Text zu Video in 9:16: der komplette KI-Workflow

Vertikale Videos bestimmen, wie kurze Inhalte heute konsumiert werden. TikTok, Instagram Reels, YouTube Shorts, Snapchat und die Story-Formate nahezu aller Plattformen setzen auf ein Hochformat, das den kompletten Bildschirm eines Smartphones füllt. Wer mit Text-zu-Video-KI arbeitet, produziert deshalb selten im klassischen Breitbild, sondern fast immer im Verhältnis 9:16.

Gleichzeitig ist die Technik in kurzer Zeit erwachsen geworden. Aus einem Satz entstehen bewegte Szenen, für die früher ein kleines Animationsteam nötig gewesen wäre. Dieser Leitfaden beschreibt einen reproduzierbaren Workflow für vertikale KI-Videos: von der ersten Idee über die Modellwahl bis zum Export. Im Mittelpunkt stehen praktische Entscheidungen, konkrete Beispiele und die Fehler, die Einsteiger am häufigsten machen.

Warum 9:16 das Leitformat für KI-Videos ist

Hochformat ist kein Modetrend, sondern eine Folge der Gerätenutzung. Ein Smartphone wird vertikal gehalten, also sollte ein Video vertikal gedacht werden. Wer ein 16:9-Video nachträglich in einen vertikalen Feed stellt, verliert entweder Bildfläche durch schwarze Balken oder schneidet Bildinhalte ab. Beides kostet Aufmerksamkeit – und Aufmerksamkeit ist die eigentliche Währung in kurzen Formaten.

Für generative Systeme hat das eine handfeste Konsequenz: Das Seitenverhältnis muss von Anfang an mitgedacht werden. Modelle, die intern auf quadratischen oder breiten Auflösungen arbeiten, müssen für 9:16 neu gerendert oder durch Outpainting erweitert werden. Das kostet zusätzliche Rechenzeit und führt häufig zu weichen Rändern, wiederholten Mustern oder einem unscharfen Rahmen am Bildrand.

Mobile-First als Gestaltungsregel

Im Hochformat liegt der Fokusbereich in der Bildmitte. Daraus ergeben sich einfache Regeln:

Motive mittig oder leicht oberhalb der Mitte platzieren
Die unteren 20 Prozent für Untertitel und Bedienelemente freihalten
Die oberen 10 bis 15 Prozent nicht mit wichtigen Details füllen, weil dort Plattform-Overlays liegen
Bewegung eher vertikal oder diagonal führen, weil das Auge dem Scrollfluss folgt
Gesichter groß genug zeigen, damit sie auch auf kleinen Displays erkennbar bleiben

Was das für die Bildkomposition bedeutet

Ein vertikaler Frame verzeiht keine leere Fläche. In der Breite bleibt kaum Platz, also musst du in die Tiefe arbeiten: Vordergrund, Mittelgrund, Hintergrund. Eine Person, die einfach im Raum steht, wirkt schnell verloren. Eine Person, die eine Treppe hinaufgeht, erzeugt sofort Tiefe. Beschreibe solche Tiefenstaffelungen direkt im Prompt – das ist einer der größten Hebel für Ergebnisse, die professionell und nicht zufällig wirken.

Ein praktisches Beispiel: Statt „Frau kocht“ formulierst du „Frau schneidet Kräuter auf einem Holzbrett im Vordergrund, dampfender Topf im Hintergrund, warmes Seitenlicht von links“. Plötzlich entsteht ein Raum, und das Bild funktioniert auch auf einem 6-Zoll-Display.

Wann Breitbild die bessere Wahl bleibt

Es gibt Ausnahmen: Landschaftspanoramen, breite Establishing Shots, Präsentationen mit Diagrammen und Text-Overlays mit mehreren Spalten. Wenn dein Konzept zwingend Breitbild braucht, produziere in 16:9 und schneide anschließend eine bewusste vertikale Version mit klarer Bildführung – statt das Breitbild in den Hochformat-Rahmen zu quetschen. Für Tutorials mit Screenshots lohnt es sich außerdem, den Bildschirminhalt in mehreren Schritten zu zeigen, statt eine breite Oberfläche verkleinert darzustellen.

