Limited Time Offer: Get 50% OFF Starter & Basic Yearly Plans 🎉

Prompt Engineering für Video-KI: Techniken für bessere Clips

Oct 1, 2026

Warum Prompting bei Video-KI anders funktioniert als bei Bildern

Wer von der Bildgenerierung zur Videogenerierung wechselt, macht fast immer denselben Fehler: Der erste Video-Prompt sieht aus wie ein Bild-Prompt mit angehängtem Wort „bewegt sich“. Das Ergebnis wirkt dann flach, wackelig oder erzählerisch beliebig. Der Grund ist einfach. Ein Standbild beschreibt einen Zustand – ein Video beschreibt eine Veränderung über die Zeit. Damit verschiebt sich der Schwerpunkt des Prompts komplett.

Bei einem Bild beschreibst du, was zu sehen ist. Bei einem Video beschreibst du zusätzlich:

  • was sich verändert (Bewegung von Figur, Objekt, Licht, Kamera)
  • wie schnell diese Veränderung passiert
  • wohin die Bewegung führt
  • was konstant bleibt, während sich alles andere verändert

Das Konstante ist der unterschätzte Teil. Wenn sich Subjekt, Hintergrund, Licht und Kamera gleichzeitig verändern, verliert das Modell den Bezug und erzeugt visuelles Rauschen: Hände, die sich auflösen, Kleidung, die zwischen Frames die Farbe wechselt, ein Horizont, der wandert. Gute Video-Prompts sind deshalb keine längeren Bild-Prompts, sondern Bewegungsdrehbücher in Kurzform.

Ein zweiter Unterschied: Video-Modelle haben eine kürzere „Aufmerksamkeitsspanne“ als Bildmodelle. Was bei einem Standbild als Detailreichtum durchgeht, kann bei einem Clip dazu führen, dass einzelne Elemente nur in den ersten Sekunden existieren und dann verschwinden. Priorisierung ist daher wichtiger als Vollständigkeit. Du entscheidest, welche drei bis sechs Informationen wirklich tragen, und lässt den Rest weg.

Die Anatomie eines belastbaren Video-Prompts

Ein Prompt, der zuverlässig brauchbare Ergebnisse liefert, ist kein kreativer Satz, sondern eine Reihenfolge von Entscheidungen. Bewährt hat sich diese Ordnung: Subjekt → Handlung → Umgebung → Kamera → Licht → Stil → Technik. Die Reihenfolge ist nicht magisch, aber sie hilft, nichts zu vergessen und beim Debuggen einzelne Bausteine zu isolieren.

Subjekt, Handlung, Umgebung

Beginne konkret. Statt „eine Person in einer Stadt“ besser: „eine Frau Ende dreißig in einem nassen Regenmantel, die auf einem Gehweg vor einem geschlossenen Kiosk steht“. Das klingt banal, ist aber entscheidend, weil das Modell aus Details ableitet, welche Bewegung plausibel ist. Ein Regenmantel impliziert Nässe, Gewicht, langsames Gehen. Ein Kiosk impliziert einen bestimmten Hintergrund.

Struktur, die funktioniert:

  1. Wer oder was – mit einem erkennbaren Merkmal (Alter, Kleidung, Material, Form)
  2. Tut was – genau eine Hauptaktion pro Prompt
  3. In welcher Umgebung – Ort plus ein konkretes Requisit

Die Regel „eine Hauptaktion pro Prompt“ klingt einschränkend, spart aber sehr viel Material. Sobald zwei Aktionen konkurrieren („sie geht und öffnet gleichzeitig eine Tasche“), verbringt das Modell seine Kapazität damit, beides halb zu lösen.

Kamera und Bewegung

Kamera-Sprache ist der stärkste Hebel, den du hast. Sie bestimmt nicht nur den Look, sondern auch, wie stabil der Clip wirkt. Nützliche Kategorien:

  • Statisch: feste Kamera, kein Schwenk. Die stabilste Variante und oft die richtige Wahl für Porträts oder Produktdetails.
  • Langsame Bewegung: langsamer Schwenk nach rechts, langsames Heranfahren, langsames Anheben. Das Wort „langsam“ ist entscheidend, weil Modelle bei „Schwenk“ gern übertreiben.
  • Verfolgung: Kamera folgt dem Subjekt in gleichbleibendem Abstand.
  • Handkamera: leichtes Zittern, dokumentarisch – sparsam einsetzen, sonst wirkt es billig.

