KI-Video-Workflow: Bild, Ton und Figuren konsistent planen

Warum ein stabiler Ablauf über das Ergebnis entscheidet

Die Auswahl an KI-Videowerkzeugen ist in den letzten Jahren stark gewachsen. Für nahezu jede Aufgabe gibt es mehrere Ansätze: fotorealistische Landschaften, animierte Figuren, kurze Clips für soziale Netzwerke, narrative Szenen mit Dialogen oder erklärende Videos für Produkte und Lerninhalte. Wer nur nach dem neuesten Modellnamen sucht, produziert schnell teure Zufallsergebnisse. Wer stattdessen einen reproduzierbaren Ablauf aufbaut, bekommt mit vielen guten Werkzeugen brauchbare Ergebnisse und kann Modelle austauschen, ohne die gesamte Produktion neu zu lernen.

Der entscheidende Unterschied liegt selten im einzelnen Generierungsaufruf. Er liegt in der Vorbereitung: Wie präzise ist das Briefing? Gibt es Referenzbilder, die Licht, Perspektive und Figuren festlegen? Sind Keyframes definiert, bevor Bewegung entsteht? Ist der Ton von Anfang an mitgedacht? Dieser Leitfaden beschreibt einen solchen Ablauf – unabhängig davon, welche Plattform am Ende zum Einsatz kommt. Im Mittelpunkt stehen vier Bausteine: Bildsynthese, Videogenerierung, Charakterkonsistenz und Sound-Design. Sie greifen ineinander, haben aber unterschiedliche Fehlerquellen und sollten getrennt geprüft werden.

Ein zweiter wichtiger Gedanke: KI-Video ist keine einzelne Aktion, sondern eine Kette von Entscheidungen. Jede Entscheidung beeinflusst die nächste. Ein unruhiger Hintergrund im Referenzbild erschwert die Bewegung. Eine unklare Kamerarichtung im Prompt führt zu einem Clip, der später nicht zum Schnitt passt. Ein zu spät geplanter Ton zwingt dazu, Bilder neu zu generieren, obwohl sie visuell bereits funktionieren. Wer diese Kette versteht, arbeitet ruhiger, schneller und mit weniger Ausschuss.

Vor dem ersten Prompt: Briefing, Format und Shotlist

Der häufigste Produktivitätskiller ist der spontane Prompt. Wer ohne Plan generiert, erhält viele schöne Einzelbilder, die nicht zusammenpassen. Deshalb beginnt ein guter Ablauf nicht im Werkzeug, sondern auf einem leeren Blatt oder in einem einfachen Dokument.

Ziel und Format zuerst festlegen

Bevor irgendein Modell läuft, sollten vier Dinge feststehen: Zielgruppe, Plattform, Seitenverhältnis und Gesamtdauer. Ein vertikaler Clip für Kurzvideo-Plattformen braucht andere Bildkompositionen als eine 16:9-Präsentation. Auch die Frage, ob Untertitel Platz benötigen, beeinflusst die Bildgestaltung stärker als viele vermuten. Ein Motiv, das in der Mitte perfekt sitzt, kann durch eine Untertitelzeile unlesbar werden. Wer das früh weiß, plant die Bildmitte anders und spart spätere Korrekturen.

Ebenso wichtig ist die gewünschte Wirkung. Soll der Clip erklären, unterhalten, verkaufen oder eine Stimmung transportieren? Ein erklärender Clip lebt von klaren Einstellungen und ruhiger Kamera. Ein unterhaltender Clip verträgt schnellere Schnitte, überraschende Perspektiven und mehr Bewegung. Diese Entscheidung klingt banal, verändert aber die Shotlist und die Modellwahl erheblich.

