Vom Konzept zum Fertigen Clip: Der Praxis-Workflow für Kurzvideos

Warum kurze Videos heute eine andere Produktionslogik brauchen

Kurzvideos sind kein verkleinertes Langformat. Sie leben von einem einzigen klaren Gedanken, einer starken ersten Sekunde und einem Tempo, das keine Leerlaufstellen verzeiht. Genau deshalb hat sich die Produktion in den letzten Jahren verschoben: Statt Kamera, Lichtset und Drehtag steht am Anfang eine Textidee, die in einzelne visuelle Momente zerlegt und anschließend maschinell erzeugt oder ergänzt wird. Wer diesen Weg beherrscht, produziert nicht mehr ein Video pro Woche, sondern mehrere Varianten pro Tag – und kann testen, welche Bildsprache, welcher Hook und welche Tonspur funktionieren.

Der entscheidende Unterschied zu früheren Automatisierungsansätzen liegt nicht in der Generierung einzelner Bilder. Es ist die Verkettung: Skript, Szenenliste, Bildgenerierung, Bewegung, Ton, Schnitt und Export greifen ineinander. Wer nur einen dieser Schritte optimiert, bekommt hübsche Fragmente, aber keinen fertigen Clip. Dieser Leitfaden zeigt den kompletten Weg – von der ersten Notiz bis zur exportierten Datei – und benennt an jeder Stelle die Entscheidungen, die über Qualität und Aufwand bestimmen.

Der Workflow im Überblick: acht Schritte von der Idee zur Datei

Bevor man in Details einsteigt, hilft eine klare Reihenfolge. Sie verhindert, dass teure Rechenzeit in Szenen fließt, die später ohnehin herausfallen.

1. Kernaussage festlegen – ein Satz, der beschreibt, was der Clip beim Publikum auslösen soll.
2. Skript verdichten – 60 bis 120 Wörter, in Sprechblöcke von maximal zwei Sätzen zerlegt.
3. Szenenliste bauen – jede Zeile des Skripts wird zu einem visuellen Moment mit Dauer und Kameravorschlag.
4. Modell und Stil wählen – passend zu Motiv, Bewegung und Realismusgrad.
5. Erste Standbilder testen – günstige Einzelbilder statt sofortiger Videoläufe.
6. Bewegung erzeugen – kurze Sequenzen von zwei bis fünf Sekunden.
7. Ton aufbauen – Stimme, Musik, Geräusche, Reihenfolge der Mischung.
8. Schnitt und Export – Timing, Untertitel, Formate für Hoch- und Querformat.

Diese Reihenfolge ist bewusst defensiv: Sie erzeugt früh sichtbare Ergebnisse und verschiebt die teuren Schritte nach hinten. Wer stattdessen mit langen Videoszenen beginnt, merkt Fehler erst, wenn bereits viel Rechenzeit verbraucht ist.

Schritt 1 und 2: Idee schärfen und Skript verdichten

Die meisten schwachen KI-Clips scheitern nicht an der Technik, sondern an einem unklaren Ziel. Formuliere zuerst den Zweck in einem Satz: Soll der Clip erklären, verführen, unterhalten oder erinnern? Jede dieser Absichten verlangt eine andere Bildsprache. Ein Erklärclip braucht ruhige, wiedererkennbare Bildwelten; ein Unterhaltungsclip braucht überraschende Perspektivwechsel im Sekundentakt.

Danach entsteht das Skript – und hier ist Kürzen die eigentliche Arbeit. Ein vertikales Video von 30 Sekunden verträgt ungefähr 70 bis 80 gesprochene Wörter. Schreibe deshalb eine lange Version und streiche dann alles, was nicht zur Kernaussage beiträgt. Konkrete Zahlen, ein überraschender Vergleich oder eine widersprüchliche Aussage halten die Aufmerksamkeit besser als allgemeine Adjektive.

Ein praktikables Muster für den Aufbau:

• Sekunde 0–3: ein Satz, der eine Frage aufwirft oder eine Erwartung bricht.
• Sekunde 3–10: der Kontext, knapp und ohne Vorgeschichte.
• Sekunde 10–22: der eigentliche Inhalt, in zwei bis drei Schritten.
• Sekunde 22–30: Ergebnis, Pointe oder Handlungsaufruf.

Notiere zu jedem Sprechblock bereits eine Bildidee. Diese Notiz ist später die Grundlage der Szenenliste und verhindert, dass Bilder und Text auseinanderlaufen.

Sprechblöcke statt Absätze

Sprachmodelle helfen beim Umformulieren, aber sie neigen zu Füllsätzen. Nutze sie für Varianten des Hooks, nicht für den Haupttext. Ein guter Test: Lies jeden Block laut vor und miss die Zeit mit. Wenn ein Block länger als sechs Sekunden dauert, wird er geteilt oder gestrichen.