Ein Beispiel für einen stabilen Kamera-Baustein: „feste Kamera auf Stativ, leichte Brennweite, Subjekt mittig, kein Zoom“. Solche Formulierungen sind unspektakulär, liefern aber deutlich konsistentere Ergebnisse als dramatische Kamera-Beschreibungen.

Licht, Stil, Material

Licht beschreibt man am besten über die Quelle, nicht über die Stimmung. „Weiches Seitenlicht von links“ ist steuerbarer als „verträumte Atmosphäre“. Gute Bausteine:

  • Lichtquelle und Richtung: Fensterlicht von rechts, Gegenlicht, Neonröhren von oben
  • Härte: weich, diffus, hart, gerichtet
  • Tageszeit: blaue Stunde, Mittagssonne, Nacht mit Straßenlaternen
  • Farbigkeit: entsättigt, warmes Kunstlicht, kühler Schatten

Stil-Modifikatoren wie „Filmkorn“, „16-mm-Look“ oder „dokumentarisch“ funktionieren nur, wenn sie zu einer konkreten Wahl passen. „Kinoreif“ allein sagt nichts. „Anamorphe Optik, flache Schärfentiefe, leichtes Korn“ sagt sehr viel.

Technische Parameter: Format, Dauer, Bildrate

Technische Angaben gehören an das Ende, weil sie den Rahmen setzen, nicht die Idee. Sinnvoll sind:

  • Seitenverhältnis: 16:9 für Web und Präsentation, 9:16 für Kurzformate, 1:1 für Feeds
  • Dauer: kurze Einstellungen sind meist stabiler als lange
  • Bildrate: 24 fps wirkt filmisch, 30 fps neutraler, 60 fps nur bei echter Zeitlupe sinnvoll
  • Schärfentiefe: flach für Fokus, tief für Übersicht

Wichtig: Prüfe, welche Parameter dein jeweiliges Modell überhaupt als Prompt-Text versteht und welche du besser in den Einstellungen setzt. Doppelte Angaben führen manchmal zu Widersprüchen.

Bewegung beschreiben: der wichtigste Hebel

Wenn du nur eine Sache verbessern willst, dann diese. Bewegung ist der Punkt, an dem die meisten Clips scheitern. Drei Regeln helfen.

Erstens: Bewegung braucht ein Ziel. „Sie dreht den Kopf“ ist schwächer als „sie dreht den Kopf langsam nach links, bis sie aus dem Bild schaut“. Die zweite Formulierung gibt Anfang, Richtung und Ende an – das Modell weiß, wann die Bewegung abgeschlossen ist.

Zweitens: ein Bewegungstyp pro Element. Figur bewegt sich, Kamera bleibt ruhig. Oder Kamera bewegt sich, Figur bleibt ruhig. Beides gleichzeitig führt häufig zu Verzerrungen, besonders bei Gesichtern.

Drittens: Tempo explizit machen. Wörter wie langsam, allmählich, träge, ruckartig, abrupt verändern das Ergebnis stärker, als man erwartet. Wenn du keine Angabe machst, wählt das Modell häufig ein mittleres, austauschbares Tempo.

Ein brauchbarer Bewegungs-Baustein sieht so aus: „Sie hebt langsam die rechte Hand, die Bewegung ist ruhig und endet auf Brusthöhe; Kamera statisch; Hintergrund unverändert.“

Konsistenz über mehrere Szenen

Ein einzelner schöner Clip ist einfach. Fünf Clips, die zusammen eine Sequenz ergeben, sind die eigentliche Herausforderung. Konsistenz entsteht nicht durch Wiederholung, sondern durch Festhalten von Variablen.