Die Shotlist als Tabelle

Eine brauchbare Shotlist ist eine Tabelle mit fünf Spalten: Einstellung, Motiv, Kamerabewegung, Dauer und Ton. Ein Eintrag könnte lauten: „Nahaufnahme der Hände beim Öffnen einer Schachtel, langsame Vorwärtsbewegung, drei Sekunden, Papierrascheln“. Solche Einträge lassen sich fast eins zu eins in Bild- und Videoprompts übersetzen und später sauber schneiden. Wichtig ist, jede Einstellung nur eine Hauptaufgabe erfüllen zu lassen. Wer in einem Clip gleichzeitig eine Figur einführen, ein Produkt zeigen und einen Ortswechsel erklären will, überfordert das Modell und das Publikum.

Für jede Einstellung sollte außerdem ein gewünschter Startpunkt notiert werden. Beginnt die Szene mit einer Nahaufnahme oder mit einer Totalen? Wo steht die Figur im Bild? Welche Blickrichtung ist wichtig? Diese Angaben werden später zu Keyframes und reduzieren die Zahl der Fehlversuche.

Referenzen sammeln statt beschreiben

Beschreibungen sind mehrdeutig. Ein Referenzbild oder ein kurzer Ausschnitt aus einem bestehenden Video sagt mehr als drei Absätze Adjektive. Sinnvoll ist ein kleines Moodboard pro Szene: ein Bild für Licht, eines für Farben, eines für die Figur. Diese Referenzen dienen später als Startbilder oder als Stilvorlage. Wer mit einem Team arbeitet, sollte die Referenzen zentral ablegen und mit einer kurzen Notiz versehen, warum sie ausgewählt wurden. Sonst entsteht später Streit darüber, welches Bild eigentlich die richtige Stimmung zeigt.

Risiken früh markieren

Nicht jede Einstellung ist gleich schwer. Hände, Zähne, Text im Bild, Spiegelungen, Flüssigkeiten und enge Interaktionen zwischen Figuren sind bekanntermaßen anspruchsvoll. Markiere solche Einstellungen in der Shotlist und plane mehr Zeit ein. Eine einfache Landschaft braucht weniger Kontrolle als eine Szene, in der zwei Personen ein Objekt übergeben. Wer diese Risiken früh erkennt, kann sie durch Perspektive, Schnitt oder Referenzen entschärfen, bevor Rechenzeit verbraucht wird.

Bildsynthese: das visuelle Fundament

Bilder liefern die visuelle Grammatik eines KI-Videos: Lichtstimmung, Objektivwirkung, Farbpalette, Materialien und Gesichter. Modelle wie Midjourney, Flux oder Varianten von Stable Diffusion erzeugen Standbilder in hoher Qualität, die anschließend als Start- oder Referenzbild dienen. Der wichtigste Hebel ist hier nicht der ausgefeilteste Prompt, sondern die Konsistenz über eine Serie hinweg: gleiche Lichtrichtung, gleiche Brennweite, gleiche Farbtemperatur.

Licht, Optik und Material

Ein nützlicher Prompt beschreibt nicht nur das Motiv, sondern auch die fotografische Situation. Weiches Seitenlicht aus einem Fenster erzeugt eine andere Stimmung als hartes Mittagslicht. Eine kurze Brennweite betont das Gesicht, eine lange Brennweite verdichtet den Hintergrund. Diese Begriffe sind keine Dekoration, sondern Steuerungselemente. Wer sie bewusst einsetzt, bekommt Bilder, die später als Keyframe funktionieren, weil die Perspektive zur geplanten Kamerabewegung passt.

Materialien sollten ebenfalls konkret benannt werden. Glänzendes Metall, rauer Stoff, matte Haut oder feuchter Asphalt reagieren im Bild unterschiedlich. Gerade bei Produktaufnahmen lohnt es sich, Material und Oberfläche explizit zu beschreiben. Sonst entstehen glatte, plausible, aber austauschbare Oberflächen, die im Video schnell künstlich wirken.

