aussage und Auswahl. Die eigentliche kreative Arbeit verschiebt sich von der Produktion zur Dramaturgie und zur klaren Beschreibung dessen, was du sehen willst.
Genau hier scheitern die meisten ersten Versuche. Es werden beeindruckende Einzelclips erzeugt, die zusammen keinen Film ergeben. Der Grund ist fast immer derselbe: Es fehlt ein Storyboard, es fehlen konsistente Referenzen, und es fehlt ein Tonkonzept. Dieses Vorgehen beschreibt deshalb kein einzelnes Werkzeug, sondern eine Pipeline – von der Idee über Shot-Prompts und Keyframes bis zu Schnitt, Untertitel und Export.
Die Bausteine einer KI-gestützten Shorts-Pipeline
Eine belastbare Pipeline besteht aus fünf Stationen. Jede Station hat ein klares Ergebnis, das in die nächste übergeht. Wenn du diese fünf Stationen trennst, kannst du Fehler lokalisieren, statt jedes Mal von vorn zu beginnen.
Station 1: Idee und Skript
Am Anfang steht kein Prompt, sondern ein Satz. Formuliere in einem Satz, was der Short aussagt. Zum Beispiel: „Ein Astronaut entdeckt, dass seine Raumstation atmet.“ Erst danach entsteht die Struktur. Ein brauchbares Kurzvideo-Skript hat drei bis fünf Beats, jeder Beat etwa drei bis sechs Sekunden lang. Schreibe die Beats als Tabelle: Beat, Aussage, Bildidee, Ton. Ohne diese Tabelle wird die KI-Ausgabe beliebig, weil du selbst nicht weißt, was du eigentlich brauchst.
Station 2: Look und Referenzbilder
Definiere vor dem ersten Videoclip den visuellen Rahmen: Farbpalette, Lichtstimmung, Objektivwirkung, Textur. Erzeuge zwei bis vier Referenzbilder, an denen sich alle weiteren Shots orientieren. Diese Referenzbilder sind der Anker für Figurenkonsistenz und Atmosphäre. Wer ohne Referenz startet, bekommt pro Clip einen neuen Film – und muss am Ende doch alles neu drehen.
Station 3: Shot-Prompts und Keyframes
Jetzt wird jeder Beat in einen oder zwei Shots übersetzt. Ein Shot ist eine Einstellung mit einer Kameraentscheidung. Für jeden Shot notierst du Bewegung, Perspektive, Dauer und Übergang. Anschließend erzeugst du Keyframes: Standbilder für Anfang und Ende der Einstellung. Die meisten guten Bild-zu-Video-Modelle arbeiten deutlich zuverlässiger, wenn sie einen Start- und einen Endkeyframe bekommen, statt nur eine Textbeschreibung.
Station 4: Bewegung und Ton
Bewegung entsteht aus dem Modell, aus Kamerafahrt und aus dem Schnitt. Plane Tempo bewusst: ruhige Fahrten für Erklärstücke, harte Schnitte für Energie, Zeitlupe für emotionale Momente. Ton ist kein Anhang, sondern der halbe Short. Lege Stimme, Atmosphäre und Musikspitzen getrennt an, damit du beim Schnitt frei mischen kannst.
Station 5: Montage, Untertitel, Export
Im Schnittprogramm entsteht der eigentliche Film: Reihenfolge, Timing, Untertitel, Sound-Design. Exportiere in 1080x1920 mit 30 oder 60 Bildern pro Sekunde, achte auf ausreichende Bitrate und prüfe, dass keine wichtigen Elemente unter der Benutzeroberfläche der Plattform verschwinden.
Werkzeuge im Vergleich: Welches Modell für welchen Shot
Es gibt nicht das eine beste Modell. Verschiedene Werkzeugklassen lösen verschiedene Probleme. Sinnvoll ist ein Baukasten, in dem du je Shot das passende Werkzeug wählst.
Text-zu-Video
Text-zu-Video eignet sich für Establishing-Shots, Landschaften, Abstraktionen und Stimmungsbilder. Modelle wie Sora, Veo, Kling AI, Runway oder Luma liefern hier unterschiedliche Stärken: Die einen sind besser bei realistischer Physik, die anderen bei stilisierten Looks oder schnellen Bewegungen. Praktisch heißt das: Probiere denselben Prompt in zwei Werkzeugen aus und entscheide anhand des Ergebnisses, nicht anhand von Werbeversprechen.
