KI-Videoerstellung: Von der Textidee zum fertigen Film

Ein Textfeld, ein Knopf, ein fertiger Film – so wird KI-Videoerstellung gern beworben, und so fühlt es sich nach den ersten Versuchen selten an. Zwischen der ersten Idee und einem Clip, den man wirklich veröffentlichen möchte, liegt Handwerk: Szenenplanung, präzises Prompting, Konsistenzarbeit, Ton und eine ehrliche Qualitätskontrolle. Dieser Leitfaden beschreibt genau diesen Weg – pragmatisch, mit Beispielen, Entscheidungskriterien und den Fehlern, die Zeit kosten. Orelon versteht sich dabei als Werkbank für filmische Ideen in Bewegung: Du bringst die Geschichte, das Werkzeug liefert Bewegung, Licht, Bildsprache und Schnittfähigkeit.

Was Text-zu-Video heute wirklich leistet

Moderne Video-Modelle arbeiten mit Diffusions- und Transformer-Architekturen. Ein Prompt wird zunächst in einen latenten Raum übersetzt, aus dem ein Modell Bild für Bild – beziehungsweise Frame für Frame – Rauschen entfernt und dabei zeitliche Konsistenz mitrechnet. Was in der Theorie nach einem einzigen Rechenschritt klingt, ist in der Praxis ein Kompromiss zwischen drei Größen: wie klar die Anweisung ist, wie viel Bewegung die Szene verlangt und wie streng das Modell Figuren und Objekte über die Dauer hinweg zusammenhalten muss. Wer diese drei Größen kennt, plant realistischer und ärgert sich seltener über Ergebnisse.

Stärken generativer Clips

Generative Videoerstellung ist außergewöhnlich gut in Atmosphäre: Nebel über einem Feld, Gegenlicht durch Jalousien, Regen auf Asphalt, ein langsamer Schwenk über eine Skyline. Ebenso stark ist sie bei Stilisierung – Animation, Retro-Look, Traumsequenzen, editorialer Look – und bei Bewegungsmustern, die natürlich fließen, ohne exakt choreografiert zu sein: Wasser, Rauch, Haare, Stoffe, Menschenmengen in der Unschärfe. Kurze Einstellungen von zwei bis sechs Sekunden sind heute der Sweet Spot, in dem generative Clips erstaunlich professionell wirken.

Wo es noch hakt

Schwierig bleiben präzise Choreografie („sie greift mit der linken Hand nach der Tasse und dreht sich dann nach rechts“), lesbarer Text im Bild, feinmotorische Interaktionen mit Werkzeugen und Instrumenten sowie lange Einstellungen ohne sichtbaren Übergang in eine andere Bildlogik. Auch exakte Wiederholbarkeit ist eine Herausforderung: Dieselbe Figur in derselben Kleidung in fünf Szenen glaubwürdig zu halten, erfordert mehr Arbeit als ein einzelner hübscher Shot. Genau deshalb schlägt dieser Leitfaden vor, den Workflow um Konsistenz herum zu bauen statt sie nachträglich zu reparieren.

Der Workflow in sechs Etappen

KI-Videoerstellung funktioniert am besten, wenn sie wie eine klassische Produktion gedacht wird – nur mit kürzeren Schleifen. Die folgenden sechs Etappen sind bewusst klein gehalten: Jede sollte für sich überprüfbar sein, bevor die nächste beginnt.

Etappe 1: Logline und Zielformat

Beginne nicht mit einem Prompt, sondern mit einem Satz. „Ein Fahrradkurier fährt nachts durch eine regennasse Stadt und findet ein Paket, das nicht existieren dürfte.“ Aus dieser Logline ergeben sich Format (Hochkant für Social, 16:9 für Website), Länge (15, 30 oder 60 Sekunden) und Tonfall. Entscheide außerdem, ob du eine einzige starke Einstellung brauchst oder eine Abfolge von vier bis acht Einstellungen. Diese Entscheidung bestimmt später, wie viel Konsistenzarbeit nötig ist.

Etappe 2: Skript in Szenen zerlegen

Zerlege die Idee in Szenen mit klarer Funktion: Etablierung, Handlung, Wendepunkt, Auflösung. Eine hilfreiche Faustregel aus der Werbefilmarbeit: sechs bis zehn Sekunden pro Szene, wenn dein Clip eine Minute lang ist. Notiere für jede Szene drei Dinge: Was sieht man, was passiert, und was soll der Betrachter fühlen? Alles andere – Objektiv, Lichtstimmung, Farbwelt – kommt in der nächsten Etappe dazu. So entsteht ein Szenenblatt, das gleichzeitig als Prompt-Grundlage und als Prüfliste dient.

