Kurzvideos mit KI erstellen: der Social-Media-Workflow

Warum Kurzvideos mit KI vor allem ein Workflow-Problem lösen

Die meisten Teams haben genug Ideen. Was fehlt, ist die Strecke zwischen Idee und Veröffentlichung: Skript schreiben, Material beschaffen, Stimme aufnehmen, untertiteln, schneiden, exportieren. Und das jeden Tag aufs Neue. KI-Werkzeuge ersetzen keine redaktionelle Entscheidung, aber sie verkürzen die Durchlaufzeit pro Clip deutlich. Der eigentliche Engpass liegt selten im Generieren einzelner Bausteine. Er liegt an den Übergaben: Ein Hook ohne klare Zielgruppe, ein Skript ohne Szenenmarken, eine Bildwelt ohne roten Faden oder Untertitel, die niemand kontrolliert.

Diese Verschiebung ist wichtig, weil sie die Prioritäten verändert. Wer nur nach dem besten Modell sucht, optimiert einen Bruchteil der Kette. Wer dagegen die Strecke kennt, kann mit durchschnittlichen Werkzeugen überdurchschnittlich zuverlässig liefern. Der Workflow ist das eigentliche Produkt – nicht das einzelne Modell.

Dieser Leitfaden beschreibt deshalb keinen einzelnen Anbieter, sondern eine Produktionsstrecke, die mit unterschiedlichen Werkzeugen funktioniert: von der Idee über Skript, Szenen, Stimme und Textspur bis zu Export und Qualitätskontrolle. Du bekommst Entscheidungskriterien für Modelltypen, Zeitbudgets pro Station, typische Fehler und einen FAQ-Block für den Alltag. Der Fokus liegt auf Wiederholbarkeit. Ein einzelner viraler Clip ist Zufall; ein Kanal, der kontinuierlich liefert, ist ein System.

Die Produktionsstrecke: fünf Stationen und realistische Zeitbudgets

Wer Kurzvideos regelmäßig produziert, sollte die Strecke wie eine kleine Fertigungslinie behandeln. Jede Station hat einen klaren Input, einen klaren Output und ein realistisches Zeitbudget. Das Budget ist bewusst knapp. Es geht nicht darum, jeden Clip zu optimieren, sondern darum, eine Serie zuverlässig zu liefern. Sobald eine Station regelmäßig überzieht, liegt das Problem fast immer an unklaren Vorgaben aus der vorherigen Station – nicht am Werkzeug.

Station	Input	Output	Zeitbudget
1. Briefing	Thema, Zielgruppe, Ziel	Format, Hook, Kernaussage	5 Minuten
2. Skript	Hook und Kernaussage	Sprechblöcke mit Szenenmarken	10 Minuten
3. Bildwelt	Szenenmarken	Szenenbilder oder Clips	10 Minuten
4. Tonspur	Skript	Voiceover, Musik, Untertitel	5 Minuten
5. Finish	Alle Bausteine	Export plus Qualitätscheck	10 Minuten

Ein zweiter Grundsatz: alles, was wiederkehrt, wird zur Vorlage. Intro-Einstellung, Textstil, Untertitelformat, Musikbett-Lautstärke und Export-Preset gehören in eine feste Datei. Das ist der unspektakulärste und wirksamste Beschleuniger überhaupt. Eine Vorlage reduziert Entscheidungen. Entscheidungen kosten Zeit – besonders dann, wenn sie jeden Tag neu getroffen werden.

Batch-Produktion verstärkt diesen Effekt. Statt fünf Clips vollständig nacheinander zu bauen, lohnt es sich, an einem Tag fünf Skripte zu schreiben, am nächsten Tag die Bildwelt zu erzeugen und am dritten Tag Ton, Untertitel und Export zu bündeln. Der Kontextwechsel zwischen den Stationen ist teurer als die Arbeit selbst.

Station 1 und 2: Briefing, Hook-Bibliothek und Skript in Sprechblöcken

Formatentscheidung

Hochkant 9:16 ist der Standard für Kurzvideos auf mobilen Feeds. Quadratisch 1:1 funktioniert in gemischten Feeds und auf Karussell-Plattformen. Querformat 16:9 lohnt sich nur, wenn derselbe Clip auch auf einer Website oder in einer Präsentation läuft. Wichtiger als das Seitenverhältnis ist der Sicherheitsbereich: Oberkante und Unterkante werden auf vielen Plattformen von Bedienelementen überlagert. Rechne mit etwa 15 Prozent Rand oben und unten, in dem keine wichtigen Elemente liegen dürfen.