Varianten erzeugen und systematisch sichten

Ein bewährtes Vorgehen: pro Motiv zunächst vier bis acht Varianten erzeugen, dann eine Contact-Sheet-Ansicht anlegen und nach festen Kriterien auswählen. Diese Kriterien sollten vor dem Sichten notiert werden, sonst gewinnt immer das Bild mit den schönsten Farben statt das mit der brauchbarsten Anatomie. Ein einfaches Bewertungsraster mit den Noten eins bis fünf für Anatomie, Perspektive, Licht, Material und Bildrand reicht aus. So wird die Auswahl vergleichbar und lässt sich im Team nachvollziehen.

Prüfkriterien für Referenzbilder

• Anatomie und Hände: Finger, Gelenke, Zahnstellung und Ohren sind häufige Fehlerquellen.
• Perspektive: Passt der Fluchtpunkt zur geplanten Kamerabewegung?
• Lichtrichtung: Stimmt die Schattenrichtung mit der Nachbarszene überein?
• Materialien: Wirken Stoff, Metall und Haut plausibel, oder sind sie glattgebügelt?
• Text im Bild: Schriftzüge und Logos früh prüfen, nicht erst nach der Videogenerierung.
• Bildrand: Keine abgeschnittenen Gliedmaßen oder abrupten Motivenden, die später die Bewegung stören.

Für Serien lohnt es sich, mit festen Seeds zu arbeiten und nur einzelne Prompt-Bausteine zu variieren. So bleibt der Look stabil, während sich das Motiv ändert. Wichtig ist außerdem, die Bildauflösung nicht unnötig hoch zu wählen: Viele Videomodelle skalieren ohnehin herunter, und hohe Auflösungen kosten nur Rechenzeit. Besser ist eine saubere, gut kontrollierte Ausgangsdatei als eine riesige Datei mit versteckten Fehlern.

Keyframes und Bewegung: Kontrolle statt Zufall

Videomodelle reagieren stark auf das Startbild. Ein sauberer Keyframe reduziert das Risiko, dass die Generierung das Motiv bereits in der ersten Sekunde verändert. Deshalb sollte die Bildphase abgeschlossen sein, bevor die Videophase beginnt. Wer parallel arbeitet, verliert schnell den Überblick darüber, welches Bild zu welcher Einstellung gehört.

Testhierarchie statt Vollproduktion

Sinnvoll ist eine Testhierarchie: erst ein kurzer Clip von drei bis fünf Sekunden, dann eine Verlängerung, erst danach die volle Länge. So erkennt man früh, ob das Modell die Bewegung überhaupt versteht. Bei Bild-zu-Video sollte die Bewegungsstärke niedrig beginnen und schrittweise erhöht werden; zu viel Bewegung führt oft zu Verzerrungen im Gesicht oder zu einem wackeligen Hintergrund. Ein Testclip ist kein endgültiger Clip. Er ist eine Messung: Wie reagiert das Werkzeug auf dieses Motiv, diese Kamera und diese Lichtsituation?

Kamerabewegungen einfach halten

Kamerabewegungen sollten explizit und einfach benannt werden: langsamer Schwenk nach links, leichte Vorwärtsfahrt, statische Einstellung mit minimalem Handheld-Charakter. Kombinationen aus mehreren Bewegungen überfordern viele Modelle. Wer eine komplexe Fahrt braucht, teilt sie besser in zwei Einstellungen und schneidet anschließend. Das wirkt im fertigen Video oft flüssiger als ein einzelner, überladener Generierungsversuch.

Ein weiterer häufiger Fehler ist die falsche Bewegungsrichtung. Wenn die Figur im Startbild nach rechts blickt, sollte die Kamera nicht ebenfalls nach rechts schwenken, ohne dass die Blickführung berücksichtigt wird. Notiere die gewünschte Blickachse in der Shotlist. Das klingt nach Details, spart aber viele Korrekturen.