Keyframes und Referenzbilder

Die zuverlässigste Methode: Erzeuge oder wähle ein Referenzbild für Figur, Ausstattung und Umgebung. Nutze es als Startbild oder als visuelle Referenz, je nachdem, was dein Werkzeug unterstützt. Der Prompt beschreibt dann nur noch die Veränderung, nicht mehr das Aussehen. Das reduziert die Fehlerquote enorm, weil das Modell Figur und Raum nicht neu erfinden muss.

Typische Aufteilung:

  • Referenzbild A: Figur, frontal, neutrales Licht
  • Referenzbild B: Umgebung, ohne Figur
  • Prompt: nur Bewegung, Kamera und Lichtveränderung

Figuren-Sheet und Prompt-Bausteine

Lege dir ein kleines Textdokument an, das die Figur beschreibt – immer mit denselben Worten. Wenn du zwischen Szenen die Wortwahl änderst („dunkelblauer Mantel“ in Szene 1, „blauer Mantel“ in Szene 3), ändert sich das Aussehen mit. Genau hier verlieren viele Projekte ihre Kontinuität.

Ein Figuren-Sheet enthält:

  • 15–25 Wörter Beschreibung, unverändert kopierbar
  • eine Liste fester Requisiten
  • Lichtsituation, damit sie über Szenen hinweg vergleichbar bleibt
  • eine kurze Notiz zu Haar- und Kleidungsdetails

Fortgeschrittene Techniken: Gewichtung, Negativ-Anweisungen, schrittweises Erzählen

Negativ-Anweisungen richtig einsetzen

Negativ-Prompts sagen, was nicht vorkommen soll. Sie sind nützlich, aber kein Allheilmittel. Sinnvolle Einträge sind konkrete, häufig auftretende Fehler:

  • verzerrte Hände, zusätzliche Finger
  • Text oder Logos, die im Bild auftauchen
  • Wasserzeichen, Bildunterschriften
  • schnelle Schnitte, Szenenwechsel innerhalb eines Clips
  • unruhige Kamera, extreme Perspektive

Unsinnig ist es, zehn Stilbegriffe zu verbieten. Negative Listen, die länger sind als der eigentliche Prompt, drücken oft die Bildqualität insgesamt.

Gewichtung und Priorisierung

Manche Werkzeuge erlauben, Begriffe zu gewichten. Auch ohne diese Syntax kannst du Priorität erzeugen, indem du Wichtiges vorn und Unwichtiges hinten nennst. Wenn ein Detail durchgehend falsch ist, nenne es nicht mehr im Prompt, sondern verschiebe es in den Negativ-Prompt. Oft verschwindet das Problem dann, weil das Modell nicht mehr versucht, zwei widersprüchliche Vorgaben zu erfüllen.

Schrittweises Erzählen statt Überladung

Statt eine ganze Szene mit fünf Bewegungen in einen Prompt zu packen, teilst du sie in kurze Einstellungen:

  1. Einstellung A: Figur steht still, Kamera langsam heranfahrend
  2. Einstellung B: Figur dreht Kopf, Kamera statisch
  3. Einstellung C: Figur geht aus dem Bild, Kamera folgt kurz

Jede Einstellung ist einzeln stabil und wird später im Schnitt verbunden. Das ist mehr Arbeit, aber die Trefferquote steigt deutlich. Für erzählerische Projekte ist dieser Ansatz fast immer die bessere Wahl.

Ein Workflow von der Idee zum fertigen Clip

Schritt 1: Beat-Sheet statt Drehbuch

Notiere fünf bis acht Beats der Sequenz in einem Satz, ohne Kamera und ohne Stil. Beispiel:

  1. Figur betritt den leeren Raum
  2. Sie bleibt vor dem Fenster stehen
  3. Draußen zieht Regen auf
  4. Sie dreht sich zur Tür
  5. Tür schließt sich

Erst danach entscheidest du, welche Beats überhaupt als Clip umgesetzt werden. Viele Beats lassen sich später im Schnitt mit einem Standbild oder einer Zwischeneinstellung lösen – das spart viel Generierungszeit.