Hook-Bibliothek statt leerer Seite

Ein Hook hat ungefähr eine Sekunde Zeit. Statt jeden Tag neu zu überlegen, hilft eine Bibliothek mit acht bis zwölf erprobten Mustern, die nur noch mit Inhalt gefüllt werden:

• Zahl plus Versprechen: „Drei Fehler, die jedes Kurzvideo ausbremsen.“
• Kontrast: „So sieht es aus, wenn ein Skript fehlt – und so, wenn es steht.“
• Direkte Ansprache: „Wenn du täglich postest, kennst du dieses Problem.“
• Vorher/Nachher: zwei Bilder, ein Schnitt, keine Worte.
• Frage: „Warum wirkt dein Schnitt hektisch?“
• Zitatbruch: eine gängige Annahme nennen und sofort widerlegen.

Die Bibliothek ist kein Kreativitätsersatz, sondern eine Abkürzung. Sie macht sichtbar, welche Muster zur Marke passen und welche nicht. Nach zehn Clips siehst du, welche Hook-Typen überdurchschnittlich funktionieren – und kannst gezielt nachlegen.

Skript in Sprechblöcken statt Fließtext

Fließtext ist für Videos ungeeignet. Ein Skript für Kurzvideos besteht aus kurzen, einzeln austauschbaren Blöcken. Jeder Block hat eine Aufgabe: Haken, Spannung aufbauen, Beweis liefern, Handlung anregen. Ein brauchbares Prompt-Muster besteht aus vier Zeilen:

1. Rolle und Ziel: „Schreibe ein 30-Sekunden-Skript für ein erklärendes Kurzvideo über Zeiterfassung im Handwerk.“
2. Zielgruppe und Ton: „Zielgruppe: Inhaber kleiner Betriebe, Ton sachlich, keine Fachbegriffe.“
3. Struktur: „Vier Blöcke: Hook, Problem, Lösung, Abschluss. Maximal zwei Sätze pro Block.“
4. Ausgabeformat: „Tabelle mit Spalte Sprechtext und Spalte Szenenbeschreibung, dazu eine Schätzung der Sprechdauer.“

Diese Struktur ist deshalb so wirksam, weil sie das Modell zwingt, die Szenen mitzudenken. Sobald Szenenbeschreibungen vorliegen, ist Station 3 fast mechanisch.

Sprechzeit realistisch schätzen

Ein gängiger Richtwert sind etwa 2,5 Wörter pro Sekunde bei ruhigem Sprechtempo. Ein 30-Sekunden-Clip trägt also ungefähr 75 Wörter. Wer bei 120 Wörtern landet, hat ein 45-Sekunden-Video geschrieben und muss kürzen – nicht später, sondern sofort. Zwei bis drei Durchläufe Kürzen im Skript sparen im Schnitt zehn Minuten Nacharbeit.

Station 3: Visuelles Material erzeugen und auswählen

Für die Bildwelt gibt es vier Quellen, die sich unterschiedlich anfühlen und unterschiedlich viel Nacharbeit erzeugen.

Modelltypen und wann sie passen

• Text zu Video: gut für abstrakte Konzepte, Hintergründe und Stimmungsbilder. Schwach bei Gesichtern über mehrere Szenen hinweg.
• Bild zu Video: ideal, wenn du eine feste Bildsprache hast und nur Bewegung brauchst. Sehr zuverlässig für Produktaufnahmen und Landschaften.
• Avatar oder Sprechervideo: passend für Erklärformate, wenn keine Person vor der Kamera verfügbar ist. Achte auf Lippen- und Kopfbewegungen, sie verraten schlechte Ergebnisse zuerst.
• Eigenes Material plus KI-Bewegung: oft die beste Wahl. Ein einzelnes starkes Foto, mit langsamer Kamerafahrt bewegt, wirkt hochwertiger als fünf generierte Clips.

Konsistenz über Szenen hinweg

Konsistenz entsteht nicht durch Zufall, sondern durch Wiederholung im Prompt. Beschreibe Lichtsituation, Farbtemperatur, Objektivwirkung und Bildaufbau in jeder Szene erneut. Ein nützlicher Trick: Formuliere eine einzeilige „Bild-DNA“ („weiches Seitenlicht von links, entsättigte Blautöne, ruhige Kamera“) und hänge sie an jeden Szenenprompt an. So bleiben fünf Szenen erkennbar aus derselben Welt.

Bewegungsgrad dosieren

Bewegung ist ein Verstärker. Ein langsames Heranfahren wirkt wertig, eine starke Bewegung wirkt unruhig. Für textlastige Szenen gilt: Bewegung reduzieren, damit Lesbarkeit und Bewegung sich nicht bekämpfen. Besser ist ein Rhythmus: zwei ruhige Szenen, eine bewegte, dann wieder ruhig.

