Warum erzählerische Tiefe über die Technik entscheidet
Die Qualität eines KI-generierten Videos entscheidet sich selten im Render-Vorgang. Sie entscheidet sich in der Vorbereitung: in der Frage, ob überhaupt eine Geschichte erzählt werden soll, und ob diese Geschichte in Einstellungen zerlegt wurde, die zusammen einen Rhythmus ergeben. Wer schon einmal zwanzig ansprechende Einzelclips generiert und beim Schnitt festgestellt hat, dass sie sich nicht zu einer Szene fügen, kennt das Problem. Die Bilder stimmen, die Bewegung stimmt – aber der Film fehlt.
Der Grund ist strukturell. Ein Videomodell kennt keinen Zusammenhang zwischen zwei Prompts. Es weiß nicht, dass Einstellung vier die Reaktion auf Einstellung drei ist, dass eine Tür nur dann knarzt, wenn vorher Stille war, dass eine Figur erst dann bedrohlich wirkt, wenn die Kamera sie vorher lange genug distanziert betrachtet hat. Diese Zusammenhänge muss man selbst herstellen – durch Planung, durch konsistente Referenzen und durch eine Schnittfolge, die nicht zufällig entsteht.
Der zweite Grund ist praktischer Natur. Jede Generierung kostet Zeit und Rechenleistung. Wer ohne Shot-Liste arbeitet, produziert Ausschuss. Wer mit Shot-Liste arbeitet, produziert Material, das sich schneiden lässt. Der Unterschied liegt nicht im Talent, sondern in der Disziplin vor dem ersten Generierungslauf.
Dieser Leitfaden beschreibt einen Workflow, der genau diese Disziplin herstellt: von der Idee über die Figurenentwicklung und die Shot-Liste bis zur Konsistenzsicherung und zum finalen Schnitt. Er richtet sich an Content-Creator, kleine Produktionsteams, Marketingverantwortliche und alle, die mit KI-Unterstützung Videos bauen wollen, die mehr sind als eine Aneinanderreihung hübscher Bilder.
Die Rollenverteilung: Regie, Kamera und Schnitt im KI-Zeitalter
In der klassischen Produktion sind die Rollen getrennt: Drehbuch, Regie, Kamera, Licht, Schnitt, Ton. Bei der Arbeit mit generativen Modellen fallen diese Rollen zunächst zusammen – man beschreibt alles gleichzeitig in einem Prompt. Das ist bequem, führt aber zu austauschbaren Ergebnissen. Wer bessere Filme will, sollte die Rollen gedanklich wieder trennen und nacheinander abarbeiten.
Drehbuch. Was passiert, in welcher Reihenfolge, mit welcher Wendung? Diese Ebene hat nichts mit Technik zu tun. Sie lässt sich auf einem Zettel erledigen, und genau dort gehört sie hin.
Regie. Welche Emotion soll eine Einstellung transportieren, und welche Information muss das Publikum in diesem Moment bekommen? Regie ist die Kunst der Auswahl: Was zeige ich, was verschweige ich, wann schneide ich weg?
Kamera. Perspektive, Brennweite, Höhe, Bewegungsrichtung, Tempo. Diese Parameter lassen sich in Prompts übersetzen, aber nur, wenn man vorher weiß, was man will.
Licht und Farbe. Tageszeit, Lichtrichtung, Kontrast, Farbtemperatur. Das ist der stärkste Hebel für Stimmung und der Parameter, der am häufigsten vergessen wird.
Schnitt. Reihenfolge, Einstellungsdauer, Übergänge, Rhythmus. Der Schnitt entscheidet am Ende darüber, ob die generierten Fragmente als Film oder als Sammlung wahrgenommen werden.
Ton. Musik, Atmosphäre, Stimme, Stille. Bei KI-Video wird der Ton oft nachgelagert behandelt – dabei trägt er einen erheblichen Teil der emotionalen Wirkung.
Die praktische Konsequenz: Arbeiten Sie diese Ebenen nacheinander ab und dokumentieren Sie jede Entscheidung. Ein einziges Dokument mit Spalten für Einstellungsnummer, Beschreibung, Kamera, Licht, Dauer und Ton ersetzt später stundenlanges Nachjustieren.
Vom Narrativ zur Shot-Liste
Die Übersetzung von Geschichte in Einstellungen ist der Kern des Handwerks. Ein Narrativ besteht aus Figuren, Zielen, Hindernissen und einem Wendepunkt. Eine Shot-Liste besteht aus einer Folge von Bildern, die diese Elemente sichtbar machen. Zwischen beiden liegt eine bewusste Entscheidung darüber, was das Publikum wann erfahren soll.
