Text zu Video: Planung, Prompts und Konsistenz im Workflow

Text-zu-Video ist kein Zufallsgenerator, sondern eine Planungsdisziplin

Wer zum ersten Mal eine Szene aus einer Textbeschreibung erzeugt, erlebt einen Moment der Verblüffung. Nach zwei Wochen Projektarbeit weicht die Verblüffung meist einer nüchternen Erkenntnis: Die Technik liefert Bilder, aber sie erzählt keine Geschichten. Zwischen einer Sammlung hübscher Clips und einem fertigen Film liegt dieselbe Arbeit wie früher – nur an anderen Stellen.

Drei Verschiebungen sind für die Praxis entscheidend. Erstens: Aus dem Dreh wird eine Iteration. Statt einer brauchbaren Einstellung pro Aufbau entstehen zwanzig Varianten, und die eigentliche Aufgabe besteht darin, auszuwählen statt zu wiederholen. Zweitens: Aus Kameraarbeit wird Prompt-Design und Referenzpflege. Wer glaubt, Qualität entstehe allein durch ein gut formuliertes Satzgefüge, unterschätzt den Anteil visueller Anker. Drittens: Aus Continuity wird Versionierung. Figuren, Farben und Licht müssen über Dateien und Sitzungen hinweg zusammengehalten werden, nicht über einen einzigen Drehtag.

Fehler in diesem Feld sind fast nie technischer Natur. Sie sind strukturell: keine Shotlist, keine Referenzbilder, kein einheitlicher Stilblock, Ton erst am Ende. Ein mittelmäßig gerenderter Clip fällt im fertigen Schnitt kaum auf. Eine Figur, die zwischen zwei Einstellungen ihr Gesicht wechselt, fällt sofort auf.

Deshalb beschreibt dieser Leitfaden keinen Werkzeugkatalog, sondern einen Arbeitsablauf: von der ersten Idee über die Auswahl der passenden Modellkategorie bis zum Export – mit Entscheidungskriterien, konkreten Beispielen und den Fehlern, die den größten Zeitverlust verursachen.

Ein zweiter Gedanke gehört an den Anfang: Generative Videomodelle verändern sich schneller als jede Projektplanung. Wer sich an Produktnamen klammert, plant auf Sand. Wer dagegen die dahinterliegenden Entscheidungen versteht – wie viel Handlung eine Einstellung tragen kann, welche Rolle Referenzbilder spielen, wie Ton und Bild getaktet werden – kann sein Vorgehen beibehalten, während die Werkzeuge wechseln.

Werkzeugklassen: Welche Modellkategorie passt zu welchem Ziel

Es gibt heute Dutzende konkurrierender Videomodelle und ein Ende der Entwicklung ist nicht absehbar. Sortiert man sie nicht nach Namen, sondern nach Fähigkeiten, bleiben vier Kategorien übrig. Für jedes Projekt stellt man zuerst die Frage: Welche Kategorie erfüllt die Kernanforderung?

Photorealistische Erzählmodelle

Diese Gruppe zielt auf glaubwürdige Haut, echte Lichtbrechung und plausible Schwerkraft. Sie eignet sich für Imagefilme, Produktdarstellung, dokumentarische Anmutung und alles, was nach echten Aufnahmen aussehen soll. Typische Schwächen: schnelle Bewegungen, Hände, komplexe Interaktionen mehrerer Personen. Kalkulieren Sie mehrere Versuche pro Einstellung und behandeln Sie die erste Ausgabe als Skizze.

Stilisierte und illustrierte Modelle

Hier liegt die Stärke in konsistenten Kunstwelten: Illustration, Anime, Malstil, Graphic-Novel-Look. Diese Modelle verzeihen Physikfehler eher, weil der Stil sie überdeckt. Für Marken mit illustrativer Identität, für Erklärvideos mit stilisierter Bildsprache und für serielle Formate sind sie die erste Wahl – und über lange Szenenfolgen oft stabiler als photorealistische Konkurrenten.