Vorlagen für Szenenlängen

Lege für jedes Format eine Standardlänge fest. Ein Erklärclip arbeitet oft mit 2 bis 3 Sekunden pro Szene, ein Story-Clip mit 4 bis 6 Sekunden. Diese Werte sind Startpunkte, keine Regeln. Wichtig ist, dass die Szenenlänge zur Sprechgeschwindigkeit passt. Ein schneller Voiceover über langsamen Bildern erzeugt Reibung; ein langsamer Voiceover über schnellen Bildern ebenfalls.

Station 4: Voiceover, Musik und Untertitel mit Prüfschritten

Voiceover

Synthetische Stimmen sind inzwischen für die meisten Formate brauchbar. Die Qualitätsunterschiede zeigen sich weniger in der Klangfarbe als im Tempo und in der Satzmelodie. Drei Parameter solltest du immer prüfen: Sprechtempo, Pausenlänge an Satzgrenzen und Betonung am Satzanfang. Ein Voiceover, das am Satzanfang zu tief startet, klingt monoton, egal wie gut die Stimme ist.

Falls eine echte Stimme verfügbar ist, bleibt sie meist die bessere Wahl. Kombiniere sie mit KI für Untertitel und Schnittmarken – dort liegt der größere Zeitgewinn.

Musikbett

Musik trägt den Clip, ohne im Weg zu stehen. Zwei Regeln: keine Musik unter dem ersten Satz, und ein Wechsel bei jedem Themenwechsel. Ein durchlaufender Loop über 40 Sekunden fällt Zuschauern unbewusst auf. Achte außerdem auf die Lautstärke: Das Voiceover muss auch auf kleinen Handy-Lautsprechern verständlich bleiben. Ein Musikbett, das im Schnittprogramm ausgewogen klingt, kann auf dem Smartphone die Stimme überdecken.

Untertitel

Untertitel sind kein Zusatz, sondern der Grund, warum viele Kurzvideos überhaupt funktionieren. Ein paar praktische Vorgaben:

• Maximal zwei Zeilen pro Untertitel-Einheit.
• Fünf bis sieben Wörter pro Zeile bei Hochkant.
• Untertitel enden leicht vor dem gesprochenen Wort – nachziehen wirkt lebendiger als gleichzeitig enden.
• Wörter, die im Sprechtext wichtig sind, dürfen im Untertitel hervorgehoben werden, aber sparsam.

Die automatische Transkription ist ein guter Startpunkt, aber keine Endkontrolle. Namen, Zahlen und Fachbegriffe müssen manuell geprüft werden. Ein falsch geschriebener Produktname ist der häufigste vermeidbare Fehler in KI-gestützten Videos. Lege außerdem eine einheitliche Untertitel-Vorlage an: Schriftart, Größe, Kontur, Position und maximale Zeilenanzahl. Diese fünf Werte einmal festlegen und nie wieder spontan ändern.

Station 5: Schnittmuster, Export und Qualitätskontrolle

Zwei Schnittmuster

Das erste Muster ist der schnelle Erklärclip: Szenenwechsel alle 2 bis 3 Sekunden, Text im Bild, keine Sprechpause. Das zweite ist der ruhige Story-Clip: längere Einstellungen, Voiceover trägt, Text nur an Schlüsselstellen. Beide Muster funktionieren – aber nicht gemischt. Ein hektischer Schnitt mit langsamem Voiceover wirkt immer fehlerhaft.

Checkliste vor dem Export

1. Läuft die Tonspur synchron auf den ersten und letzten Bildwechsel?
2. Sind alle Untertitel innerhalb des Sicherheitsbereichs?
3. Ist der erste Frame auch als Standbild verständlich?
4. Ist die Dateigröße im Zielbereich der Plattform?
5. Enthält der Clip keine generischen Platzhaltertexte?
6. Funktioniert der Clip ohne Ton?

Punkt sechs ist der wichtigste. Ein Kurzvideo, das stumm nicht verständlich ist, verliert einen großen Teil des Publikums in den ersten Sekunden. Prüfe außerdem die ersten drei Sekunden separat: Sie entscheiden, ob überhaupt weitergesehen wird. Wenn der Hook erst nach fünf Sekunden kommt, ist er zu spät.

Export-Presets

Exportiere für jede Plattform ein eigenes Preset. Übliche Werte sind 1080 × 1920 Pixel, 30 Bilder pro Sekunde und eine Bitrate, die für schnelle Bewegungen ausreicht. Lade nach dem Export eine kurze Testdatei auf das Zielgerät und prüfe sie dort. Der Schnittmonitor zeigt nicht, wie der Feed den Clip darstellt.

Team-Rollen, Vorlagen und Skalierung: Solo, kleines Team, Agentur

Der Workflow verändert sich mit der Teamgröße.