Bild-zu-Video und Keyframe-Kontrolle
Für alles, was konsistent bleiben muss – Figuren, Produkte, Räume – ist Bild-zu-Video die zuverlässigere Route. Du erzeugst oder wählst ein starkes Standbild, das exakt stimmt, und lässt es animieren. Wenn das Modell Start- und Endframe unterstützt, erreichst du kontrollierte Übergänge: Die Kamera fährt von A nach B, die Figur dreht sich in eine feste Pose, ein Objekt verwandelt sich planbar.
Multi-Image-Fusion und Referenzen
Manche Werkzeuge erlauben, mehrere Referenzbilder gleichzeitig zu übergeben – etwa Gesicht, Kostüm und Hintergrund getrennt. Damit bleibt eine Figur über mehrere Clips erkennbar, ohne dass du sie jedes Mal neu beschreiben musst. Das ist der wichtigste Hebel gegen das häufigste Problem von KI-Serien: den Identitätsverlust zwischen den Shots.
Audio, Stimme und Sound-Design
Für Stimme eignen sich Sprachsynthese-Werkzeuge wie ElevenLabs oder vergleichbare Systeme mit deutschen Stimmen und Tempo-Kontrolle. Musik und Atmosphäre kommen aus lizenzfreien Bibliotheken oder aus generativen Audio-Tools. Soundeffekte – Whoosh, Impact, Klick – setzt du sparsam, aber präzise auf den Schnittpunkten ein.
Schnitt und Untertitel
CapCut, DaVinci Resolve oder Premiere Pro übernehmen Montage, Untertitel und Export. Wichtig ist nicht das Programm, sondern ein sauberes Projektsetup: 1080x1920, sichere Zonen für Text, getrennte Audiospuren, klare Dateibenennung.
| Aufgabe | Werkzeugklasse | Worauf du achten solltest |
|---|---|---|
| Stimmungsbilder, Establishing-Shots | Text-zu-Video | Physik, Lichtkonsistenz, Bewegungstempo |
| Figuren und Produkte | Bild-zu-Video | Keyframe-Kontrolle, Gesichtstreue |
| Serienkonsistenz | Referenzsysteme | Mehrere Referenzen pro Clip |
| Stimme | Sprachsynthese | Natürliche Betonung, Pausenkontrolle |
| Montage | Schnittprogramm | Untertitel, Exportprofile, Farbkorrektur |
Prompt-Handwerk: Szenen beschreiben, die wirklich funktionieren
Ein Prompt ist keine Bestellung, sondern eine Regieanweisung. Wer gelernt hat, Kamera, Licht und Motiv getrennt zu beschreiben, bekommt reproduzierbare Ergebnisse statt Zufallstreffer.
Die sechs Bausteine eines Shot-Prompts
Erstens das Motiv: Wer oder was ist zu sehen, in welchem Zustand. Zweitens die Handlung: eine einzige, klar benannte Bewegung. Drittens die Kamera: Perspektive, Brennweite, Fahrtrichtung, Tempo. Viertens das Licht: Quelle, Richtung, Härte, Tageszeit. Fünftens die Umgebung: Ort, Materialien, Wetter, Details. Sechstens der Look: Stil, Filmkorn, Farbigkeit, Referenz auf eine Bildsprache.
Ein Beispiel: „Nahaufnahme eines Helms mit beschlagener Visierscheibe, langsame Fahrt von links nach rechts, hartes Gegenlicht von hinten, Staubpartikel in der Luft, industrieller Hangar, entsättigte Blautöne, analogen Filmkorn.“ Dieser Prompt nennt Bewegung, Licht, Umgebung und Stil – und liefert deshalb ein verwertbares Ergebnis.
Bewegung ohne Chaos
Zu viele Bewegungen in einem Shot zerstören die Lesbarkeit. Regel: eine Hauptbewegung pro Clip. Entweder die Kamera bewegt sich, oder das Motiv bewegt sich – beides gleichzeitig nur, wenn es dramaturgisch nötig ist. Beschreibe Geschwindigkeit mit Worten wie „langsam“, „gleichmäßig“, „sanft“ statt mit Zahlen. Vermeide widersprüchliche Angaben wie „statische Kamerafahrt“.
Negative Prompts und typische Fehler
Negative Angaben helfen gegen wiederkehrende Artefakte: verzerrte Hände, zusätzliche Gliedmaßen, Wasserzeichen, Text im Bild, doppelte Gesichter, flackernde Details. Halte die Negativliste kurz und spezifisch. Eine lange Verbotsliste verwässert den Prompt. Wenn ein Modell ein Problem grundsätzlich nicht löst, wechsle das Werkzeug statt den Prompt zu überladen.
