Wer mit KI Videos erzeugt, kennt das Gefühl: Beim ersten Versuch kommt etwas Brauchbares heraus, beim zweiten etwas anderes, beim dritten etwas ganz anderes. Die Ergebnisse wirken zufällig, und genau das macht kreatives Arbeiten so anstrengend. Der Grund für dieses Chaos ist fast immer dieselbe Ursache: unstrukturierte Prompts. Modelle wie Mixtral können komplexe Anweisungen sehr gut verarbeiten – aber nur, wenn man sie ihnen in einer nachvollziehbaren Form gibt. Dieses Tutorial zeigt dir einen praktischen Aufbau für Mixtral-Prompts zur Videoerzeugung, mit dem du konsistente, steuerbare und wiederholbare Ergebnisse bekommst.
Wie Mixtral Anweisungen verarbeitet
Mixtral gehört zur Familie der Mixture-of-Experts-Modelle: Es aktiviert bei jeder Anfrage nur einen Teil seiner Kapazitäten, kann aber dafür lange, mehrteilige Anweisungen gut halten. Der praktische Effekt ist, dass Reihenfolge und Struktur deines Prompts einen messbaren Einfluss auf das Ergebnis haben. Ein chaotischer Prompt zwingt das Modell zu raten; ein geordneter Prompt führt es Schritt für Schritt durch deine Vorstellung.
Denk an den Prompt als Arbeitsauftrag an einen Assistenten. Wenn du sagst „mach was Schönes", bekommst du Zufall. Wenn du sagst „baue eine Szene mit genau diesen Elementen, in dieser Reihenfolge, mit diesem Look", bekommst du Kontrolle. Das Modell ist kein Zauberer, sondern ein sehr schneller, sehr wörtlich denkender Mitarbeiter. Deine Aufgabe ist es, den Auftrag so zu formulieren, dass er nicht missverstanden werden kann.
Die Hierarchie der Prompt-Komponenten
Ein effektiver Mixtral-Prompt für Video folgt einer klaren Hierarchie mit fünf Ebenen. Die erste Ebene ist die Vision: der Kern der Szene, in einem Satz. Die zweite ist das Subjekt: wer oder was zu sehen ist, mit konkreten visuellen Details. Die dritte ist die Umgebung: Ort, Tageszeit, Atmosphäre. Die vierte ist die Handlung: was passiert, in welcher Reihenfolge. Die fünfte ist die Umsetzung: Kamera, Framing, Stil, negative Vorgaben.
Diese Hierarchie bildet eine Befehlskette: Das Modell arbeitet die Ebenen der Reihe nach ab und nutzt jede Ebene als Kontext für die nächste. Wenn du eine Ebene änderst, bleiben die anderen stabil. Das ist der entscheidende Vorteil gegenüber einem Freitext, bei dem jede Änderung alles verschiebt.
Schritt für Schritt: Der erste professionelle Prompt
Beginnen wir mit einem konkreten Beispiel. Stufe 1, Vision: „Eine nächtliche Verfolgungsjagd in einer engen Altstadt." Stufe 2, Subjekt: „Ein Mann um die vierzig, grauer Kurzhaarschnitt, dunkle Lederjacke, Narben an der linken Hand." Stufe 3, Umgebung: „Gasse mit Pflastersteinen, Regen, spärliche Laternen, kalte bläuliche Beleuchtung." Stufe 4, Handlung: „Er sprintet auf die Kamera zu, wirft sich zur Seite, verschwindet hinter einer Ecke." Stufe 5, Umsetzung: „Handheld-Kamera, leichtes Wackeln, schneller Schnitt, keine Texteinblendungen."
Schreibe die Ebenen nicht als Fließtext zusammen, sondern als klar getrennte Abschnitte. Du kannst sie mit einfachen Beschriftungen trennen oder einfach als aufeinanderfolgende Sätze mit fester Reihenfolge. Wichtig ist, dass die Reihenfolge immer gleich bleibt – dann kannst du pro Ebene iterieren, ohne den Rest anzufassen.