Schritt 3: Das passende Modell für den jeweiligen Shot

Es gibt nicht das eine beste Videomodell. Verschiedene Engines haben unterschiedliche Stärken: einige liefern fotorealistische Gesichter und glaubwürdige Hauttöne, andere sind stark bei Bewegung, Kamerafahrten und physikalisch stimmigen Interaktionen, wieder andere punkten bei illustrativen oder animierten Stilen. Die wichtigste Regel lautet: Wähle das Modell pro Szene, nicht pro Projekt.

Eine einfache Entscheidungshilfe:

• Reale Personen, ruhige Einstellung: Engine mit Fokus auf Gesichtstreue und Licht.
• Bewegte Kamerafahrt durch eine Umgebung: Engine mit Stärke bei Perspektive und Tiefe.
• Produkt- oder Objektaufnahme: Engine mit präziser Textur- und Materialwiedergabe.
• Animierter oder stilisierter Look: Engine mit konsistentem Illustrationsmodell.
• Kurze, wiederkehrende Loop-Szene: Engine mit stabiler Frame-zu-Frame-Kohärenz.

Kombiniere nie mehr Modelle pro Szene als nötig. Zwei Engines in einem Clip sind in Ordnung, wenn sie durch Stil oder Farbwelt verbunden werden. Vier verschiedene Looks in 30 Sekunden wirken wie ein Fehler, nicht wie ein Stilmittel.

Testläufe klein halten

Erzeuge für jede geplante Szene zuerst ein Standbild in niedriger Auflösung. Erst wenn Komposition, Licht und Farbigkeit stimmen, wird Bewegung erzeugt. Dieser Zwischenschritt spart den größten Teil der Rechenzeit, weil Bildkorrekturen billiger sind als Videokorrekturen. Lege außerdem für jede Szene zwei bis drei Prompt-Varianten an, statt einen Prompt endlos zu verändern – der Vergleich zeigt schneller, welche Formulierung zieht.

Schritt 4: Prompting als Regiearbeit

Ein Prompt ist keine Bestellung, sondern eine Regieanweisung. Wer beschreibt, was im Bild zu sehen ist, bekommt selten das gewünschte Ergebnis. Wer beschreibt, wie gefilmt wird, bekommt es deutlich häufiger.

Ein brauchbarer Prompt-Aufbau hat fünf Teile:

1. Motiv: Wer oder was ist zu sehen, in einfachen Worten.
2. Handlung: Welche Bewegung findet statt, in welcher Richtung.
3. Kamera: Einstellungsgröße, Winkel, Bewegung, Objektivwirkung.
4. Licht und Stil: Tageszeit, Lichtcharakter, Farbpalette, Referenzstil.
5. Ausschlüsse: Was nicht vorkommen soll, etwa verwaschene Hände oder Schrift im Bild.

Ein Beispiel aus der Praxis: Statt „eine Frau geht durch eine Stadt" formuliert man „mittlere Einstellung, Frau Mitte dreißig geht in gleichmäßigem Tempo von links nach rechts, Kamera zieht langsam mit, goldene Abendsonne von hinten, leichte Gegenlichtreflexe, gedämpfte Blau- und Orangetöne, kein Text im Bild". Der zweite Prompt lässt sich wiederholen, variieren und mit anderen Szenen kombinieren.

Bewegung immer in kleinen Dosen beschreiben

Videomodelle werden unsicher, wenn zu viele Bewegungen gleichzeitig stattfinden. Eine Person, die geht, während die Kamera schwenkt, während Hintergrundmenschen sich bewegen, führt häufig zu Artefakten. Reduziere pro Szene auf eine Hauptbewegung und eine Kamerabewegung. Alles Weitere entsteht im Schnitt.

Schritt 5: Storyboard, Szenenliste und visuelle Konsistenz

Konsistenz ist der häufigste Grund, warum KI-Clips unfertig wirken. Figur, Kleidung, Lichtrichtung und Farbwelt müssen über alle Szenen hinweg zusammenpassen. Drei Maßnahmen lösen das Problem zuverlässig.

Referenzbilder statt Wiederholung im Prompt

Ein einmal erzeugtes Standbild der Hauptfigur dient als Referenz für alle weiteren Szenen. Kombinierte Bild-zu-Bild-Verfahren übertragen Gesichtszüge, Kleidung und Proportionen deutlich stabiler als reine Textbeschreibungen. Erstelle eine Referenz von vorn, eine von der Seite und eine in anderem Licht, damit auch Kamerawinkelwechsel gelingen.