Solo-Creator: eine Person macht alles, aber nicht alles gleichzeitig. Sinnvoll ist die Batch-Produktion: an einem Tag fünf Skripte, am nächsten Tag die Bildwelt, am dritten Ton und Schnitt. Kontextwechsel kosten mehr Zeit als die Arbeit selbst.

Kleines Team: Trennung zwischen Redaktion (Skript und Hook), Bildwelt (Szenen und Assets) und Finish (Schnitt, Untertitel, Export). Übergaben brauchen feste Formate, sonst wird aus drei Rollen ein Abstimmungsprojekt. Ein einfaches Übergabeformat reicht: Hook, Kernaussage, Szenenmarken, gewünschte Stimmung, Deadlock-Termin.

Agentur oder Redaktion: pro Format eine Vorlage, pro Kunde ein Stilprofil. Die Vorlage enthält Untertitelstil, Intro, Outro, Export-Presets und Bild-DNA. Neue Mitarbeitende produzieren damit vom ersten Tag an markenkonform. Wichtig ist, dass Vorlagen versioniert werden. Eine unkontrollierte Änderung am Untertitelstil betrifft sonst alle laufenden Produktionen.

Typische Fehler, Kennzahlen und FAQ

Sieben typische Fehler

1. Skript zu lang. Wer beim Skript nicht kürzt, kürzt beim Schnitt und verliert den Hook.
2. Zu viele Szenen. Fünf starke Einstellungen schlagen zwölf mittelmäßige.
3. Bildsprache ohne roten Faden. Unterschiedliche Lichtstimmungen pro Szene wirken wie zusammengekauft.
4. Voiceover ohne Pausen. Pausen sind Struktur, nicht Leerlauf.
5. Untertitel ohne Kontrolle. Automatische Transkription ist ein Entwurf.
6. Keine Vorlage. Ohne Vorlage beginnt jede Produktion wieder bei null.
7. Keine Nachbetrachtung. Ohne kurze Auswertung nach dem Posten wiederholt sich derselbe Fehler.

Kennzahlen, die den Workflow steuern

Vier Zahlen reichen für den Alltag: Durchlaufzeit pro Clip, Anteil der Clips, die ohne Nacharbeit exportiert werden, durchschnittliche Betrachtungsdauer in den ersten drei Sekunden und die Frage, welcher Hook-Typ überdurchschnittlich performt. Die ersten beiden Zahlen beschreiben deine Produktion, die letzten beiden dein Publikum. Wenn die Produktionszahlen stimmen, aber die Betrachtungsdauer fällt, liegt das Problem im Haken oder im Tempo – nicht in der Menge.

FAQ

Wie viele Clips pro Woche sind realistisch?
Mit Vorlagen und Batch-Produktion sind drei bis fünf verschiedene Formate pro Woche für eine Person gut machbar. Mehr als das geht meist zulasten der Skriptqualität, nicht zulasten der Geschwindigkeit.

Brauche ich zwingend ein Voiceover?
Nein. Viele erfolgreiche Formate funktionieren mit Text im Bild und Musik. Ein Voiceover hilft bei erklärenden Inhalten, weil es die Aufmerksamkeit über mehrere Sekunden trägt.

Wie behandle ich Markenfarben im Video?
Reduziere auf zwei bis drei Farben und prüfe die Lesbarkeit auf kleinen Displays. Was im Schnittprogramm gut aussieht, kann im Feed unlesbar sein. Kontrast ist wichtiger als Farbtreue.

Welches Format sollte der erste Test sein?
Starte mit einem Format, das du zehnmal in Folge produzieren kannst. Vielfalt am Anfang verhindert Lernen. Ein Format, das sich wiederholen lässt, zeigt dir schneller, welche Stellschrauben wirken.

Wie viel Zeit sollte ich in die Auswertung investieren?
Fünf Minuten pro Clip. Notiere Hook-Typ, Tempo und Betrachtungsdauer. Nach zwanzig Clips siehst du Muster, die kein Werkzeug liefert.

Kann ich denselben Clip mehrfach verwenden?
Ja, aber passe Ton und Untertitel an die Plattform an. Ein unveränderter Export wirkt in jedem Feed leicht fremd.

Fazit: Der Workflow entscheidet, nicht das Modell

KI beschleunigt Kurzvideos nicht dadurch, dass sie einzelne Aufgaben übernimmt, sondern dadurch, dass sie die Strecke zwischen Idee und Export verkürzt. Der Gewinn entsteht an den Übergaben: ein klares Briefing, ein Skript in Sprechblöcken, eine wiederholbare Bild-DNA, kontrollierte Untertitel und ein festes Export-Preset. Wer diese fünf Stationen einmal aufbaut, produziert nicht schneller, sondern zuverlässiger – und genau das macht den Unterschied zwischen einem einzelnen viralen Clip und einem Kanal, der kontinuierlich liefert.