Figuren, Konflikt, Wendepunkt
Beginnen Sie mit drei Sätzen: Wer will was? Was steht im Weg? Was verändert sich? Mehr braucht ein kurzes Video nicht. Ein dreißigsekündiger Clip über eine Barista, die vor dem Frühjahrsansturm steht, hat bereits alles: ein Ziel, ein Hindernis, einen möglichen Umschwung. Ohne diese drei Sätze wird das Video zur Stimmungsmontage – schön, aber beliebig.
Die Shot-Liste als Vertrag mit sich selbst
Eine brauchbare Shot-Liste enthält pro Einstellung mindestens fünf Angaben: Motiv, Bildgröße (weite Einstellung, Halbtotale, Nahaufnahme, Detail), Kamerabewegung, Lichtstimmung und geschätzte Dauer. Diese fünf Angaben sind gleichzeitig die Struktur Ihres Prompts. Wer sie vorher festlegt, schreibt später konsistente Prompts statt improvisierter Wunschlisten.
Ein Beispiel für den Unterschied:
- Ohne Liste: „Frau in Küche, morgens, schöne Stimmung, cinematisch"
- Mit Liste: „Halbtotale, Frau Ende dreißig in einer schmalen Küche, Kamera fährt langsam von links nach rechts, kaltes Morgenlicht durch ein Fenster rechts, Dauer 4 Sekunden, ruhige Atmosphäre vor dem Ansturm"
Die zweite Variante lässt sich wiederholen, variieren und mit anderen Einstellungen kombinieren. Die erste nicht.
Einstellungsgrößen und ihre Funktion
Weite Einstellungen etablieren Ort und Größenverhältnisse. Halbtotalen zeigen Handlung und Körperhaltung. Nahaufnahmen zeigen Emotion. Details zeigen Bedeutung – ein Zittern der Hand, ein Tropfen auf einer Arbeitsfläche. Eine Faustregel für kurze Videos: Beginnen Sie weit, arbeiten Sie sich näher heran, und setzen Sie Detailaufnahmen sparsam als Akzente ein. Wer nur Nahaufnahmen generiert, verliert den Raum; wer nur Weitwinkel nutzt, verliert die Emotion.
Bildkomposition und Kamerasprache gezielt steuern
Videomodelle reagieren erstaunlich präzise auf kompositorische Begriffe – vorausgesetzt, man verwendet sie sparsam und konsistent. Ein Prompt mit acht widersprüchlichen Stilangaben erzeugt nichts Genaues. Ein Prompt mit zwei klaren Vorgaben erzeugt oft genau das gewünschte Bild.
Brennweite, Perspektive, Bewegungsrichtung
Formulierungen wie „flache Perspektive mit langem Objektiv" oder „leicht erhöhte Kamera, Blick von oben auf den Tisch" verändern die Wirkung einer Szene erheblich. Auch die Bewegungsrichtung ist erzählerisch relevant: Eine Kamera, die auf eine Figur zufährt, erzeugt Annäherung; eine Kamera, die sich entfernt, erzeugt Distanz oder Verlust. Seitliche Fahrten eignen sich für Übergänge und für das Erschließen neuer Bildinhalte.
Achten Sie darauf, Bewegungen nicht zu überladen. Eine Einstellung sollte eine Bewegung haben, nicht drei. Langsam ist fast immer besser als schnell, weil langsame Bewegungen weniger Artefakte produzieren und sich im Schnitt flexibler kürzen lassen.
Licht, Farbe, Atmosphäre
Licht ist die schnellste Möglichkeit, einer KI-generierten Szene Glaubwürdigkeit zu geben. Konkrete Angaben funktionieren besser als Adjektive: „weiches Seitenlicht von links, warme 3200-Kelvin-Stimmung, leichter Dunst" statt „schöne Beleuchtung". Farbpaletten sollten über eine Szene hinweg stabil bleiben. Wenn Sie für einen Film eine Palette aus gedecktem Grün, warmem Hautton und kühlem Schatten wählen, wiederholen Sie diese Begriffe in jedem Prompt – auch in den Einstellungen, in denen sie nebensächlich erscheinen.