Eine feste Stildefinition

Definiere für das Projekt eine einzige Stilzeile, die in jeden Prompt kopiert wird. Sie enthält Farbpalette, Lichtstimmung, Kontrast und Detailgrad. Diese Zeile ist der Klebstoff zwischen verschiedenen Engines und Szenen und macht den Clip als Ganzes erkennbar.

Szenenliste mit Zeit und Zweck

Eine gute Szenenliste ist eine Tabelle mit sechs Spalten: Nummer, Dauer, Zweck, Bildbeschreibung, Ton, Status. Der Zweck ist der wichtigste Eintrag, denn er entscheidet, ob eine Szene überhaupt nötig ist. Szenen ohne Zweck sind Kandidaten für den Schnitt – auch wenn sie optisch schön sind.

Plane Puffer ein: Von zehn geplanten Szenen überleben in der Regel sieben bis acht. Wenn du genau die Zielzeit planst, wird der Clip am Ende entweder zu lang oder zu hektisch.

Schritt 6: Ton, Stimme und Sounddesign

Bild ohne Ton ist ein Testrender, kein Video. Die Tonspur trägt bei Kurzformaten oft mehr Information als das Bild. Baue sie in dieser Reihenfolge auf:

1. Sprechertext aufnehmen oder synthetisieren. Achte auf gleichmäßiges Tempo und klare Betonung. Künstliche Stimmen wirken besser, wenn man Satzzeichen bewusst setzt und Pausen markiert.
2. Timing prüfen. Lege die Stimme auf die Timeline und passe die Bildlängen daran an, nicht umgekehrt.
3. Musik unterlegen. Wähle ein Stück mit gleichbleibender Energie, wenn der Text trägt, und mit Steigerung, wenn der Schnitt trägt. Senke die Musik während des Sprechens um sechs bis zehn Dezibel.
4. Geräusche ergänzen. Einzelne Akzente – Schritte, Klicks, Umgebungsrauschen – verbinden harte Schnitte und machen generierte Bilder glaubwürdiger.
5. Mischen und normalisieren. Endpegel konservativ halten, Sprache immer vor Musik.

Ein häufiger Fehler ist zu laute Musik in den ersten Sekunden. Genau dort entscheidet sich, ob jemand weiterschaut. Der Hook muss sprachlich klar sein.

Schritt 7 und 8: Schnitt, Tempo und Export für vertikale Formate

Beim Schnitt generierter Szenen gelten andere Regeln als beim klassischen Filmen. Generierte Sequenzen haben oft eine kurze „Anlaufphase", in der sich Bewegung erst stabilisiert. Schneide diese zwei bis drei Frames ab. Ebenso lohnt es sich, das Ende jeder Szene zu kürzen, weil dort häufig Bewegungsunschärfe oder Formfehler auftreten.

Für Tempo gilt: Ein Schnitt alle 1,5 bis 2,5 Sekunden hält die Aufmerksamkeit, ohne hektisch zu wirken. Wechsel zwischen Totalen und Details erzeugen Rhythmus. Wiederhole ein Motiv nur, wenn es bewusst als Anker dient.

Beim Export:

• Vertikal: 1080 × 1920 Pixel, 30 oder 60 Bilder pro Sekunde, Bitrate großzügig.
• Querformat: 1920 × 1080 für eingebettete Player und Präsentationen.
• Untertitel: immer einbrennen oder als separate Datei mitliefern. Sehr viele Zuschauer schauen ohne Ton.
• Titelbild: aus einer Schlüsselszene ableiten, nicht neu generieren – so bleibt der Look einheitlich.

Prüfe den Export auf einem Telefon, nicht nur am Monitor. Farbe, Kontrast und Lesbarkeit der Untertitel wirken auf kleinen Displays anders.

Rechenzeit, Warteschlangen und Ressourcen planen

Generierte Videos sind rechenintensiv. Wer viele Varianten produziert, braucht eine Strategie, um Wartezeiten und Aufwand zu steuern. Drei Prinzipien helfen.

Erst billig, dann teuer. Standbilder vor Videos, niedrige Auflösung vor hoher, kurze Sequenzen vor langen.

Aufträge bündeln. Starte Bildgenerierungen für mehrere Szenen in einem Durchgang und nutze die Wartezeit für Ton und Schnittvorbereitung. Warteschlangen sind der Normalfall, nicht die Ausnahme.

Status dokumentieren. Notiere pro Szene, welche Version die beste war und warum. Ohne diese Notizen erzeugt man beim nächsten Durchlauf dieselben Varianten erneut – der häufigste versteckte Zeitfresser in KI-Produktionen.