Prompt-Bibliothek aufbauen
Speichere jeden Prompt, der funktioniert hat, mit dem erzeugten Ergebnis. Nach zwanzig Clips entsteht so eine eigene Formelsammlung: Licht-Setups, Kamerabewegungen, Stilbausteine. Das ist der schnellste Weg zu konstanter Qualität, weil du nicht mehr bei null anfängst.
Hooks, Tempo und Retention: Die Dramaturgie der ersten Sekunden
Die erste Sekunde entscheidet. Ein Hook ist kein lauter Anfang, sondern eine offene Frage. Drei Muster funktionieren zuverlässig: der visuelle Bruch (etwas Unerwartetes passiert sofort), die klare Ankündigung („Drei Fehler, die deine Shorts kosten“) und die mittendrin-Szene, die eine Vorgeschichte impliziert.
Danach gilt Rhythmus. Wechsle die Einstellung alle zwei bis drei Sekunden, aber nicht mechanisch. Ein längerer Shot nach mehreren kurzen wirkt wie ein Atemzug und erhöht die Aufmerksamkeit. Baue alle fünf bis acht Sekunden einen kleinen Höhepunkt ein: eine Bewegung, ein Geräusch, eine Texttafel, ein Perspektivwechsel.
Text auf dem Bild ist ein eigenes Gestaltungselement. Halte ihn kurz, maximal fünf Wörter pro Tafel, setze ihn in die obere oder mittlere Bildzone und lass ihn mindestens 1,2 Sekunden stehen. Untertitel gehören in die untere sichere Zone, deutlich über der Bedienleiste der Plattform.
Ein Loop-fähiger Schluss erhöht die Wiedergabezeit messbar. Wenn das letzte Bild zum ersten passt, beginnt der Clip beim erneuten Ansehen nahtlos von vorn. Das lässt sich bewusst konstruieren, indem der letzte Shot dieselbe Kameraposition und Lichtstimmung wie der erste verwendet.
Konsistenz über mehrere Clips: Figuren, Look und Farbwelt
Konsistenz ist die härteste Disziplin in der KI-Videoproduktion. Drei Ebenen sind zu trennen.
Figurenkonsistenz
Für wiederkehrende Figuren brauchst du eine Referenz: ein klar ausgeleuchtetes Porträt, am besten frontal und ohne extreme Perspektive. Diese Referenz übergibst du bei jedem Clip erneut. Beschreibe die Figur immer mit denselben Worten – gleiche Frisur, gleiche Kleidung, gleiche Accessoires. Variiere nichts in der Beschreibung, was konstant bleiben soll.
Look-Konsistenz
Definiere eine Look-Formel aus drei bis fünf Begriffen und hänge sie an jeden Prompt an. Zum Beispiel: „gedämpfte Blautöne, weiches Gegenlicht, 35-mm-Optik, feines Filmkorn“. Diese Formel sorgt dafür, dass Einzelclips wie Teile eines Films wirken.
Farb- und Lichtkontinuität
Notiere für jede Szene Lichtrichtung und Farbtemperatur. Wenn eine Figur von links beleuchtet wird, sollte sie das in aufeinanderfolgenden Shots derselben Sequenz bleiben. Bei Tageszeitenwechseln den Übergang sichtbar machen, statt ihn zu überspringen. Im Schnitt gleicht eine leichte Farbanpassung kleine Abweichungen aus.
Arbeitsablauf in sieben Schritten
- Aussage festlegen. Ein Satz, der beschreibt, was der Short vermittelt.
- Beats schreiben. Drei bis fünf Beats mit Aussage, Bildidee und Ton.
- Look definieren. Referenzbilder erzeugen, Look-Formel notieren.
- Keyframes bauen. Pro Shot Start- und Endbild erzeugen und prüfen.
- Animieren. Bild-zu-Video oder Text-zu-Video, ein Shot pro Durchlauf.
- Ton aufbauen. Stimme, Atmosphäre, Musik, Effekte getrennt anlegen.
- Montieren und exportieren. Schnitt, Untertitel, Farbanpassung, Export in 1080x1920.