Schritt 2: Prompt-Template bauen

Setze ein festes Template auf und fülle es pro Einstellung:

[Subjekt + ein Merkmal], [eine Hauptaktion mit Richtung], 
[Umgebung + ein Requisit], [Kamera ruhig/bewegt + Tempo], 
[Lichtquelle + Richtung + Härte], [Stil in 3 Begriffen], 
[Format, Dauer, Bildrate]

Das Template zwingt dich, jede Variable einmal zu entscheiden, statt sie zu vergessen. Es macht außerdem Vergleiche möglich: Wenn du nur den Kamera-Baustein änderst, siehst du direkt, welchen Effekt er hat.

Schritt 3: Testläufe und Varianten

Generiere pro Einstellung mindestens drei Varianten mit bewusst unterschiedlichen Schwerpunkten:

  • Variante 1: weniger Detail, ruhigere Kamera
  • Variante 2: mehr Stilbegriffe, gleiche Bewegung
  • Variante 3: anderes Tempo und anderer Blickwinkel

Vergleiche nicht nach Gefühl, sondern nach Kriterien: Sitzt die Bewegung? Bleibt die Figur stabil? Passt das Licht zur Nachbareinstellung? Die schönste Einzelaufnahme ist wertlos, wenn sie nicht in die Sequenz passt.

Schritt 4: Auswahl und Nachbearbeitung

Rechne fest mit Nachbearbeitung. Selbst gute Clips profitieren von:

  • leichtem Farbabgleich über alle Einstellungen
  • Stabilisierung, falls die Kamera unsauber wirkt
  • minimaler Zeitlupe oder Tempokorrektur
  • Beschnitt, um Randartefakte zu entfernen

Ein häufiger Anfängerfehler ist, jeden Clip einzeln zu optimieren und die Sequenz zu ignorieren. Besser: Erst grob alle Einstellungen auswählen, dann in einem Durchgang angleichen.

Häufige Fehler und wie man sie behebt

Symptom Wahrscheinliche Ursache Gegenmaßnahme
Figur verändert sich zwischen Frames zu viele gleichzeitige Änderungen Kamera stillstellen, nur eine Bewegung erlauben
Clip wirkt hektisch kein Tempo angegeben „langsam“, „allmählich“, „gleichmäßig“ ergänzen
Hintergrund „schwimmt“ Bewegung von Figur und Kamera gleichzeitig eine der beiden fixieren
Hände und Details zerfallen zu viel Detailtiefe im Prompt Details reduzieren, Nahaufnahme wählen
Licht springt Lichtquelle nicht benannt Lichtquelle plus Richtung festlegen
Stil wirkt beliebig Stilbegriffe ohne Bezug auf drei konkrete Begriffe kürzen

Zusätzlich lohnt es sich, Ausreißer zu protokollieren. Wenn zwei von zehn Läufen dasselbe Problem zeigen, ist es strukturell und nicht zufällig – dann lohnt die Anpassung des Templates.

Werkzeugwahl: wann welches Modell passt

Nicht jedes Werkzeug ist für jede Aufgabe gleich gut. Als grobe Orientierung:

  • Realistische Personen und Gesichter: Modelle mit starkem Fokus auf Gesichtskonsistenz und kurze Einstellungen
  • Abstrakte oder stilisierte Szenen: Modelle mit ausgeprägter Stiltreue, oft mit mehr Toleranz für Bewegung
  • Produkt- und Objektaufnahmen: Werkzeuge mit Bild-zu-Video-Funktion und stabiler Kamera
  • Erzählerische Sequenzen: Systeme, die Referenzbilder und Keyframes unterstützen
  • Schnelle Konzepttests: Modelle mit kurzer Generierungszeit, Qualität zweitrangig

Praktischer Tipp: Teste dasselbe Prompt-Template in zwei Modellen und notiere, welches Bausteine ignoriert. Manche Modelle reagieren kaum auf Kamera-Begriffe, andere stark auf Licht. Diese Eigenheiten sind wichtiger als Benchmark-Listen.