Wie Text-zu-Video-Systeme technisch arbeiten

Es hilft, den Ablauf grob zu verstehen, weil sich daraus ableitet, wie du Prompts schreibst und wie viel Zeit du einplanen musst. Moderne Systeme arbeiten in mehreren Stufen.

Vom Prompt zur strukturierten Szene

Zuerst wird dein Text in eine strukturierte Szene übersetzt: Subjekt, Umgebung, Aktion, Kamera, Licht, Stil. Manche Systeme erledigen das intern automatisch, andere erwarten eine explizite Struktur. Je klarer du diese Ebenen trennst, desto weniger muss das Modell raten – und desto näher liegt das Ergebnis an deiner Vorstellung. Ein Prompt mit klarer Trennung dieser Ebenen liefert fast immer ein brauchbareres Ergebnis als eine lange, blumige Beschreibung.

Zeitliche Konsistenz als Kernproblem

Ein einzelnes Bild zu erzeugen ist einfach, sechzig konsistente Bilder hintereinander sind schwer. Deshalb kämpfen viele Modelle mit flackernden Details, verschwimmenden Gesichtern oder sich auflösenden Händen. Je länger die Einstellung und je schneller die Bewegung, desto größer das Risiko. Kurze Einstellungen von zwei bis fünf Sekunden sind daher kein Kompromiss, sondern die zuverlässigste Produktionsweise. Für einen 30-Sekunden-Clip bedeutet das sechs bis zwölf Einstellungen – ein Umfang, der sich gut kontrollieren lässt.

Arbeitsauflösung, finaler Render und Upscaling

Die meisten Generierungen entstehen zuerst in einer Arbeitsauflösung und werden danach hochskaliert. Für Vorschauen reicht diese erste Stufe völlig aus. Erst wenn eine Szene dramaturgisch sitzt, lohnt der finale Render in hoher Auflösung. Dieser zweistufige Ansatz spart Wartezeit und Rechenressourcen und macht kreative Iteration überhaupt erst bezahlbar. Wer jede Idee sofort in maximaler Qualität rendert, verbraucht sein Tagespensum in wenigen Minuten.

Modellwahl: Realismus, Stil und Tempo

Kein Modell ist in allen Disziplinen gleich stark. Die wichtigste Entscheidung ist deshalb nicht „welches ist das beste“, sondern „welches passt zu meinem Look und meinem Zeitplan“.

Fotorealistische Modelle

Sie liefern überzeugende Hauttöne, realistisches Licht und glaubwürdige Kamerabewegung. Ideal für Produktvideos, Mode, Food und dokumentarisch anmutende Szenen. Schwachpunkt: Gesichter und Hände bei schneller Bewegung. Halte die Kamera hier ruhig und nah, dann bleibt die Qualität stabil. Für Nahaufnahmen mit langsamem Push-in sind fotorealistische Systeme oft die stärkste Wahl.

Anime, Illustration und 3D-Looks

Stilisierte Modelle sind oft konsistenter, weil kleine Fehler im Zeichenstil weniger auffallen. Sie eignen sich hervorragend für Storytelling, Erklärvideos, Fantasy und alles, was eine erkennbare visuelle Handschrift braucht. Auch hier gilt: Ein Stil, der über alle Szenen gleich bleibt, schlägt jede einzelne besonders schöne Einstellung. Eine Serie mit durchgehendem Look wirkt stärker als eine Sammlung hübscher Einzelbilder.

Schnelle Entwurfsvarianten als Vorstufe

Nutze schnellere, günstigere Varianten, um Timing und Komposition zu prüfen. Erst danach wechselst du auf das qualitativ stärkste Modell für die finalen Szenen. So bleibt der kreative Prozess bezahlbar, und du entscheidest erst dann über den teuren Render, wenn die Szene inhaltlich steht.

Vier Fragen vor jeder Modellwahl

Wie nah muss das Ergebnis an einer realen Vorlage sein?
Muss eine Figur über mehrere Szenen hinweg erkennbar bleiben?
Wie viel Kontrolle brauche ich über Kamera und Bewegung?
Wie schnell brauche ich Rückmeldung, und welche Ausgabequalität ist am Ende nötig?

Wer diese vier Fragen beantwortet, wählt meist in wenigen Minuten das passende Werkzeug statt endlos zu vergleichen. Wichtig ist außerdem: Ein Wechsel des Modells mitten im Projekt ist teuer, weil jeder Wechsel den Look verändert. Lege dich also pro Video auf ein Hauptmodell fest und nutze Alternativen nur für Ausnahmen.