Motion-Spezialisten für kurze, dynamische Ausschnitte

Manche Modelle sind auf Kameraflüge, Partikel, Wasser, Explosionen und schnelle Schnitte optimiert. Sie sind hervorragende Bausteine für Trailer, Social-Hooks und Übergänge. Ruhige, dialoglastige Szenen halten sie dagegen seltener überzeugend durch. Kombinieren Sie sie deshalb mit Modellen, die in ruhigen Einstellungen stark sind.

Lokal betreibbare Modelle

Ein wachsender Teil der Modelle lässt sich selbst hosten. Das bedeutet mehr Kontrolle über Datenfluss, Reproduzierbarkeit und langfristige Verfügbarkeit – aber auch Verantwortung für Hardware, Wartung und Updates. Für Projekte mit sensiblen Inhalten oder für Teams, die deterministisch reproduzierbare Ergebnisse benötigen, ist diese Kategorie ein strategischer Vorteil.

Ein Hinweis zur Kategorisierung: Viele Modelle bedienen zwei Kategorien gleichzeitig. Entscheiden Sie nicht nach Datenblättern, sondern nach Testaufnahmen mit Ihrem eigenen Material. Drei kurze Probeclips mit Referenzbild sagen mehr als jede Übersichtstabelle.

Von der Idee zur Shotlist: die unterschätzte Planungsphase

Der häufigste Grund für enttäuschende Ergebnisse ist nicht das Modell, sondern der Startpunkt. Wer ohne Drehbuch in die Generierung geht, produziert Material und nennt es später „Rohschnitt“. Planung kostet zwei Stunden und spart zwei Tage.

Schritt 1: Treatment statt Ideensammlung

Schreiben Sie eine halbe Seite Treatment: Worum geht es, wer handelt, welche Stimmung soll am Ende hängen bleiben, welche Länge ist geplant? Formulieren Sie eine Kernaussage in einem Satz. Wenn Sie diesen Satz nicht formulieren können, wird auch der Schnitt keine Richtung finden.

Schritt 2: Shotlist mit sechs Pflichtfeldern

Eine brauchbare Shotlist enthält pro Eintrag sechs Angaben: Einstellungsgröße, Kamerabewegung, Motiv und Handlung, Umgebung, Lichtstimmung und geplante Dauer. Ein Beispiel:

• Einstellung 4 – Halbtotale, langsame Fahrt nach links, eine Frau stellt eine Kiste auf einen Tisch, Werkstatt am Morgen, kühles Seitenlicht durch ein Fenster, vier Sekunden.

Erst wenn alle sechs Felder gefüllt sind, entsteht daraus ein Prompt. Fehlt ein Feld, füllt es das Modell – mit einer Zufallsentscheidung, die später nicht mehr korrigierbar ist.

Schritt 3: Dramaturgie der Einstellungslängen

Planen Sie bewusst gegen die Monotonie. Eine Sequenz aus fünf gleich langen Einstellungen wirkt mechanisch. Wechseln Sie zwischen zwei Sekunden für Details und sechs Sekunden für ruhige Momente. Generative Modelle liefern kurze Clips ohnehin stabiler; der Schnitt kann daraus längere Wirkung bauen.

Schritt 4: Materialbedarf hochrechnen

Rechnen Sie für ein einminütiges Video mit 12 bis 18 Einstellungen und für jede Einstellung mit drei bis acht Generierungen. Das ergibt 50 bis 140 Einzelausgaben. Diese Zahl entscheidet über Budget, Zeitplan und darüber, ob Sie parallel an zwei Projekten arbeiten können.

Prompts wie technische Datenblätter schreiben

Ein Videoprompt ist kein Gedicht, sondern eine Spezifikation. Er muss lesbar, wiederholbar und vergleichbar sein. Der größte Fehler ist der Wechsel des Schemas zwischen zwei Versuchen: Danach wissen Sie nicht mehr, welche Änderung welche Wirkung hatte.