Lege außerdem ein Limit pro Szene fest: maximal fünf Versuche. Danach wird das Konzept geändert, nicht der Prompt weiter optimiert. Diese Regel verhindert Endlosschleifen.

Typische Fehler und wie man sie vermeidet

Zu viel Inhalt im Skript. Wenn der Text nicht in 30 Sekunden passt, braucht das Projekt zwei Clips statt einen langen.

Mehrere Stile gleichzeitig. Jede zusätzliche Stilrichtung kostet Konsistenz. Eine Farbwelt, ein Lichtkonzept, eine Referenzfigur.

Identische Einstellungsgrößen. Fünfmal dieselbe Halbtotale wirkt monoton. Variiere zwischen Detail, Halbnah und Total.

Ton als Nachgedanke. Wird die Tonspur erst nach dem finalen Bildschnitt gebaut, müssen Bildlängen neu angepasst werden.

Keine Ausschlüsse im Prompt. Fehlende Negativangaben führen zu Text im Bild, verzerrten Händen und doppelten Gliedmaßen.

Untertitel vergessen. Kurzvideos werden überwiegend stumm gestartet. Ohne Untertitel verliert der Hook seine Wirkung.

Kein Archiv. Wer Varianten nicht sammelt, kann gute Momente nicht wiederverwenden. Ein einfacher Szenenordner mit klaren Dateinamen löst das Problem.

FAQ: Häufige Fragen zur Produktion von Kurzvideos mit KI

Wie lang sollte ein KI-generierter Kurzclip sein?

Für die meisten Zwecke liegen 20 bis 40 Sekunden im optimalen Bereich. Kürzer reicht oft nicht für eine vollständige Aussage, länger verliert in Feed-Umgebungen an Abschlussrate. Bei Erklärformaten sind 45 bis 60 Sekunden möglich, wenn der Inhalt klar strukturiert ist.

Reicht ein einziges Modell für das ganze Projekt?

Für stilistisch einheitliche Projekte ja, und das ist der bequemste Weg. Sobald aber Bewegung, Gesichter und Produktdetails gemischt werden, liefert die Kombination aus zwei Engines sichtbar bessere Ergebnisse. Wichtig ist eine gemeinsame Stilzeile, die beide verbindet.

Wie vermeide ich, dass die Figur zwischen Szenen ihr Aussehen verändert?

Arbeite mit Referenzbildern und beschreibe Figur und Kleidung in jedem Prompt identisch. Vermeide mehrere Referenzen mit unterschiedlicher Beleuchtung gleichzeitig. Wenn eine Szene nicht passt, generiere sie mit derselben Referenz neu, statt sie im Schnitt zu retten.

Woran erkenne ich, dass ein Clip fertig ist?

Stelle drei Fragen: Versteht jemand ohne Ton die Aussage? Trägt die erste Sekunde? Gibt es eine Szene, die man ohne Verlust streichen könnte? Wenn die dritte Frage mit Ja beantwortet wird, ist der Clip zu lang.

Wie viele Versuche pro Szene sind normal?

Bei sorgfältig formulierten Prompts braucht es meist zwei bis vier Läufe. Alles darüber ist ein Signal, dass Motiv, Kamerawinkel oder Modell nicht zur Idee passen – dann ist Ändern produktiver als Optimieren.

Muss ich Bild und Ton getrennt produzieren?

Nicht zwingend, aber getrennt gibt mehr Kontrolle. Synchron erzeugter Ton spart Arbeit, ist aber schwerer zu korrigieren. Für Interviews, Erklärvideos und Werbung lohnt die getrennte Produktion fast immer.

Ein realistischer Startplan für die nächste Produktion

Beginne mit einem einzigen Clip von 30 Sekunden und halte den Umfang klein: vier Szenen, eine Figur, eine Farbwelt. Formuliere den Hook zuerst und teste ihn, bevor du Bilder erzeugst. Erstelle dann Referenzbilder, danach Standbilder für alle Szenen, und erst wenn diese stimmen, erzeuge Bewegung. Baue die Tonspur auf, während die Videoläufe in der Warteschlange stehen. Schneide danach mit dem Ton als Taktgeber, brenne Untertitel ein und exportiere in Hoch- und Querformat.

Dieser Ablauf ist unspektakulär, aber er ist wiederholbar. Genau darin liegt der Vorteil: Wenn Idee, Szenenliste, Prompt-Struktur und Tonaufbau immer derselben Logik folgen, wird aus einem einzelnen Clip eine Produktionsroutine. Und eine Routine produziert nicht nur schneller Videos – sie macht sichtbar, welche Ideen tragen und welche man früher aussortieren sollte.