Der Workflow: von der Idee zum fertigen 9:16-Clip

Dieser Ablauf hat sich in der Praxis bewährt und lässt sich auf fast jede Videoform übertragen.

Schritt 1: Kernaussage, Zielgruppe und Hook

Formuliere in einem Satz, was Zuschauer nach drei Sekunden wissen sollen. Der Hook ist im vertikalen Format entscheidend: ein überraschendes Detail, eine Frage, eine ungewöhnliche Bewegung. Ohne Hook ist der Rest des Videos irrelevant. Ein Beispiel: „Diese eine Zutat macht den Kaffee bitter“ funktioniert besser als „Heute zeigen wir, wie man Kaffee zubereitet“. Der erste Satz entscheidet, ob der Rest überhaupt gesehen wird.

Schritt 2: Skript in Einstellungen zerlegen

Zerlege dein Skript in einzelne Einstellungen von zwei bis fünf Sekunden. Jede Einstellung transportiert genau eine Information. Szenen, die zwei Dinge gleichzeitig zeigen, wirken im Hochformat unruhig.

Beispiel für einen 25-Sekunden-Clip über ein Café:

0–3 s: Nahaufnahme, Milch wird in einen Becher gegossen
3–7 s: Halbtotale, Barista lächelt, Dampf steigt auf
7–12 s: Makro, Espresso läuft in die Tasse
12–18 s: Außenansicht, Person geht mit Becher durch die Tür
18–25 s: Ende mit Produkt und kurzer Textfläche für den Namen

Fünf Einstellungen, klar getrennt, jeweils eine Aussage – so bleibt der Schnitt rhythmisch und die Generierung kontrollierbar. Ein Fitness-Studio-Clip funktioniert nach demselben Muster: Hantel wird aufgelegt, Schweißtropfen auf der Stirn, Zeitlupe der Bewegung, jubelnde Gruppe, Logo-Fläche.

Schritt 3: Die Prompt-Formel

Eine robuste Struktur für vertikale KI-Clips:

Subjekt: Wer oder was ist zu sehen, mit zwei bis drei konkreten Merkmalen
Aktion: Was passiert, in einem klaren Verb
Umgebung: Ort, Tageszeit, Wetter, Hintergrunddetails
Kamera: Nahaufnahme, Halbtotale, langsamer Push-in, Handkamera
Licht und Stimmung: weiches Gegenlicht, Neon, kühle Morgenstimmung
Stil und Tempo: fotorealistisch, filmisch, ruhig oder dynamisch
Format: vertikales 9:16, Motiv mittig, Platz unten für Untertitel

Diese Reihenfolge hält Prompts lesbar und macht Varianten leicht vergleichbar. Wer nur einen Satz schreibt, bekommt meist ein Ergebnis, das technisch korrekt, aber inhaltlich beliebig ist.

Schritt 4: Referenzbilder für Figur und Setting

Wenn eine Figur in mehreren Szenen vorkommt, lohnt sich ein Referenzbild. Kombinationen aus mehreren Vorlagen, die gleichzeitig als Orientierung dienen, verbessern die Wiedererkennbarkeit deutlich: Gesicht, Kleidung und Farbpalette bleiben stabiler. Erstelle dafür zuerst ein besonders gelungenes Standbild und nutze es als Anker für alle weiteren Szenen.

Schritt 5: Entwurfsdurchlauf in niedriger Qualität

Generiere alle Szenen einmal in niedriger Qualität. Du erkennst dann schnell, welche Einstellungen funktionieren und welche neu geschrieben werden müssen. Sortiere gnadenlos aus: Eine mittelmäßige Szene wird durch den finalen Render nicht besser. Dieser Schritt ist auch der richtige Moment, um die Gesamtlänge zu prüfen – oft merkt man erst hier, dass zwei Einstellungen zu viel im Skript stehen.

Schritt 6: Gezielte Varianten statt Zufall

Ändere pro Iteration nur eine Variable. Wer Prompt, Modell und Kamera gleichzeitig umstellt, lernt nichts über die Ursache der Verbesserung. Zwei bis drei Varianten pro Szene sind ein guter Richtwert.