Der Blick für das Bildformat
Formatentscheidungen gehören vor die Generierung, nicht danach. Hochformat für soziale Kurzvideos, Querformat für Erklärstücke, quadratisch für gemischte Feeds. Wenn Sie später beschneiden müssen, verlieren Sie Komposition und manchmal ganze Bildinhalte. Legen Sie das Format also im ersten Prompt fest und bleiben Sie dabei.
Konsistenz über viele Einstellungen hinweg
Konsistenz ist die härteste Anforderung in der KI-Videoproduktion. Figuren verändern Gesichtszüge, Kleidung wechselt die Farbe, Räume verschieben sich, Licht springt. Es gibt drei bewährte Gegenmaßnahmen.
Referenzbilder und Keyframes
Statt jede Einstellung rein textlich zu beschreiben, erzeugen Sie zuerst ein oder mehrere Referenzbilder Ihrer Hauptfigur und der wichtigsten Schauplätze. Diese Bilder dienen anschließend als visuelle Vorlage für die Videoerzeugung, häufig über Bild-zu-Video-Funktionen oder als Stilreferenz. Das reduziert Varianz drastisch, weil das Modell nicht mehr aus einem Satz ein Gesicht erfinden muss, sondern ein bestehendes Gesicht weiterführen kann.
Erstellen Sie Referenzen in mehreren Blickwinkeln: frontal, im Profil, in Halbtotale und in Nahaufnahme. Bei Bedarf ergänzen Sie ein Bild mit anderer Kleidung, damit auch Szenenwechsel abgedeckt sind.
Figurenkonsistenz in der Praxis
Beschreiben Sie unveränderliche Merkmale der Figur in jedem Prompt mit denselben Worten. Wiederholung ist hier kein Stilfehler, sondern Technik. Vermeiden Sie Synonyme: Wenn die Figur „kurzes dunkles Haar" hat, schreiben Sie nicht beim nächsten Mal „kurzhaarig" und danach „Pixie-Schnitt". Das Modell interpretiert jede Formulierung neu.
Ein weiterer Trick: Wiederholen Sie Kleidung, Accessoire und ein charakteristisches Detail – etwa eine Brille oder eine Narbe – in jeder Beschreibung. Diese Ankerpunkte stabilisieren das Ergebnis auch dann, wenn das Gesicht leichte Abweichungen zeigt.
Umgang mit komplexen Umgebungen und Stilwechseln
Je mehr Objekte in einer Szene sind, desto wahrscheinlicher sind Fehler: Hände, Menschenmengen, Text, Spiegelungen. Reduzieren Sie Komplexität, indem Sie Nebenfiguren unscharf oder außerhalb des Bildes halten. Wenn eine Szene einen Stilwechsel braucht – etwa einen Zeitsprung – planen Sie diesen Wechsel als harten Schnitt und nicht als fließenden Übergang. Harte Schnitte verzeihen Stilbrüche, weiche nicht.
Rhythmus und Schnittfolge: Tempo als Erzählmittel
Ein Video entsteht nicht in der Generierung, sondern im Schnitt. Die gute Nachricht: KI-Material lässt sich hervorragend schneiden, weil es in kurzen Segmenten vorliegt. Die schlechte Nachricht: Ohne Rhythmus wirkt selbst schönes Material flach.
Beginnen Sie mit einem Raster. Legen Sie fest, wie lang die Einstellungen durchschnittlich sein sollen. Kurze Videos funktionieren oft mit zwei bis vier Sekunden pro Einstellung. Erklärstücke vertragen sechs bis zehn Sekunden. Innerhalb dieses Rasters variieren Sie bewusst: Auf drei kurze Einstellungen folgt eine lange, die dem Publikum Zeit zum Atmen gibt. Diese Variation erzeugt gefühlte Dynamik.
Achten Sie auf Kontinuität in der Bewegungsrichtung. Wenn eine Figur sich im Bild nach rechts bewegt, sollte die nächste Einstellung die Bewegung fortsetzen oder bewusst umkehren. Unmotivierte Richtungswechsel verwirren.
Nutzen Sie Übergänge sparsam. Schnitte auf Bewegung sind wirkungsvoller als Überblendungen. Überblendungen signalisieren Zeitablauf – wenn kein Zeitablauf stattfindet, kosten sie nur Tempo.
Und schneiden Sie früh. Die meisten Anwender lassen Einstellungen zu lange stehen, weil sie die Generierungsarbeit nicht wegwerfen wollen. Der Zuschauer sieht die Arbeit nicht, er sieht das Ergebnis.