Physik und Stofflichkeit testen

Ein oft unterschätzter Punkt ist die Physik. Fallende Objekte, Flüssigkeiten, Haare und Rauch verhalten sich je nach Modell sehr unterschiedlich. Hier hilft es, pro Werkzeug eine kleine Testreihe anzulegen und die Ergebnisse zu dokumentieren. Nach zwei oder drei Produktionen weiß man, welches Werkzeug für welche Stofflichkeit zuverlässig funktioniert. Für ein Produktvideo mit Tropfen und Glas kann ein anderes Modell sinnvoll sein als für eine ruhige Porträtbewegung.

Startbild und Endbild zusammen denken

Wenn ein Clip in einer anderen Pose oder Umgebung enden soll, lohnt sich ein definiertes Endbild. Manche Werkzeuge akzeptieren Start- und Endkeyframe. Das reduziert die Wahrscheinlichkeit, dass die Figur am Ende der Einstellung unkontrolliert weiterläuft. Falls das Werkzeug keine Endbilder unterstützt, kann ein Zwischenschnitt helfen: Die Bewegung endet früher, der nächste Clip beginnt mit einem neuen Keyframe. Der Schnitt verdeckt die Unsicherheit des Modells und wirkt oft natürlicher als eine erzwungene Dauerbewegung.

Charakterkonsistenz: Referenzsystem und Versionierung

Sobald eine Figur in mehreren Einstellungen auftritt, wird Konsistenz zur Hauptaufgabe. Gesichter, Kleidung, Frisur und Proportionen müssen über Szenen hinweg zusammenpassen. Das gelingt nur mit einem System aus Referenzen und Kontrolle – nicht mit einem besonders langen Prompt.

Das Character Sheet als Ausgangspunkt

Am Anfang steht ein Referenzsatz der Figur: Frontalansicht, Dreiviertelansicht, Profil, Rückansicht, dazu eine Nahaufnahme des Gesichts. Idealerweise mit neutraler Beleuchtung und ohne ablenkenden Hintergrund. Diese Bilder dienen als Grundlage für alle weiteren Szenen. Ein gutes Character Sheet zeigt nicht nur das Gesicht, sondern auch die typische Körperhaltung. Steht die Figur aufrecht, leicht nach vorn geneigt oder entspannt? Diese Haltung wird später in jeder Einstellung wiedererkannt.

Kleidung und Accessoires fixieren

Jedes Detail, das sich zwischen Einstellungen ändern kann, sollte festgeschrieben werden: Kragenform, Ärmellänge, Schmuck, Taschen, Frisur, Bartwuchs. Ein einziges unstimmiges Detail fällt dem Publikum stärker auf als eine kleine Abweichung in der Beleuchtung. Besonders problematisch sind Muster und Logos. Ein Streifenmuster kann von Einstellung zu Einstellung wandern, ein Logo kann unleserlich werden. Wer solche Details braucht, sollte sie in der Postproduktion als feste Grafik einfügen, statt sie generieren zu lassen.

Mehrbild-Referenzen nutzen

Viele aktuelle Systeme akzeptieren mehrere Referenzbilder gleichzeitig. Das ist der zuverlässigste Weg zu Konsistenz: ein Bild für das Gesicht, eines für die Kleidung, eines für die Umgebung. Wichtig ist, die Referenzen nicht zu widersprüchlich zu wählen – unterschiedliche Lichtstimmungen in den Referenzen führen zu gemittelten, oft flauen Ergebnissen. Wenn das Gesicht in warmem Licht und die Kleidung in kaltem Licht referenziert wird, entsteht ein Zwischenzustand, der weder zum einen noch zum anderen passt.

Szenenübergänge planen

Figuren verändern sich am stärksten an Schnittstellen. Wer eine Figur von außen nach innen bewegt, sollte den Übergang mit einem Keyframe abfangen, statt ihn der Fantasie des Modells zu überlassen. Ein Zwischenbild mit der neuen Umgebung, aber derselben Pose, reduziert Aussetzer erheblich. Auch ein Wechsel der Tageszeit sollte über ein Zwischenbild oder einen harten Schnitt gelöst werden. Der Versuch, einen fließenden Übergang innerhalb einer einzigen Generierung zu erzwingen, endet oft in einem matschigen Kompromiss.