Schritt 7: Schnitt, Ton und Untertitel

Erst im Schnitt entsteht Rhythmus. Kurze Schnitte, ein sauberer Soundtrack und präzise Untertitel heben die wahrgenommene Qualität oft stärker als ein teureres Modell. Untertitel sollten gut lesbar sein und innerhalb der Safe Zones liegen. Musik, Voice-over und Geräusche gehören fast immer in die Nachbearbeitung, weil KI-generierter Ton selten brauchbar ist. Plane für den Schnitt mindestens so viel Zeit ein wie für die Generierung – das ist der Schritt, der über die Wirkung entscheidet.

Konsistenz über mehrere Szenen halten

Konsistenz ist der Unterschied zwischen einer KI-Demo und einem echten Video. Drei Techniken helfen.

Prompt-Anker

Definiere feste Formulierungen für Figur, Kleidung und Setting und kopiere sie wortgleich in jede Szene. Variation nur dort, wo sie dramaturgisch gewollt ist. Ein Anker könnte lauten: „Mitte 30, dunkelblauer Pullover, kurzes braunes Haar, weiches Seitenlicht, Küche mit Holzarbeitsplatte“. Dieser Satz wandert unverändert in jede Einstellung, in der die Person vorkommt.

Referenzbild-Kombinationen

Ein gutes Referenzbild plus ein konsistenter Prompt-Anker deckt die meisten Fälle ab. Bei komplexen Figuren lohnt es sich, mehrere Blickwinkel als Referenz zu erzeugen und diese je nach Kameraposition einzusetzen. Für Produkte gilt dasselbe: ein Frontbild, eine Detailaufnahme und eine Aufnahme aus der Hand des Nutzers liefern meist genug Orientierung.

Farbe, Licht und Requisiten als Wiedererkennung

Feste Farbwelten und wiederkehrende Requisiten – eine bestimmte Tasse, ein Fahrrad, eine Jacke – stärken den Wiedererkennungswert über Szenen und sogar über mehrere Videos hinweg. Das ist im vertikalen Feed ein echter Vorteil, weil Zuschauer deine Clips dann auch ohne Logo erkennen. Wer drei Videos hintereinander mit derselben Lichtstimmung produziert, wirkt sofort wie eine Marke und nicht wie ein Zufallsgenerator.

Rechenzeit, Limits und Budget planen

KI-Video ist rechenintensiv, und kostenlose oder günstige Tarife arbeiten fast immer mit Tages- oder Monatslimits. Wer diese Limits blind verbraucht, steht mitten im Projekt ohne Kapazität da.

Erst Struktur, dann Qualität

Plane das komplette Storyboard, bevor du die erste Szene renderst. Ein durchdachtes Skript spart mehr Rechenzeit als jede Einstellung im Sparmodus.

Auflösung und Länge staffeln

Vorschau in niedriger Auflösung, Final in hoher. Begrenze die Szenenlänge auf das Nötige: Drei Sekunden pro Einstellung sind im vertikalen Format oft ausreichend.

Beispielplanung für einen 30-Sekunden-Clip

8 Einstellungen à 3 bis 4 Sekunden
1 Entwurfsdurchlauf in niedriger Qualität: 8 Generierungen
2 Varianten für schwierige Szenen: etwa 6 zusätzliche Generierungen
1 finaler Render in hoher Auflösung: 8 Generierungen
Reserve für Korrekturen: etwa 5 Generierungen

In Summe rund 27 Generierungen. Wer stattdessen jede Szene direkt in hoher Qualität und ohne Variantenplan rendert, verbraucht beim ersten Fehlversuch mehr als dieser gesamte Puffer.

Wann ein bezahlter Tarif sinnvoll wird

Sobald du regelmäßig mehr als ein Video pro Woche produzierst oder hohe Auflösungen brauchst, wird ein kostenpflichtiger Plan fast immer günstiger als der Zeitverlust durch Wartelisten und Limits. Prüfe dabei, ob für dich eher Auflösung, Generierungsgeschwindigkeit oder kommerzielle Nutzungsrechte den Ausschlag geben. Für reine Tests, Lernprojekte und kurze Formate reicht dagegen ein kostenloser Einstieg völlig aus.