Etappe 3: Bildwelt, Look und Referenzen

Definiere einen visuellen Kanon: Farbpalette (zwei Hauptfarben, eine Akzentfarbe), Lichtkonzept (hartes Sonnenlicht, diffuses Fensterlicht, Neon bei Nacht) und eine Referenz auf Materialität (35-mm-Filmkorn, klare Digitaloptik, dokumentarische Handkamera). Referenzbilder helfen ungemein: Erzeuge mit einem Bildgenerator Stills derselben Figur in verschiedenen Situationen und nutze sie als visuelle Anker. In Orelon kannst du Bild- und Videoarbeit kombinieren – ein Standbild als Startpunkt, daraus bewegte Einstellungen.

Etappe 4: Bewegung und Kamera beschreiben

Bewegung ist der Teil, den Anfänger am häufigsten vergessen. Beschreibe nicht nur, was zu sehen ist, sondern wie sich die Kamera verhält und wie schnell sich Dinge verändern. Bewährte Vokabeln: langsamer Push-in, sanfter Dolly nach links, statische Einstellung mit minimaler Handkamera, Fokusverlagerung von Vordergrund auf Hintergrund. Ein Tipp aus der Praxis: Eine Szene sollte genau eine dominante Bewegung haben. Zwei konkurrierende Bewegungen (Kamera fährt, Figur rennt, Stoff flattert, Licht flackert) führen fast immer zu visuellem Rauschen.

Etappe 5: Ton früh mitdenken

Audio ist kein Nachtrag. Atmosphäre entsteht zu einem großen Teil aus Klang: Raumhall, Wind, Verkehr, Schritte, ein einzelner Ton als Akzent. Plane pro Szene eine Klangidee und eine Musikrichtung. Wenn du später vertonst, achte darauf, dass die Musik nicht gegen die Bildbewegung arbeitet – ein langsamer Schwenk verliert seine Wirkung, wenn ein treibender Beat darüber liegt. Bei generativen Clips lohnt es sich zudem, kleine Stille-Momente einzuplanen: Ein halber Takt ohne Musik macht den Schnitt spürbar.

Etappe 6: Montage, Ausgabe, Versionierung

Schneide in kurzen Einstellungen und nutze Übergänge sparsam. Speichere jede Szene als eigenständige Datei mit sprechendem Namen (03_kurier_tor_nacht_v2). Versionierung klingt nach Bürokratie, ist aber der größte Zeitgewinn im gesamten Prozess: Wenn die dritte Szene nicht funktioniert, tauschst du eine Datei aus, statt das Projekt neu zu rendern. Exportiere schließlich in mehreren Formaten – Hochkant, quadratisch, 16:9 – und prüfe jede Version auf einem echten Telefonbildschirm.

Prompting: die Grammatik filmischer Anweisungen

Ein Prompt ist keine Zauberformel, sondern eine Regieanweisung. Je klarer sie aufgebaut ist, desto weniger muss das Modell raten.

Bausteine eines belastbaren Prompts

Ein guter Prompt hat fünf Bausteine in dieser Reihenfolge: Subjekt, Handlung, Umgebung, Kamera, Licht und Stil. Beispiel: „Eine Frau in mittlerer Jacke, Ende dreißig, steht an einer Bushaltestelle und schaut auf ihr Telefon, Handlung: sie hebt langsam den Kopf, Umgebung: leerer Vorortbahnhof im Morgengrauen, Kamera: statische Halbtotale mit leichter Handkamera, Licht: kühles Dämmerlicht, Stil: dokumentarisch, 35-mm-Look.“ Dieser Satz ist lang, aber jeder Teil hat eine Aufgabe. Kürzere Prompts funktionieren auch – sie geben dir nur weniger Kontrolle.

Negativ-Formulierungen und Sperren

Sage nicht nur, was du willst, sondern auch, was du nicht willst: keine Lichtflecken, kein Lens Flare, keine lesbare Schrift, keine zusätzlichen Personen im Hintergrund, kein Überschärfen. Viele Werkzeuge haben separate Felder dafür. Wichtiger noch als Negativlisten ist jedoch Disziplin: Wenn ein Ergebnis in 80 Prozent stimmt und in 20 Prozent nicht, ändere nur einen Baustein pro Durchlauf. Sonst weißt du nie, welche Änderung gewirkt hat.

Länge, Sprache und Wiederholbarkeit

Prompt-Länge ist ein Stilmittel, keine Qualitätsfrage. Für ein Stimmungsbild reichen zwei Zeilen, für eine konsistente Figur brauchst du einen wiederkehrenden Beschreibungsblock, den du wörtlich in jede Szene kopierst. Deutsch funktioniert inzwischen gut, englische Fachbegriffe für Kamerabewegungen bleiben aber oft präziser, weil sie in den Trainingsdaten häufiger vorkommen. Mische beides bewusst: deutsche Beschreibung, englische Kameravokabeln.