Ablage und Benennung

Ein unterschätzter Produktionsfaktor ist die Ablage. Jede Figur bekommt einen Ordner mit Datum, Werkzeug, Seed und kurzer Notiz. Ohne diese Disziplin wird nach zwei Wochen niemand mehr wissen, welches Bild die Referenz war – und die Konsistenz bricht beim nächsten Projekt. Eine einfache Namensstruktur reicht: projekt_figur_ansicht_version. Zusätzlich sollte eine kurze Textdatei festhalten, welche Prompts und Referenzen verwendet wurden. Das ist keine Bürokratie, sondern die Grundlage für reproduzierbare Ergebnisse.

Sound-Design: Stimme, Raum und Musik

Ton macht aus einer Bildfolge eine Szene. Der beste Zeitpunkt dafür ist die Shotlist, nicht der finale Schnitt. Wer Ton erst am Ende denkt, merkt oft, dass eine Einstellung zu kurz ist, dass eine Pause fehlt oder dass die Bewegung nicht zum Dialog passt.

Sprache und Timing

Bei Sprache gibt es zwei Wege: eigene Aufnahme oder Sprachsynthese. Eigene Aufnahmen klingen natürlicher, Sprachsynthese ist schneller und leichter korrigierbar. Wer synthetische Stimmen nutzt, sollte kurze Sätze und klare Betonungen bevorzugen; lange Schachtelsätze klingen schnell mechanisch. Bei lippen synchronen Aufnahmen gilt: erst die Tonspur finalisieren, dann die Videogenerierung darauf abstimmen. Umgekehrt wird es mühsam, weil jede Korrektur am Ton eine neue Bildgenerierung nach sich zieht.

Ein praktischer Zwischenschritt ist eine Rohfassung der Stimme als Timing-Vorlage. Sie muss noch nicht perfekt klingen, zeigt aber, wie lange eine Einstellung dauern muss. Erst wenn die Längen stimmen, wird die endgültige Stimme aufgenommen oder erzeugt.

Drei Ebenen für Atmosphäre

Für Atmosphäre empfiehlt sich ein Drei-Ebenen-Modell:

• Raum: leiser Grundton der Umgebung, etwa Straßenrauschen oder Hall.
• Aktion: konkrete Geräusche wie Schritte, Papier, Türen.
• Emotion: Musik oder Klangflächen, die die Stimmung tragen.

Diese Ebenen sollten getrennt bleiben, damit man sie im Schnitt einzeln anheben oder absenken kann. Ein häufiger Fehler ist ein zu lautes Musikbett, das Sprache und Geräusche überdeckt. Ein weiterer ist fehlende Stille: Pausen wirken oft stärker als eine durchgehende Tonspur. Gute Tonarbeit bedeutet nicht, jede Sekunde zu füllen, sondern die richtigen Momente hörbar zu machen.

Ton und Bild gemeinsam prüfen

Vor dem finalen Export sollte der Clip einmal nur mit Ton und einmal nur mit Bild angesehen werden. Nur mit Ton fällt auf, ob Geräusche zur Bewegung passen. Nur mit Bild zeigt sich, ob die visuelle Erzählung ohne Ton verständlich bleibt. Erst danach wird entschieden, ob Musik, Effekte oder Sprache angepasst werden müssen. Diese einfache Trennung deckt viele Probleme auf, die im kombinierten Sehen untergehen.

Modelle auswählen: Kriterien und Testset

Statt jedes neue Werkzeug sofort zu testen, hilft ein fester Kriterienkatalog. Bewertet wird nicht die Demo, sondern die eigene Aufgabe. Ein Modell kann in einem kurzen Beispielvideo beeindrucken und für die eigene Produktion dennoch ungeeignet sein.