Visuelle Kohärenz: Die stabile Charakter-Anker
Der häufigste Grund für Frustration ist ein Charakter, der von Szene zu Szene sein Gesicht wechselt. Die Lösung beginnt mit einem festen Charakterblock: ein Textabschnitt, der alle gleichbleibenden Merkmale definiert – Alter, Statur, Haare, Augen, Kleidung, markante Details. Dieser Block gehört in jeden Prompt, in dem der Charakter vorkommt, und er muss wortgleich übernommen werden.
Erstelle dafür eine Masterdatei pro Projekt. Dort liegen der Charakterblock, die Umgebungsblöcke und der Stilblock. Kopiere den Charakterblock in jeden neuen Prompt; schreibe ihn nie aus dem Gedächtnis neu. Wenn du zusätzlich Referenzbilder verwenden kannst, nutze sie: Das Bild definiert das Gesicht, der Text definiert das Verhalten. Text allein bringt dich ein gutes Stück weiter, Text plus Bild fast ans Ziel.
Kamera und Bewegung steuern
Video-Modelle verstehen eine filmische Vokabular, und du solltest es gezielt einsetzen. Begriffe wie „Nahaufnahme", „Halbtotale", „Fahrt", „Vogelperspektive", „geringe Schärfentiefe", „Zeitlupe" verändern das Ergebnis deutlich. Beschreibe die Bewegung als Sequenz: was zuerst passiert, was danach, wie es endet. Eine Kette von kurzen Ereignissen funktioniert besser als ein einzelnes vages Verb.
Übertreibe es nicht. Zwei oder drei Kameraangaben pro Szene reichen; ein Prompt voller filmischer Begriffe verwirrt das Modell. Entscheide, was die Szene definiert, und formuliere genau das. Wenn die Szene von Atmosphäre lebt, priorisiere Licht und Stil; wenn sie von Aktion lebt, priorisiere Bewegung und Kamera.
Emotionen sichtbar machen
Gefühle sind keine visuellen Eigenschaften. „Sie ist traurig" sagt dem Modell nicht, wie Trauer aussieht. Beschreibe stattdessen die beobachtbaren Zeichen: „ihre Schultern sinken, sie schaut an der Kamera vorbei, das Licht fällt flach auf ihr Gesicht." Diese Beschreibungen kann das Modell rendern, weil sie Verhalten beschreiben und nicht innere Zustände.
Das Gleiche gilt für Atmosphäre. „Eine unheimliche Stimmung" ist zu abstrakt. „Nebel, verzerrte Schatten, eine einzelne flackernde Lampe" ist eine Anweisung. Je konkreter deine Beschreibungen sind, desto weniger muss das Modell raten – und desto näher kommt das Ergebnis an deine Vorstellung.
Der Workflow: Vom Konzept zur Serie
Nutze die Struktur nicht nur für einzelne Prompts, sondern für ganze Projekte. Lege für jede Szene einen Prompt in der festen Ebenen-Reihenfolge an. Generiere, prüfe einen Einzelbild-Frame, exportiere bei Erfolg einen Ankerframe und verwende ihn als visuelle Referenz für die nächste Szene. So entsteht eine Kette von Bestätigungen, die den Charakter und den Look über alle Szenen stabil halten.
Dokumentiere deine Iterationen: Prompt, Einstellungen, Ergebnis. Wenn ein Versuch gut funktioniert, weißt du später genau, warum. Mit der Zeit entsteht eine persönliche Bibliothek von Mustern, die zuverlässig funktionieren – ein Kapital, das dir kein Modell-Update nehmen kann, weil es auf Struktur beruht.
Negative Vorgaben und Kostenbewusstsein
Definiere am Ende jedes Prompts, was nicht erscheinen soll: „kein Text im Bild, keine zweiten Personen, keine verzerrten Hände." Drei bis fünf gezielte Verbote reduzieren die häufigsten Fehler, ohne das Ergebnis zu verflachen. Zu lange Verbotslisten dagegen wirken lähmend.
Kostenbewusstsein gehört in denselben Workflow. Strukturierte Prompts brauchen weniger Versuche, und weniger Versuche bedeuten weniger Rechenzeit und weniger Budget. Bevor du teure Wiederholungen startest, prüfe den Frame: Wenn die Identität stimmt, aber das Licht nicht, ändere nur die Lichtbeschreibung. Eine Variable pro Iteration – das ist die effizienteste Art zu arbeiten.