Ein konkreter Produktionsworkflow in sieben Schritten
Dieser Ablauf lässt sich für ein dreißigsekündiges Kurzvideo ebenso anwenden wie für ein fünfminütiges Erklärstück.
1. Kurzbehandlung schreiben
Eine halbe Seite: Ausgangslage, Ziel der Hauptfigur, Hindernis, Wendepunkt, Schlussbild. Keine Technik, keine Prompts. Wenn die Behandlung nicht funktioniert, funktioniert kein Video.
2. Look und Palette festlegen
Drei bis fünf Wörter, die den visuellen Ton beschreiben – etwa „gedeckte Farben, weiches Licht, ruhige Kamera". Dazu das Bildformat und die Ziellänge. Dieses Look-Dokument gilt für alle Einstellungen.
3. Figuren und Schauplätze referenzieren
Erzeugen Sie Referenzbilder für jede Hauptfigur und jeden wichtigen Ort. Prüfen Sie Gesichter in Nahaufnahme und Hände in Aktion. Sortieren Sie unbrauchbare Bilder sofort aus, damit sie nicht später versehentlich als Vorlage dienen.
4. Shot-Liste erstellen
Tabellarisch, mit Einstellungsnummer, Motiv, Bildgröße, Kamera, Licht, Dauer und Tonidee. Ergänzen Sie eine Spalte für „Funktion im Schnitt" – Etablierung, Handlung, Emotion, Detail, Auflösung. Diese Spalte verhindert später, dass Sie eine schöne Einstellung einbauen, die die Geschichte bremst.
5. Prompts aus der Liste ableiten
Jeder Prompt erhält dieselbe Grundstruktur: Figur mit festen Merkmalen, Handlung, Bildgröße, Kamerabewegung, Licht, Look-Begriffe. Halten Sie die Reihenfolge konstant. Konstanz in der Prompt-Struktur erzeugt Konstanz im Bild.
6. Generieren, prüfen, nachziehen
Generieren Sie pro Einstellung zwei bis vier Varianten. Bewerten Sie nach drei Kriterien: Erzählerische Funktion erfüllt? Figur konsistent? Bewegung brauchbar? Wenn zwei von drei Punkten fehlen, ändern Sie den Prompt – nicht das Ergebnis. Wer schlechte Ergebnisse nachbearbeitet, verliert mehr Zeit als beim Neugenerieren.
7. Schnitt, Ton, Ausgabe
Bauen Sie eine Rohfassung ohne Musik, nur mit Schnittfolge. Prüfen Sie, ob die Geschichte ohne Ton trägt. Erst dann ergänzen Sie Musik, Atmosphäre und Stimme. Geben Sie am Ende in mehreren Formaten aus und prüfen Sie die Kompression auf einem Mobilgerät, nicht nur am Monitor.
Typische Fehler und wie man sie vermeidet
Zu viele Einstellungen für zu wenig Geschichte. Zwölf Einstellungen für eine Pointe sind meist zehn zu viel. Kürzen Sie die Shot-Liste, bevor Sie generieren.
Widersprüchliche Stilangaben. „Fotorealistisch, Aquarell, 90er-VHS, Anime" ergibt Matsch. Wählen Sie eine Richtung.
Wechselnde Kleidung und Frisuren. Beschreiben Sie unveränderliche Merkmale wörtlich identisch in jedem Prompt.
Zu schnelle Kamerabewegungen. Schnelle Bewegungen erzeugen Artefakte und lassen sich kaum schneiden. Langsamer generieren, schneller schneiden.
Ton als Nachgedanke. Planen Sie Atmosphäre und Musik von Anfang an. Stille ist ein Werkzeug, kein Versäumnis.
Keine Referenzbilder. Text allein erzeugt bei Figuren zu viel Varianz. Investieren Sie Zeit in zwei bis vier brauchbare Referenzen.
Fehlende Prüfschleife. Wer Ergebnisse erst im Schnitt bewertet, merkt zu spät, dass eine Schlüsseleinstellung unbrauchbar ist.
Ignorieren des Publikums. Ein Video für ein Fachpublikum braucht andere Informationstiefe als ein Social-Clip. Legen Sie vor der Produktion fest, was das Publikum nach dem Video wissen oder fühlen soll.
Tool-Auswahl: Entscheidungskriterien statt Markenglauben
Der Markt an generativen Werkzeugen ist groß und verändert sich schnell. Statt einer Rangliste hilft eine kurze Prüfliste, mit der sich jedes Werkzeug bewerten lässt.