Der Kriterienkatalog

• Prompt-Treue: Hält sich das Modell an Anzahl der Objekte, Positionen und Handlungen?
• Bewegungsqualität: Bleiben Gesichter und Kanten stabil, oder flackern sie?
• Dauer pro Generierung: Reicht die Länge für die geplante Einstellung, ohne sie stückeln zu müssen?
• Referenzunterstützung: Werden Startbilder und Mehrbild-Referenzen zuverlässig verarbeitet?
• Seitenverhältnisse: Unterstützt das Modell das benötigte Format nativ?
• Ton: Gibt es Audioausgabe, und ist sie brauchbar oder nur ein Platzhalter?
• Geschwindigkeit: Wie lange dauert eine Iteration, und wie viele Iterationen sind realistisch?
• Nutzungsrechte: Sind kommerzielle Nutzung und Weiterverarbeitung klar geregelt?

Für die meisten Projekte reicht es, drei Kriterien besonders streng zu prüfen: Konsistenz, Bewegung und Format. Alles andere ist nachrangig, solange diese drei Punkte nicht stimmen. Ein Werkzeug, das perfekte Farben liefert, aber Gesichter verändert, ist für eine Figur im Video ungeeignet. Ein Werkzeug, das großartige Bewegung erzeugt, aber nur quadratische Clips ausgibt, passt nicht zu einer vertikalen Kampagne.

Drei Testaufgaben

Ein pragmatischer Ansatz ist ein Test-Set aus drei Aufgaben: eine Porträtbewegung, eine Produktbewegung und eine Szene mit Umgebung. Wer diese drei Aufgaben mit einem Modell zufriedenstellend löst, kann es in die engere Auswahl nehmen. Alles andere ist Geschmackssache.

Die Porträtbewegung zeigt, ob das Werkzeug Gesichter und Mikrobewegungen kontrolliert. Die Produktbewegung zeigt, ob Materialien und Kanten stabil bleiben. Die Szene mit Umgebung zeigt, ob Hintergründe, Licht und Perspektive zusammenpassen. Notiere für jede Aufgabe die verwendeten Einstellungen und das Ergebnis. So entsteht eine kleine interne Bibliothek, die bei der nächsten Produktion schneller zur richtigen Wahl führt.

Wann mehrere Werkzeuge sinnvoll sind

Ein Werkzeug für Bilder und eines für Video reichen für den Einstieg. Mehrere Modelle sind dann sinnvoll, wenn sie klar unterschiedliche Stärken haben: eines für realistische Physik, eines für stilisierte Looks, eines für schnelle Entwürfe. Der Wechsel sollte aber bewusst und dokumentiert erfolgen. Wer ständig zwischen Werkzeugen springt, verliert den Look und die Vergleichbarkeit. Besser ist eine kleine, feste Werkzeugkette mit klaren Zuständigkeiten.

Qualitätskontrolle und typische Fehler

Vor dem finalen Export lohnt eine kurze, immer gleiche Prüfliste. Sie kostet fünf Minuten und spart ganze Neugenerierungen. Qualitätskontrolle ist kein einmaliger Schritt am Ende, sondern eine Schleife, die nach jeder Testgenerierung kurz durchlaufen wird.

Die Prüfliste

• Flackern an Kanten und in Hintergründen
• Gesichter, Hände und Zähne über die gesamte Clip-Länge prüfen
• Text und Logos auf Lesbarkeit und Verzerrung
• Kontinuität von Kleidung, Licht und Requisiten
• Schnittrhythmus und Blickführung
• Tonspur auf Übersteuerung und unerwünschte Nebengeräusche
• Untertitel innerhalb der sicheren Bildbereiche

Häufige Fehler und ihre Korrektur

Typische Fehler sind zu lange Prompts mit widersprüchlichen Anweisungen, zu viele Kamerabewegungen pro Einstellung, fehlende Referenzbilder bei Figuren und das Vertonen erst nach dem finalen Schnitt. Ebenfalls unterschätzt: das Überspringen der Testphase. Wer direkt die volle Länge generiert, merkt Fehler erst, wenn die Iteration teuer wird.