Werkzeuge und Auswahlkriterien

Die Modelllandschaft ist vielfältig. Statt eine Rangliste zu behaupten, hier eine Orientierung nach Stärken.

Werkzeug	Stärke	Typischer Einsatz
Kling	Bewegungsqualität, längere Einstellungen	Actionszenen, Produktdynamik
Runway	konsistente Stilsteuerung, viel Kontrolle	Werbeclips, Konzeptvideos
Pika	schnelle Iteration, Effekte	Memes, kurze Social-Clips
Luma Dream Machine	natürliche Kamerabewegung	Landschaften, ruhige Erzählungen
Hailuo / MiniMax	gutes Preis-Leistungs-Verhältnis	Serienproduktion, Tests
Sora	komplexe Szenen mit vielen Elementen	narrative Kurzfilme
Veo	fotorealistische Details und Licht	hochwertige Werbung
CapCut / Premiere	Schnitt, Untertitel, Ton	Nachbearbeitung
ElevenLabs	Voice-over in vielen Sprachen	Erklärvideos, Storytelling
DaVinci Resolve	Farbkorrektur, Finishing	finale Abstimmung

Checkliste zur Auswahl

Look: realistisch, illustrativ, cineastisch?
Konsistenz: Wie gut halten Figuren über Szenen hinweg?
Steuerung: Lassen sich Kamera, Bewegung und Stil beeinflussen?
Geschwindigkeit: Wie schnell kommen Iterationen zurück?
Format: native 9:16-Unterstützung vorhanden?
Rechte: kommerzielle Nutzung erlaubt?
Ausgabe: Auflösung, Wasserzeichen, Dateiformat
Lernen: Wie gut sind Beispiele und Dokumentation?

Wer diese Liste einmal für sich ausfüllt, trifft jede weitere Projektentscheidung deutlich schneller.

Typische Fehler und ihre Lösungen

Problem	Ursache	Lösung
Verwaschene Gesichter	zu viel Bewegung, zu langer Clip	ruhigere Kamera, kürzere Einstellung
Motiv zu klein	Breitbild-Denken	näher herangehen, Halbtotale statt Totale
Szenen wirken unverbunden	fehlende Anker	gleiche Prompt-Formeln und Referenzbild
Ergebnis zu generisch	vager Prompt	konkrete Details, Licht, Material, Objektiv
Text im Bild unlesbar	KI-generierte Schrift	Text im Schnittprogramm ergänzen
Ruckelnde Bewegung	hohe Geschwindigkeit	Bewegung reduzieren, Zwischenbilder weglassen
Farbsprung zwischen Szenen	wechselnde Lichtbeschreibung	Lichtstimmung wortgleich wiederholen
Ton wirkt billig	KI-Audio übernommen	Musik und Geräusche neu anlegen

Zusätzlich lohnt ein Blick auf den Ton: Viele KI-Clips haben keinen brauchbaren Klang. Musik, Voice-over und Geräusche gehören in die Nachbearbeitung – dort entsteht die Atmosphäre, und dort entscheidet sich, ob ein Clip professionell wirkt oder nach Test aussieht.

Qualitätssicherung, Export und Feinschliff

Vor dem Upload lohnt eine kurze technische Prüfung.

Technische Checks

Seitenverhältnis exakt 9:16, keine schwarzen Ränder
Untertitel innerhalb der Safe Zones
Bildrate konsistent über alle Szenen
Lautheit auf Plattformniveau angeglichen
Erste drei Sekunden ohne Leerlauf
Dateigröße und Bitrate an die Zielplattform angepasst

Plattformvarianten aus einem Master

Erzeuge eine Masterdatei und leite daraus Versionen ab: eine mit starkem Hook für den Feed, eine ruhigere für die Startseite eines Profils, eine kurze für Story-Formate. Ein Master, viele Schnitte – das hält den Aufwand klein und die Wirkung hoch. Notiere dir dabei, welche Variante auf welcher Plattform gut funktioniert hat; nach drei Videos erkennst du Muster, die dir die nächste Planung erheblich erleichtern.

Wiedererkennungswert

Achte auf eine konsistente Farbwelt, wiederkehrende Schriftarten und ein gleichbleibendes Tempo. Zuschauer erkennen deine Videos dann auch ohne Logo. Das ist im vertikalen Feed ein echter Vorteil, weil der Wiedererkennungseffekt oft stärker wirkt als ein einzelner besonders schöner Clip.