Qualitätskontrolle und Iteration

Etabliere eine kurze Prüfliste, bevor du einen Clip akzeptierst:

  1. Ist die Bewegung vollständig und plausibel abgeschlossen?
  2. Bleibt die Figur über die gesamte Länge erkennbar gleich?
  3. Passt das Licht zur vorherigen Einstellung?
  4. Sieht der erste und der letzte Frame für sich genommen gut aus?
  5. Gibt es Artefakte an Rändern, Händen oder Text im Bild?
  6. Funktioniert der Clip stumm, also ohne Ton?

Punkt 4 ist besonders nützlich. Wenn Anfang und Ende eines Clips sauber sind, lässt er sich leichter schneiden und mit anderen Einstellungen kombinieren.

FAQ

Wie lang sollte ein Video-Prompt sein?

Für die meisten Modelle funktionieren 40 bis 90 Wörter gut. Kürzere Prompts lassen dem Modell mehr Freiheit, längere geben mehr Kontrolle – aber nur, wenn die Details sich nicht widersprechen. Bei Widersprüchen sinkt die Qualität.

Soll ich Prompts auf Englisch schreiben?

Wenn dein Werkzeug englische Trainingsdaten dominiert verarbeitet, ist Englisch oft stabiler. Schreibe den Prompt dann Englisch, aber halte Figuren-Sheets und Notizen in deiner Arbeitssprache, damit du den Überblick behältst.

Warum ignoriert das Modell meine Kameraanweisung?

Meist steht sie zu weit hinten im Prompt oder konkurriert mit einer Bewegungsanweisung für die Figur. Stelle die Kamera nach vorn und reduziere die Figurbewegung auf eine Aktion.

Wie verhindere ich, dass Text im Bild auftaucht?

Nimm „kein Text, keine Schrift, keine Logos, kein Wasserzeichen“ in die Negativ-Anweisungen auf und vermeide im Prompt Wörter, die auf Schrift hindeuten, etwa Schild, Plakat oder Beschriftung.

Brauche ich für jede Einstellung ein Referenzbild?

Nein. Ein Referenzbild pro Figur und eines pro Umgebung reicht meist. Wichtiger ist, dass du immer dasselbe Bild und dieselbe Wortwahl verwendest.

Wie viele Varianten sollte ich generieren?

Drei pro Einstellung ist ein guter Start. Bei schwierigen Motiven wie Händen oder Tieren lohnen fünf bis sechs, weil die Streuung dort größer ist.

Kann ich Bewegungen nachträglich ändern?

Nur begrenzt. Nachträgliche Zeitlupe oder leichte Stabilisierung sind möglich, echte Richtungsänderungen nicht. Wenn die Bewegungsrichtung falsch ist, generiere neu.

Was tun, wenn alle Varianten ähnlich schlecht sind?

Dann liegt das Problem meist am Konzept, nicht am Prompt. Wechsle die Perspektive, verkleinere die Einstellung oder ersetze die Aktion durch eine einfachere. Kleine Änderungen an der Aufgabenstellung wirken oft stärker als weitere Stilbegriffe.

Die Kurz-Checkliste für den Alltag

Wenn du wenig Zeit hast, reichen diese sieben Punkte für deutlich bessere Ergebnisse:

  • Eine Hauptaktion pro Prompt
  • Kamera und Figur nicht gleichzeitig stark bewegen
  • Lichtquelle und Richtung immer benennen
  • Tempo explizit angeben
  • Maximal drei Stilbegriffe
  • Referenzbilder für Figur und Umgebung verwenden
  • Wortwahl zwischen Einstellungen nicht verändern

Prompting für Video-KI ist damit weniger eine Frage von Formeln als von Disziplin. Die Werkzeuge werden besser, aber sie bleiben empfindlich gegenüber widersprüchlichen Anweisungen. Wer sauber priorisiert, Variablen festhält und in kurzen, prüfbaren Einstellungen arbeitet, bekommt Ergebnisse, die sich tatsächlich schneiden lassen – und genau das ist der Unterschied zwischen einem hübschen Testclip und einer brauchbaren Sequenz.

Alexander

Alexander