Feste Reihenfolge der Angaben

Bewährt hat sich diese Ordnung: Motiv und Handlung, Umgebung, Einstellungsgröße und Kamerabewegung, Lichtrichtung und Farbtemperatur, Stil und Materialität, Tempo. Ein vollständiges Beispiel:

„Nahaufnahme einer älteren Frau, die eine Kerze anzündet, dunkle Küche im Hintergrund, statische Kamera mit sehr langsamem Schwenk nach rechts, warmes Kerzenlicht von unten, analoge Filmkörnung, ruhige, gleichmäßige Bewegung.“

Beachten Sie, was hier fehlt: keine widersprüchlichen Anweisungen, keine Aufzählung von Adjektiven ohne Funktion, keine Emotion, die das Modell nicht abbilden kann.

Widersprüche vermeiden

„Statische Kamera mit schneller Fahrt“ ergibt Matsch. „Nahaufnahme einer Gruppe“ ergibt meist ein unlesbares Knäuel. Formulieren Sie pro Einstellung eine Kamerabewegung und eine Handlung. Zwei Aktionen in drei Sekunden sind in der Regel eine zu viel.

Negativangaben sinnvoll nutzen

Negativangaben sind kein Allheilmittel, aber nützlich gegen wiederkehrende Störungen: keine zusätzlichen Personen im Bild, keine Textüberlagerungen, keine verzerrten Hände, kein Zeitraffer. Beschränken Sie sich auf drei bis fünf Angaben; zu viele erschweren die Reproduzierbarkeit.

Prompt-Bibliothek aufbauen

Speichern Sie bewährte Blöcke getrennt nach Kameraführung, Lichtsituation, Stil und Bewegung. Neue Einstellungen entstehen dann durch Kombination geprüfter Bausteine statt durch Neuschreiben. Nach drei Projekten besitzen Sie ein Repertoire, das die Trefferquote spürbar hebt.

Konsistenz: Referenzen, Keyframes und Stilbausteine

Figurenkonsistenz ist die häufigste Schwachstelle generativer Produktionen. Drei Techniken lösen das Problem zuverlässig.

Referenzbasierte Figurenführung

Erzeugen oder fotografieren Sie pro Figur mindestens drei Ansichten: frontal, Halbprofil und Ganzkörper. Wichtig ist die identische Kleidung, Frisur und Lichtsituation in allen Referenzen. Wechselt die Szene von Tag auf Nacht, ändern Sie das Licht im Prompt – nicht die Referenz. So bleibt das Gesicht stabil, während sich die Stimmung verschiebt.

Keyframe-Kontrolle über Start- und Endbild

Wenn ein Modell Start- und Endbild akzeptiert, definieren Sie beide. Der Übergang wird dadurch planbar: Sie legen Anfangspose und Endpose fest, das Modell füllt die Bewegung. Bei Kameraflügen oder Verwandlungen lassen sich zusätzliche Zwischenbilder einspeisen, um die Route zu erzwingen. Diese Technik ist der größte Qualitätssprung, den ein Team mit überschaubarem Aufwand erreichen kann.

Ein projektweiter Stilblock

Legen Sie für jedes Projekt einen festen Stilblock an, zum Beispiel: 35-mm-Korn, leicht entsättigt, weiches Seitenlicht, Bildformat 2,39:1. Hängen Sie diesen Block an jeden Prompt. Er sorgt dafür, dass unterschiedliche Modelle und Einstellungen optisch zueinanderfinden, selbst wenn ihre technische Basis verschieden ist.

Schauplätze wie Figuren behandeln

Derselbe Mechanismus gilt für Orte. Ein Übersichtsbild plus ein Detailbild pro Schauplatz verhindert, dass eine Küche in Einstellung drei plötzlich anders aussieht als in Einstellung eins. Requisiten, die mehrfach auftauchen, gehören ebenfalls in die Referenzsammlung.

Bewegung, Kamera und Schnittrhythmus

Generierte Bewegung wirkt nur dann überzeugend, wenn sie dramaturgisch begründet ist. Drei Regeln helfen in der Praxis.