Ein weiterer häufiger Fehler ist die Überkorrektur. Nach einem fehlerhaften Clip werden prompt fünf neue Variablen gleichzeitig geändert. Danach weiß niemand, welche Änderung geholfen hat. Besser ist es, pro Iteration nur eine Variable anzupassen: entweder die Bewegung, die Referenz, den Prompt oder das Startbild. So lässt sich das Ergebnis erklären und wiederholen.

Feedbackschleifen kurz halten

Feedback sollte konkret sein. Statt „sieht künstlich aus“ hilft „die linke Hand hat sechs Finger, der Hintergrund flackert ab Sekunde zwei, die Lichtrichtung passt nicht zur vorherigen Einstellung“. Konkrete Beobachtungen führen zu konkreten Korrekturen. Ein kurzes Review direkt nach der Testgenerierung ist effizienter als ein großer Review am Ende der Produktion.

Zeit, Aufwand und Skalierung

Jede Produktion hat begrenzte Zeit und begrenzte Rechenzeit. Deshalb ist es sinnvoll, den Aufwand bewusst zu verteilen: etwa die Hälfte für die Bildphase, ein Drittel für Bewegungsiterationen und den Rest für Nacharbeit. Wer in der Bildphase spart, zahlt in der Videophase doppelt.

Phasenplan

Ein einfacher Phasenplan sieht so aus: Briefing und Shotlist, Bildsynthese, Keyframe-Auswahl, kurze Bewegungstests, volle Videogenerierung, Ton, Schnitt und Qualitätskontrolle. Jede Phase hat ein klares Ergebnis. Die Bildphase endet mit freigegebenen Referenzbildern. Die Testphase endet mit dokumentierten Einstellungen, die funktionieren. Die Videophase endet mit Clips, die in Länge und Bewegung zum Schnitt passen. Diese klaren Übergänge verhindern, dass ständig zwischen Phasen hin und her gesprungen wird.

Vorlagen und Batch-Arbeit

Für wiederkehrende Formate lohnen Vorlagen: feste Shotlist-Strukturen, Prompt-Bausteine, Character Sheets und Ton-Layouts. Sie reduzieren die Einarbeitungszeit pro Projekt erheblich. Bei größeren Serien ist Batch-Arbeit sinnvoll – erst alle Bilder, dann alle Videos, dann aller Ton. So bleibt der Look konsistent und das Wechseln zwischen Werkzeugen entfällt. Außerdem lassen sich Fehler in einer Charge leichter erkennen, weil alle Ergebnisse unter ähnlichen Bedingungen entstanden sind.

Teamrollen und Übergaben

In Teams sollte klar sein, wer welche Entscheidung trifft. Eine Person verantwortet die visuelle Richtung, eine andere den Schnitt, eine dritte den Ton. Ohne diese Klarheit entstehen Kompromisse, die niemand vollständig vertritt. Übergaben funktionieren am besten mit einer kurzen Notiz pro Einstellung: Ziel, verwendetes Referenzbild, gewünschte Bewegung, Tonidee und offene Fragen. Diese Notiz ist wertvoller als ein großer Chatverlauf.

Häufige Fragen

Brauche ich mehrere Modelle gleichzeitig?

Nicht zwingend. Ein Werkzeug für Bilder und eines für Video reichen für den Einstieg. Wichtig ist, die Stärken und Grenzen beider Werkzeuge zu kennen, statt ständig zu wechseln. Mehrere Modelle lohnen sich erst, wenn sie klar unterschiedliche Aufgaben zuverlässig lösen.