Die eigene Stilbibliothek aufbauen
Ein Stilblock funktioniert am besten, wenn er nicht jedes Mal neu erfunden wird. Lege eine Stilbibliothek an: einen Ordner mit Referenzbildern und zugehörigen Prompt-Schnipseln für Looks, die du magst und wiederverwenden willst — Clay-Render, Cel-Shading, Film-Noir-Palette, Produktästhetik. Wenn dir ein Stil begegnet, speichere die Referenz und schreibe in einem Satz auf, wie du ihn in Worten beschreiben würdest. Beim nächsten Projekt ziehst du den Stilblock aus der Bibliothek, statt ihn aus dem Gedächtnis zu rekonstruieren.
Die Bibliothek zahlt sich besonders bei Kundenprojekten aus. Sagt ein Kunde „mach es wie die Referenz, die wir geschickt haben", ordnest du seine Referenz dem nächsten Block zu, passt an und lieferst schnell einen ersten Entwurf. Die Bibliothek schützt auch vor Stildrift zwischen Projekten: Wenn du immer aus demselben Bestand ziehst, bekommt dein Portfolio eine erkennbare visuelle Handschrift. Halte jeden Eintrag klein: ein Referenzbild, ein Prompt-Schnipsel, eine Notiz, welches Modell ihn am besten rendert.
Genres und Formate: Struktur anpassen
Die Fünf-Ebenen-Struktur ist ein Rahmen, kein Korsett. Passe sie an das Genre an. Für ein Produktvideo steht die Produkt-Ebene an erster Stelle, die Umgebung wird zur Inszenierung, und die Kameraarbeit dreht sich um Material und Detail. Für ein Musikvideo bekommt die Handlung mehr Gewicht und der Stilblock darf dominant sein. Für ein Erklärvideo wird die Handlung zur Abfolge von Zuständen: „Das Diagramm erscheint, die Zahl wächst, der Pfeil bewegt sich nach rechts."
Auch das Format zählt. Ein vertikales Social-Clip braucht andere Framing-Entscheidungen als ein horizontales Kinobild. Schreibe die Formatangabe in die Umsetzungsebene, damit die Komposition von Anfang an zum Zielmedium passt. Die Struktur sorgt dafür, dass du nichts Wichtiges vergisst; die Anpassung an Genre und Format sorgt dafür, dass das Ergebnis zum Projekt passt.
Im Team arbeiten: Prompt-Standards
Sobald mehrere Personen an einem Projekt arbeiten, wird die Prompt-Struktur zum Kommunikationsmittel. Definiere einen Teamstandard: die feste Ebenen-Reihenfolge, die Masterdatei mit Charakter- und Stilblöcken, die Namenskonvention für Dateien und die Review-Vokabeln („Identität ok", „Handlung unklar", „Technikfehler"). Wenn alle dieselbe Sprache sprechen, kann jeder die Arbeit der anderen fortsetzen, ohne dass die Qualität leidet.
Der größte Fehler in Teams ist die stille Variation: Jeder schreibt den Charakterblock ein bisschen anders, und die Serie driftet. Verhindere das mit einer verbindlichen Masterdatei und der Regel, dass Blöcke kopiert und nie neu getippt werden. Review-Runden über Einzelbild-Frames sind effizienter als über Videos: Man beurteilt Komposition und Identität, nicht nur Bewegung. Was in der Serie funktioniert, ist dieselbe Disziplin wie im Einzelprojekt — nur verbindlich für alle.
Ein Beispielprojekt Schritt für Schritt
Damit die Theorie konkret wird: Du produzierst eine Serie von drei Szenen — ein Bote überquert eine nächtliche Stadt, nimmt ein Paket entgegen, liefert es auf einem Dach aus. Stufe 1: Du baust die Bibliothek auf — acht Bilder des Boten (Gesicht frontal, Profil, ganze Figur, Detail der Jacke), drei Bilder der Stadt, eine Neon-Palette. Du schreibst den Charakterblock: „Bote um die dreißig, dunkle kurze Haare, graue Regenjacke mit orangefarbenen Streifen, schwarzer Helm, Rucksack."