Eine Bewegung pro Einstellung

Entweder die Kamera bewegt sich oder das Motiv – beides gleichzeitig überfordert die meisten Modelle. Entscheiden Sie sich und halten Sie die Bewegung kurz: zwei bis drei Sekunden einer klaren Kamerafahrt wirken stärker als acht Sekunden einer unruhigen.

Blickrichtungen und Bewegungsachsen prüfen

Wenn eine Figur nach rechts schaut, sollte die nächste Einstellung sie nach links blickend zeigen. Sonst entsteht ein Achssprung, den Zuschauer unbewusst als Störung wahrnehmen. Prüfen Sie außerdem, ob sich Requisiten zwischen Einstellungen auf der falschen Seite befinden.

Kürzer schneiden als generiert

Die ersten und letzten Bilder eines generierten Clips sind oft instabil. Schneiden Sie deshalb in die Bewegung hinein und aus ihr heraus. Ein harter Schnitt auf den Takt der Musik kaschiert zudem Nahtstellen, die technisch nicht perfekt sind.

Übergänge bewusst planen

Nicht jede Naht braucht einen Effekt. Ein harter Schnitt ist meist die sauberste Lösung. Wischen, Überblendungen und Lichtblitze sollten Sie nur einsetzen, wenn sie dramaturgisch etwas markieren – etwa einen Ortswechsel oder einen Zeitsprung.

Ton, Stimme und Klangdesign von Anfang an mitdenken

Bild ohne Ton ist in sozialen Kanälen selten überlebensfähig, und eine Tonspur nachträglich über fertige Bilder zu legen, ist der häufigste Grund für unstimmige Längen. Planen Sie den Ton parallel.

Sprechertext zuerst

Schreiben Sie Voiceover und Dialog, bevor Sie generieren. Erst wenn Länge und Betonung feststehen, wissen Sie, wie lang eine Einstellung sein muss. Bei Dialogszenen mit sichtbarer Mundbewegung gelten drei Regeln: kurze Sätze, ruhige Kopfbewegung, keine schnellen Kamerafahrten. Das reduziert Synchronprobleme erheblich.

Musik trägt Übergänge

Musik ist kein Hintergrund, sondern ein Strukturmittel. Setzen Sie Schnittpunkte auf musikalische Akzente. Ein minimaler Tempowechsel kann einen ganzen Abschnitt öffnen oder schließen.

Soundeffekte verankern Bewegung

Schritte, Stoff, Wasser, Wind, Papier – diese kleinen Geräusche machen Bewegung glaubhaft. Fehlen sie, wirkt eine technisch korrekte Bewegung künstlich. Rechnen Sie mit einer eigenen Arbeitssitzung nur für Effekte.

Raumklang und Lautheit vereinheitlichen

Ein wenig Raumhall verbindet Einstellungen unterschiedlicher Herkunft. Achten Sie auf eine einheitliche Lautheit über alle Szenen und prüfen Sie die Mischung auf einem Handylautsprecher – dort hört der größte Teil des Publikums zu.

Iteration, Bewertung und Qualitätskontrolle

Generierung ohne Bewertungsraster wird zum Zeitloch. Legen Sie vor dem ersten Durchlauf fest, nach welchen Kriterien Sie auswählen.

Bewertungsraster mit vier Kriterien

1. Lesbarkeit der Handlung: Ist erkennbar, was passiert, auch ohne Ton?
2. Stabilität der Bewegung: Keine Artefakte, keine schmelzenden Kanten, keine rückwärts laufenden Texturen?
3. Anschlussfähigkeit: Passt Licht, Blickrichtung und Farbe zur Nachbareinstellung?
4. Beitrag zur Dramaturgie: Trägt die Einstellung die Geschichte weiter oder ist sie nur hübsch?

Varianten, die nur Kriterium 4 verfehlen, werden verworfen. Das klingt hart, spart aber die meiste Zeit im Schnitt.

