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:
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.
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.
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:
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-Sprache ist der stärkste Hebel, den du hast. Sie bestimmt nicht nur den Look, sondern auch, wie stabil der Clip wirkt. Nützliche Kategorien:
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 beschreibt man am besten über die Quelle, nicht über die Stimmung. „Weiches Seitenlicht von links“ ist steuerbarer als „verträumte Atmosphäre“. Gute Bausteine:
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 Angaben gehören an das Ende, weil sie den Rahmen setzen, nicht die Idee. Sinnvoll sind:
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.
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.“
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.
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:
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:
Negativ-Prompts sagen, was nicht vorkommen soll. Sie sind nützlich, aber kein Allheilmittel. Sinnvolle Einträge sind konkrete, häufig auftretende Fehler:
Unsinnig ist es, zehn Stilbegriffe zu verbieten. Negative Listen, die länger sind als der eigentliche Prompt, drücken oft die Bildqualität insgesamt.
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.
Statt eine ganze Szene mit fünf Bewegungen in einen Prompt zu packen, teilst du sie in kurze Einstellungen:
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.
Notiere fünf bis acht Beats der Sequenz in einem Satz, ohne Kamera und ohne Stil. Beispiel:
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.
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.
Generiere pro Einstellung mindestens drei Varianten mit bewusst unterschiedlichen Schwerpunkten:
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.
Rechne fest mit Nachbearbeitung. Selbst gute Clips profitieren von:
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.
| 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.
Nicht jedes Werkzeug ist für jede Aufgabe gleich gut. Als grobe Orientierung:
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.
Etabliere eine kurze Prüfliste, bevor du einen Clip akzeptierst:
Punkt 4 ist besonders nützlich. Wenn Anfang und Ende eines Clips sauber sind, lässt er sich leichter schneiden und mit anderen Einstellungen kombinieren.
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.
Wenn du wenig Zeit hast, reichen diese sieben Punkte für deutlich bessere Ergebnisse:
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
A practical guide to AI-assisted video production, from brief and shot list to prompt design, audio, editing, and final quality control.
Build a reliable free video transcription and editing workflow with practical tool choices, caption tips, quality checks, and AI handoff points.
Learn a reliable automated video transcription workflow with AI, from audio prep and speaker labels to quality checks, captions, and searchable transcripts.