FAQ

Wie lang sollte ein KI-generiertes 9:16-Video sein?

Für Feeds funktionieren 15 bis 45 Sekunden am besten. Erklärformate können zwei bis drei Minuten erreichen, brauchen aber einen straffen Rhythmus mit einem Schnitt alle zwei bis vier Sekunden. Alles darüber hinaus verliert in der Regel Zuschauer, bevor die Kernaussage ankommt.

Reichen kostenlose Tarife für ernsthafte Projekte?

Für Tests, Lernprojekte und kurze Formate ja. Sobald du regelmäßig produzierst oder hohe Auflösungen brauchst, wird ein bezahlter Tarif schnell zur rationaleren Wahl: weniger Wartezeit, mehr Kontrolle, klarere Nutzungsrechte. Ein guter Kompromiss ist es, die Planung und alle Entwürfe im kostenlosen Rahmen zu erledigen und nur die finalen Szenen in hoher Qualität zu rendern.

Wie verhindere ich, dass meine Figuren in jeder Szene anders aussehen?

Arbeite mit einem Referenzbild, einem wortgleichen Prompt-Anker für Kleidung und Aussehen und einer konsistenten Lichtbeschreibung. Generiere Varianten und wähle die passendste statt der ersten. Wenn eine Figur besonders wichtig ist, lohnt es sich, sie zuerst in drei ruhigen Einstellungen zu testen, bevor das eigentliche Drehbuch gerendert wird.

Warum sehen meine Videos im Hochformat so leer aus?

Meist fehlt Tiefenstaffelung. Arbeite mit Vordergrundobjekten, führe Bewegung diagonal oder vertikal und nutze Nahaufnahmen. Vertikale Frames brauchen mehr Nähe als Breitbild. Ein einfaches Hilfsmittel: Beschreibe in jedem Prompt mindestens zwei Ebenen – etwas direkt vor der Kamera und etwas weiter hinten.

Kann ich Text und Logos sicher einbauen?

Text im generierten Bild ist unzuverlässig. Ergänze Schrift, Untertitel und Logos in der Nachbearbeitung – das ist lesbarer, markentreuer und jederzeit änderbar. Gerade bei Produktnamen und Preisen ist Nachbearbeitung Pflicht, weil generierte Schriftzeichen häufig falsch oder unleserlich sind.

Wie viele Iterationen sind normal?

Zwei bis vier Varianten pro Szene sind realistisch. Wer deutlich mehr braucht, hat meist zu vage Prompts oder kombiniert zu viele Änderungen gleichzeitig. Ein weiteres Frühwarnzeichen: Wenn jede Variante komplett anders aussieht, fehlt ein Prompt-Anker.

Eignet sich der Workflow auch für Produktvideos?

Ja, besonders für Nahaufnahmen mit ruhiger Kamera. Produkte profitieren von stabiler Beleuchtung, klar benannten Materialien und langsamen Bewegungen, damit Details scharf bleiben. Beschreibe Material und Oberfläche explizit – matt, glänzend, gebürstetes Metall, Glas –, weil das Modell daraus Lichtreflexe ableitet.

Was ist der häufigste Anfängerfehler?

Der Versuch, eine lange Szene in einem Durchgang zu erzeugen. Kurze Einstellungen, einzeln generiert und anschließend geschnitten, liefern zuverlässig bessere Ergebnisse. Der zweithäufigste Fehler ist, den Schnitt zu unterschätzen und die Rohclips unverändert zu veröffentlichen.

Was ist der wichtigste nächste Schritt?

Wähle eine einzige Aussage und produziere daraus eine Einstellung von drei Sekunden. Optimiere diese eine Szene, bis sie überzeugt, und baue dann den Rest des Storyboards darauf auf. Text zu Video im 9:16-Format ist kein einzelner Klick, sondern ein Handwerk aus Struktur, Prompting und Nachbearbeitung. Wer den Ablauf in kleinen Schritten denkt – Konzept, Storyboard, Referenzbilder, Vorschau, finaler Render, Schnitt – bekommt Ergebnisse, die nicht nach Zufall aussehen, sondern nach einer bewussten Entscheidung. Die Modelle werden sich weiter verbessern; die Denkweise bleibt dieselbe.