Plane pro Short realistisch zwei bis vier Stunden für den ersten Durchlauf und unter einer Stunde, sobald die Referenzen und Prompt-Bausteine stehen. Der größte Zeitfresser ist nicht die Generierung, sondern die Auswahl. Rechne mit drei bis fünf Varianten pro Shot und entscheide schnell: Ein Clip, der zu 80 Prozent passt, ist im Schnitt oft wertvoller als ein perfekter Clip, der die Dramaturgie bricht.
Typische Fehler und wie du sie vermeidest
Zu viele Ideen pro Short. Ein Short, eine Aussage. Wer zwei Themen mischt, verliert beide.
Kein Storyboard. Ohne Beat-Tabelle entsteht eine Ansammlung schöner Clips ohne Spannung.
Fehlende Referenzen. Wer Figuren nur mit Text beschreibt, bekommt pro Clip eine neue Person.
Ton zu spät. Musik und Stimme erst am Ende anzulegen führt zu Schnitten, die nicht sitzen.
Überladene Prompts. Zu viele Details verwirren das Modell. Sechs Bausteine genügen.
Ignorierte sichere Zonen. Text am unteren Rand wird von der Plattformoberfläche verdeckt.
Kein Testdurchlauf. Prüfe jeden Short stumm und in kleinster Wiedergabegröße. Wenn er dann noch verständlich ist, funktioniert er auch im Feed.
Fehlende Wiederverwendung. Wer funktionierende Prompts, Referenzen und Look-Formeln nicht archiviert, baut jedes Mal von vorn.
Qualitätskontrolle, Format und Export
Eine kurze Prüfliste vor dem Hochladen spart viel Nacharbeit. Kontrolliere Auflösung und Seitenverhältnis, Bildrate, Lautheit, Untertitel-Synchronität und die ersten zwei Sekunden ohne Ton. Prüfe außerdem, ob Gesichter, Hände und Text im Bild sauber sind – Artefakte fallen im kleinen Format weniger auf, in Vollbild aber sofort.
Für die Lautheit orientierst du dich an einem einheitlichen Pegel über alle Clips einer Serie. Musik deutlich unter der Stimme halten, Effekte kurz und punktuell. Untertitel in einer gut lesbaren serifenlosen Schrift, mit Kontrast hinterlegt, falls der Hintergrund unruhig ist.
Beim Export vermeidest du mehrfaches Neukodieren. Exportiere einmal in hoher Qualität und lade diese Datei hoch. Für Serien lohnt sich ein Vorlagenprojekt mit festen Spuren, festen Textstilen und festen Exportprofilen – das reduziert Fehler und beschleunigt jeden weiteren Short erheblich.
FAQ
Wie lang sollte ein KI-generierter Short sein?
Für die meisten Themen funktionieren 20 bis 40 Sekunden am besten. Länger nur, wenn die Geschichte wirklich trägt. Entscheidend ist nicht die Länge, sondern ob jeder Beat eine Aufgabe hat.
Brauche ich für jeden Shot ein Referenzbild?
Ja, sobald Figuren oder Produkte wiederkehren. Für reine Stimmungsbilder genügt ein Text-Prompt mit Look-Formel.
Warum sehen meine Clips wie aus verschiedenen Filmen aus?
Meist fehlt eine Look-Formel und eine feste Lichtbeschreibung. Lege drei bis fünf Stilbegriffe fest und hänge sie an jeden Prompt an.
Wie gehe ich mit unbrauchbaren Händen oder Gesichtern um?
Erstens: Bewegung reduzieren. Zweitens: Hände aus dem Fokus nehmen oder im Bildausschnitt beschneiden. Drittens: Modell wechseln. Drittens ist oft die schnellste Lösung.
Wie viele Varianten pro Shot sind sinnvoll?
Drei bis fünf. Mehr Varianten verbessern das Ergebnis selten, kosten aber viel Zeit und Auswahlenergie.
Kann ich denselben Short für andere Plattformen nutzen?
Ja, wenn du ohne plattformspezifische Elemente arbeitest und Untertitel sowie Texttafeln in sicheren Zonen hältst. Exportiere unterschiedliche Längen, aber behalte Bildsprache und Ton identisch.
Wie fange ich an, wenn ich noch nie mit KI-Video gearbeitet habe?
Baue einen 15-Sekunden-Short mit drei Beats. Ein Referenzbild, drei Shots, eine Stimme, eine Musikspur. Dieses Mini-Projekt lehrt dich die gesamte Pipeline in wenigen Stunden – und liefert dir gleich die Prompt-Bausteine für alle weiteren Videos.