Bildkontrolle. Lässt sich ein Referenzbild verwenden? Kann man Komposition und Perspektive steuern, oder nur die Stimmung?
Bewegungssteuerung. Gibt es Optionen für Kameraarbeit und Bewegungsintensität, oder ist alles dem Zufall überlassen?
Konsistenz über Sequenzen. Unterstützt das Werkzeug Ketten von Einstellungen mit derselben Figur? Oder muss jede Einstellung separat stabilisiert werden?
Auflösung und Länge. Reicht die Ausgabelänge für Ihre Einstellungen, ohne dass Sie in der Mitte schneiden müssen?
Bearbeitbarkeit. Können Sie Bereiche erweitern, entfernen oder ersetzen, ohne neu zu generieren?
Geschwindigkeit. Wie lange dauert eine Variante, und wie viele Varianten passen in Ihr Budget an Arbeitszeit?
Rechte und Nutzung. Sind die erzeugten Inhalte kommerziell verwendbar? Das ist eine der wichtigsten Fragen überhaupt.
Lernkurve. Ein Werkzeug, das Sie in einem Abend beherrschen, schlägt eines, das zwei Wochen Einarbeitung braucht – vorausgesetzt, es erfüllt Ihre Kernanforderungen.
Der pragmatische Ansatz: Wählen Sie zwei Werkzeuge. Eines für die Figuren- und Bildarbeit, eines für die Bewegungs- und Videoarbeit. Zwei Werkzeuge mit klarer Aufgabenteilung sind fast immer besser als fünf, zwischen denen Sie ständig wechseln.
FAQ und Checkliste
Brauche ich ein Drehbuch, wenn ich nur einen kurzen Clip mache?
Ja, aber ein sehr kurzes. Drei Sätze genügen. Der Punkt ist nicht die Länge, sondern die Entscheidung darüber, was das Publikum erfahren soll.
Wie viele Einstellungen sollte ein dreißigsekündiges Video haben?
Typischerweise acht bis fünfzehn, je nach Tempo. Planen Sie lieber mehr, als Sie brauchen, und lassen Sie beim Schnitt weg.
Wie verhindere ich, dass meine Figur in jeder Einstellung anders aussieht?
Mit Referenzbildern plus identisch wiederholten Merkmalsbeschreibungen. Vermeiden Sie Synonyme, halten Sie Kleidung und Accessoires konstant.
Funktionieren Prompts in anderen Sprachen?
Die meisten Modelle verstehen Englisch am zuverlässigsten. Wenn Sie auf Deutsch planen, übersetzen Sie die Prompts und halten Sie die Übersetzungen konsistent – dieselbe Formulierung, dieselbe Bedeutung.
Was mache ich, wenn eine Schlüsseleinstellung nicht gelingt?
Zerlegen Sie sie in zwei einfachere Einstellungen. Komplexe Bewegungen mit mehreren Figuren sind der häufigste Grund für misslungene Generierungen. Ein harter Schnitt zwischen zwei einfachen Bildern löst das Problem meist besser als ein längerer Prompt.
Wie wichtig ist Musik wirklich?
Sehr. Musik steuert Erwartung und Tempo. Testen Sie zwei unterschiedliche Musikrichtungen unter derselben Bildfolge – der Unterschied ist oft größer als der zwischen zwei Generierungsvarianten.
Woran erkenne ich, dass ein Video fertig ist?
Wenn die Geschichte ohne Ton trägt, wenn keine Einstellung länger steht als nötig und wenn jede Einstellung eine Funktion hat. Wenn Sie eine Einstellung nur behalten, weil sie schön aussieht, schneiden Sie sie weg.
Abschluss-Checkliste
- Kurzbehandlung mit Ziel, Hindernis, Wendepunkt
- Look-Dokument mit Palettenbegriffen und Bildformat
- Referenzbilder für Figuren und Schauplätze
- Shot-Liste mit Funktion pro Einstellung
- Prompts mit konstanter Grundstruktur
- Zwei bis vier Varianten pro Einstellung, klar bewertet
- Rohschnitt ohne Ton auf Tragfähigkeit geprüft
- Ton, Musik und Stimme erst danach ergänzt
- Ausgabe in allen Zielformaten getestet
Wer diesen Ablauf zwei- oder dreimal durchläuft, entwickelt ein Gefühl dafür, wo die eigenen Schwachstellen liegen – meist im Schnitt, seltener in der Generierung. Genau dort setzt die nächste Verbesserung an.