Wie verhindere ich, dass Gesichter zwischen Einstellungen springen?

Mit einem Character Sheet, mehreren Referenzbildern und klaren Keyframes. Zusätzlich sollte die Bewegung pro Einstellung niedrig gehalten und erst nach einem erfolgreichen Test erhöht werden. Eine feste Ablage und kurze Notizen zu jeder Referenz helfen, den Überblick zu behalten.

Wie lang sollten erste Tests sein?

Drei bis fünf Sekunden. In dieser Länge zeigen sich Bewegungsfehler und Instabilitäten am schnellsten, ohne viel Rechenzeit zu verbrauchen. Erst wenn ein kurzer Test stabil ist, wird verlängert.

Ist Sprachsynthese für professionelle Videos geeignet?

Für viele Formate ja, besonders für erklärende Inhalte. Bei emotionalen Dialogen bleibt eine echte Aufnahme meist überlegen. Ein Kompromiss ist eine synthetische Rohfassung als Timing-Vorlage für die spätere Aufnahme.

Wie viel Zeit sollte ich für den Ton einplanen?

Etwa ein Viertel der Gesamtzeit. Wer Ton früh mitdenkt, spart später beim Schnitt und vermeidet, dass Bild und Aussage auseinanderlaufen. Gerade bei Dialogen sollte der Ton vor der finalen Bildgenerierung als Längenreferenz vorliegen.

Woran erkenne ich, dass ein Clip fertig ist?

Wenn Bild, Bewegung und Ton dieselbe Aussage tragen und keine Einstellung die Aufmerksamkeit durch technische Fehler vom Inhalt ablenkt. Alles andere ist Feinschliff. Ein fertiger Clip muss nicht perfekt sein, aber er darf den Zuschauer nicht aus der Geschichte werfen.

Wie gehe ich mit Text und Logos im Bild um?

Am zuverlässigsten ist es, Text und Logos in der Postproduktion als Grafik einzufügen. Generierte Schrift ist oft unleserlich oder verändert sich zwischen Einstellungen. Wenn Text im Bild benötigt wird, sollte er früh getestet und möglichst einfach gehalten werden.

Was mache ich, wenn ein Modell die Bewegung nicht versteht?

Erst die Bewegung reduzieren, dann die Kamerarichtung vereinfachen, dann das Startbild prüfen. Oft liegt das Problem nicht am Prompt, sondern an einer widersprüchlichen Perspektive im Referenzbild. Wenn das nicht hilft, den Clip in zwei kürzere Einstellungen teilen und im Schnitt verbinden.

Wie dokumentiere ich eine Produktion sinnvoll?

Mit einer kurzen Projektnotiz pro Einstellung: Referenzbild, Prompt, Werkzeug, Seed, gewünschte Bewegung, Tonidee und Ergebnis. Diese Notizen müssen nicht schön sein, aber sie sollten auffindbar sein. Wer nach Wochen eine Szene ändern muss, spart damit viel Zeit.

Kann ich denselben Ablauf für erklärende und erzählerische Videos nutzen?

Ja, die Grundstruktur bleibt gleich. Der Unterschied liegt in der Gewichtung: Erklärende Videos brauchen klare Einstellungen, ruhige Kamera und präzise Sprache. Erzählerische Videos brauchen mehr Charakterkonsistenz, Übergänge und emotionale Tonarbeit. Die Prüfliste bleibt ähnlich, die Prioritäten verschieben sich.

Wer diese Schritte als festen Ablauf etabliert, kann neue Werkzeuge gelassener ausprobieren. Nicht jedes neue Modell muss sofort die gesamte Produktion verändern. Entscheidend ist, dass Briefing, Referenzen, Keyframes, Ton und Qualitätskontrolle zusammenpassen. Dann wird KI-Video weniger zum Glücksspiel und mehr zu einem handwerklichen Prozess, der sich wiederholen und verbessern lässt.