Du generierst die erste Szene mit dem Porträt als erster Referenz und prüfst den Frame. Ist die Identität korrekt, exportierst du den Anker. Die zweite Szene startet vom Anker, du änderst nur Handlung und Umgebung: „Er hält vor einer Metalltür, nimmt ein Paket entgegen." Die dritte Szene ebenfalls vom Anker, neue Handlung: „Er steigt aufs Dach, übergibt das Paket, blickt über die Stadt." Der Charakterblock bleibt in jeder Generation wortgleich.
Das Ergebnis: Der Bote ist in allen drei Szenen dieselbe Person, und jede Szene kostet nicht mehr Zeit als eine unstrukturierte Einzelgeneration. Der Unterschied liegt darin, dass aus drei zufälligen Videos eine zusammenhängende Geschichte wird.
Messbar machen: Iterationen und Qualität
Eine Struktur wird erst dann zu einem echten System, wenn du sie misst. Notiere pro Projekt, wie viele Versuche eine freigegebene Szene braucht, wie oft du die Identität korrigierst und wie lange der Aufbau der Bibliothek dauert. Diese Zahlen zeigen dir, wo dein Workflow leckt. Wenn jede zweite Generierung eine Identitätskorrektur braucht, sind deine Referenzen zu schwach oder dein Charakterblock ändert sich. Wenn Szenen beim ersten Versuch gelingen, aber das Projekt eintönig wirkt, beschränkst du die Ausdrucksmöglichkeiten zu stark.
Führe ein kurzes Projekttagebuch: was funktioniert, was nicht, was du geändert hast. Nach drei Projekten siehst du Muster, die dir während der Arbeit entgehen. Konsistenz ist kein Selbstzweck; sie ist ein Werkzeug für Kontrolle. Wenn du misst, wird aus der guten Gewohnheit ein wiederholbarer Prozess, der auch unter Termindruck funktioniert.
FAQ
Funktioniert diese Struktur nur mit Mixtral? Nein. Der Aufbau ist übertragbar auf jedes Modell, das mehrteilige Anweisungen versteht. Mixtral ist ein guter Ausgangspunkt, weil es Ordnung belohnt, aber die Methode bleibt beim Modellwechsel gültig.
Wie lang sollte ein Prompt sein? Lang genug, um alle Ebenen abzudecken, kurz genug, um nichts zu wiederholen. Ein paar Sätze pro Ebene sind ein guter Richtwert. Ein Prompt, der dasselbe Detail mit anderen Worten wiederholt, verwirrt das Modell mehr als ein Prompt, der ein nebensächliches Detail weglässt.
Was tun, wenn das Modell Teile ignoriert? Verschiebe die wichtige Information nach vorne und formuliere sie konkreter. Der Anfang des Prompts hat mehr Gewicht.
Kann ich in einem Projekt mehrere Stile mischen? Ja, wenn der Charakteranker stabil ist. Der Stil wechselt, die Identität bleibt – so liest sich die Serie als eine einzige zusammenhängende Geschichte und nicht als drei verschiedene Filme.
Wie erkenne ich, dass ein Prompt gut genug ist? Wenn drei aufeinanderfolgende Generationen ohne Korrekturen die Qualitätsprüfung bestehen, ist der Prompt stabil. Das ist das Signal, weiterzumachen – einen Prompt, der bereits konsistente Ergebnisse liefert, weiter zu perfektionieren, kostet nur Zeit.
Funktioniert diese Struktur auch für Bilder? Ja. Die fünf Ebenen lassen sich auf Einzelbilder übertragen, mit sogar noch mehr Raum für Details, und der Charakterblock funktioniert direkt weiter, wenn dieselbe Figur über mehrere Illustrationen konsistent bleiben soll.
Strukturierte Prompts ersetzen keine Kreativität und sollen es auch nicht. Sie räumen nur das Rauschen zwischen deiner Idee und dem Ergebnis aus dem Weg. Mit der Hierarchie der fünf Ebenen, einem festen Charakterblock, gezielter filmischer Sprache und einem dokumentierten Workflow hörst du auf, zu würfeln – und fängst an, zu inszenieren. Genau das ist der Unterschied zwischen einem Werkzeug-Nutzer und einem Creator.