Typische Fehler und ihre Ursachen

• Zu viel Handlung pro Clip. Lösung: eine Aktion pro Einstellung.
• Fehlende Referenzen. Lösung: Figuren- und Schauplatzblätter vor der ersten Generierung.
• Prompt-Wildwuchs. Lösung: festes Schema plus Bibliothek.
• Erster Output als Endfassung. Lösung: Wiederholungen fest einplanen.
• Kein Grading. Lösung: einheitliche Farb- und Kornanpassung über alle Clips.
• Ton erst am Ende. Lösung: Sprechertext vor der Bildarbeit.
• Unklare Dateinamen. Lösung: Nummerierung nach Szene, Einstellung und Version.
• Ungeprüfte Nutzungsrechte. Lösung: Herkunft von Referenzbildern und Stimmen dokumentieren.

Checkliste vor dem Export

Gehen Sie die Liste vollständig durch, bevor Sie ausliefern: Kontinuität von Blickrichtungen, Requisiten und Kleidung; plausible Lichtrichtung innerhalb einer Szene; keine schwebenden Füße oder verschmelzenden Hände; Kerninhalt auch stumm verständlich; verständliche Sprache, unterlegte Musik, keine Pegelspitzen; klarer Hook in den ersten Sekunden; ein sauberes Ende; geprüfte Formate für Hoch-, Quer- und Quadratformat mit Text innerhalb der sicheren Bereiche; Auflösung, Bildrate und Dateigröße passend zur Zielplattform.

Modellwahl, Projektbeispiel und Skalierung

Nicht jedes Projekt braucht die aufwendigste Option. Die folgende Zuordnung hat sich in der Praxis bewährt.

Anforderung	Geeignete Kategorie	Typische Strategie
Photorealistische Markeninhalte	Photorealistische Erzählmodelle	Wenige Einstellungen, viele Varianten, starkes Grading
Serielle Formate mit fester Figur	Stilisierte Modelle	Feste Referenzen, einheitlicher Stilblock
Schnelle Social-Hooks	Motion-Spezialisten	Sehr kurze Clips, harte Schnitte, laute Tonspur
Sensible Inhalte	Lokal betreibbare Modelle	Feste Versionen, dokumentierte Parameter
Konzeptphase	Mischbetrieb	Günstige Modelle für Ideen, starke für die Finalisierung

Drei Entscheidungskriterien wiegen am schwersten. Erstens: Wie viele Wiederholungen verträgt der Zeitplan? Ein Modell mit hoher Trefferquote ist unterm Strich günstiger, auch wenn ein einzelner Durchlauf aufwendiger erscheint. Zweitens: Wie wichtig ist Reproduzierbarkeit? Wenn eine Einstellung später nachgestellt werden soll, brauchen Sie feste Versionen und dokumentierte Parameter. Drittens: Wie lang muss ein Clip halten? Modelle, die lange Sequenzen stabil halten, sind für Erzählformate wertvoller als solche, die kurze Glanzstücke liefern.

Beispielprojekt: 90-Sekunden-Imagefilm in fünf Arbeitstagen

Tag 1: Treatment, Shotlist mit 16 Einstellungen, Figuren- und Schauplatzreferenzen. Noch keine Generierung.
Tag 2: Testläufe für Kamera, Licht und Stil; Stilblock festlegen; Sprechertext aufnehmen.
Tag 3: Produktion der ruhigen Einstellungen mit Referenzbildern und Keyframes.
Tag 4: Produktion der dynamischen Einstellungen, Auswahl, Rohschnitt nach Tonspur.
Tag 5: Grading, Upscaling, Soundeffekte, Mischung, Formatexporte.

Realistisch sind dabei 60 bis 100 Generierungen für 16 fertige Einstellungen. Wer diesen Puffer nicht einplant, liefert entweder zu spät oder zu schlecht.

Skalierung in die Serie

Wenn der Ablauf steht, bringen drei Maßnahmen den größten Hebel: eine Prompt-Bibliothek mit geprüften Blöcken, standardisierte Referenzdokumente für Figuren und Schauplätze sowie eine klare Trennung von Explorations- und Finalisierungsphase. Explorieren Sie schnell und billig, finalisieren Sie langsam und präzise.

FAQ

Wie viele Versuche brauche ich pro brauchbarer Einstellung?
Das hängt von Motiv und Modell ab. Bei ruhigen Aufnahmen sind drei bis fünf realistisch, bei komplexen Bewegungen deutlich mehr. Der wirksamste Hebel ist nicht die Anzahl der Versuche, sondern die Qualität von Referenzen und Prompt-Schema.

Kann ich mehrere Modelle in einem Projekt mischen?
Ja, und das ist oft die beste Lösung. Nutzen Sie ein Modell für photorealistische Szenen und ein anderes für stilisierte Übergänge. Entscheidend sind ein gemeinsamer Stilblock und ein einheitliches Grading, damit die Unterschiede nicht auffallen.

Was ist wichtiger: Prompt oder Referenzbild?
Bei Figurenkonsistenz das Referenzbild, bei Stimmung und Bewegung der Prompt. In der Praxis greifen beide ineinander: Die Referenz legt das Aussehen fest, der Prompt die Handlung.

Wie lang sollten generierte Clips sein?
Kürzer als technisch möglich. Drei bis fünf Sekunden pro Einstellung sind für die meisten Formate ideal, weil sie stabil bleiben und sich gut schneiden lassen. Längere Sequenzen entstehen durch Schnitt, nicht durch einen einzigen Durchlauf.

Lohnt sich der Betrieb eigener Modelle für kleine Teams?
Nur wenn Datenhoheit oder Reproduzierbarkeit kritisch sind. Der Wartungsaufwand ist real und wird oft unterschätzt. Für die meisten Projekte ist ein Mischbetrieb sinnvoller.

Wie verhindere ich, dass das Ergebnis künstlich wirkt?
Durch Detailarbeit am Ton: Raumklang, Soundeffekte, leicht unperfekte Bewegung, etwas Körnung. Künstlichkeit entsteht selten im Bild allein, sondern im Fehlen dieser kleinen Reibungen.

Wie plane ich ein Projekt realistisch?
Planen Sie in Iterationen, nicht in Einstellungen. Wer zwölf fertige Einstellungen braucht, sollte 50 bis 80 Generierungen kalkulieren – plus Zeit für Schnitt, Grading und Ton. Die Nachbearbeitung ist fast immer der unterschätzte Block.

Woran erkenne ich, dass eine Einstellung fertig ist?
Wenn sie die Handlung trägt, technisch stabil ist, zur Nachbareinstellung passt und auch ohne Ton verständlich bleibt. Fehlt eines dieser vier Elemente, ist es keine Stilfrage, sondern Nacharbeit.

Was mache ich, wenn ein Motiv partout nicht gelingen will?
Zerlegen Sie es. Statt einer komplexen Interaktion generieren Sie zwei einfache Einstellungen und verbinden sie im Schnitt. Ein Perspektivwechsel oder ein Detailbild löst mehr Probleme als der zwanzigste Durchlauf desselben Prompts.

Wie viel Zeit sollte ich für Grading einplanen?
Bei kurzen Formaten etwa zehn Prozent der Gesamtzeit, bei Markenfilmen eher fünfzehn bis zwanzig Prozent. Ein einheitliches Grading ist der schnellste Weg, aus heterogenem Material eine zusammenhängende Bildsprache zu machen.

Eignen sich generierte Videos für lange Formate?
Bedingt. Ab etwa fünf Minuten steigt der Aufwand für Konsistenz überproportional. Für lange Formate ist eine Mischung aus generierten Einstellungen, realem Material und grafischen Elementen meist die wirtschaftlichere Lösung.

Wie dokumentiere ich meine Parameter sinnvoll?
Führen Sie eine einfache Tabelle: Szenennummer, Einstellung, verwendetes Modell, Prompt-Version, Referenzdateien, Bewertung. Diese Tabelle macht aus einem einmaligen Erfolg ein wiederholbares Verfahren – und sie ist die Grundlage für jede spätere Nachstellung.