Konsistenz über mehrere Szenen

Konsistenz ist das eigentliche Handwerk der KI-Videoerstellung. Drei Techniken haben sich bewährt. Erstens: ein Figurenblatt. Beschreibe Kleidung, Frisur, Alter, Körperbau und ein markantes Merkmal einmal und kopiere diese Beschreibung unverändert in jeden Prompt. Zweitens: Referenzbilder. Ein Standbild derselben Figur aus zwei Winkeln stabilisiert Gesicht und Ausstattung deutlich. Drittens: Kamera- und Lichtkontinuität. Wenn zwei aufeinanderfolgende Szenen dieselbe Lichtrichtung und ähnliche Brennweite haben, verzeiht das Publikum kleine Unterschiede in Details.

Ein unterschätzter Hebel ist die Reihenfolge der Produktion. Drehe zuerst die schwierigste Szene – die mit der klarsten Figur und der meisten Bewegung. Wenn sie funktioniert, hast du eine Referenz für alle anderen. Wenn sie nicht funktioniert, hast du gerade dein Konzept getestet, bevor du Stunden investierst.

Modellvielfalt sinnvoll nutzen statt verzetteln

Es gibt viele Engines mit unterschiedlichen Stärken: Manche sind stark bei realistischer Bewegung, andere bei Animation, wieder andere bei schnellen Schnitten oder bei sehr kurzen, präzisen Einstellungen. Die Versuchung, für jede Szene eine andere Engine zu wählen, führt jedoch fast immer zu einem uneinheitlichen Film. Nutze stattdessen höchstens zwei bis drei Werkzeuge pro Projekt: eines für die Hauptbildsprache, eines für Spezialfälle (zum Beispiel extreme Zeitlupe oder animierte Sequenzen) und eines als Reserve.

Eine einfache Testmatrix hilft bei der Auswahl. Nimm drei Referenzprompts – eine ruhige Personeneinstellung, eine Landschaft mit Bewegung, eine Nahaufnahme mit Händen – und teste jede Engine einmal. Bewerte nach vier Kriterien: Bildtreue zum Prompt, Bewegung, Konsistenz über die Dauer und Bearbeitbarkeit des Ergebnisses (also: Wie oft musst du neu generieren?). Diese Matrix ist in einer halben Stunde erstellt und spart Wochen.

Drei Beispielprojekte aus der Praxis

30-Sekunden-Produktteaser

Sechs Einstellungen: Material-Nahaufnahme, Produkt in Händen, Anwendungssituation, Detailbewegung, Reaktion einer Person, Logo-Auflösung. Der Fehler, den fast alle machen, ist die zu lange Einstellung. Halte jede Szene bei drei bis vier Sekunden, beschreibe eine einzige Bewegung und lege die Musik als festes Raster an. Der Schnitt auf den Takt macht den Unterschied zwischen „KI-Clip“ und „Werbespot“.

Intro für eine Doku-Reihe

Hier zählt Konsistenz mehr als Spektakel. Eine wiederkehrende Farbwelt, ein gleichbleibendes Lichtkonzept und ruhige Kameraarbeit schaffen einen Wiedererkennungswert. Nutze ein festes Figurenblatt für den Erzähler oder Protagonisten und arbeite mit Landschafts- und Umgebungsszenen, die du in jeder Folge variieren kannst. Ton: ein wiederkehrendes musikalisches Motiv, das nach drei Folgen automatisch zur Signatur wird.

Loop für Social Media

Loops brauchen einen Trick: Der letzte Frame sollte dem ersten ähneln. Beschreibe also Anfang und Ende bewusst ähnlich und vermeide neue Objekte im Bild. Ein einzelner ruhiger Bewegungseffekt, sauber geloopt, funktioniert besser als fünf dramatische Kamerafahrten. Wenn du mit Vorlagen arbeitest, findest du unter Templates Strukturen, die du nur noch mit deiner Idee füllen musst.

Qualitätskontrolle: die Prüfliste vor dem Export

Bevor du exportierst, gehe die Sequenz dreimal durch – einmal für Bild, einmal für Bewegung, einmal für Ton.

• Sitzt die Figur in jeder Szene erkennbar zusammen (Kleidung, Frisur, Merkmal)?
• Ist pro Szene nur eine dominante Bewegung vorhanden?
• Stimmen Lichtrichtung und Farbtemperatur zwischen benachbarten Szenen überein?
• Gibt es Frames mit Artefakten, verzerrten Händen oder unlesbaren Buchstaben?
• Trägt der Ton die Szene, oder kämpft er gegen sie?
• Ist die Anfangseinstellung stark genug, um drei Sekunden Aufmerksamkeit zu gewinnen?
• Funktioniert die Sequenz stumm auf einem kleinen Bildschirm?
• Ist die Auflösung für den Zielkanal ausreichend und das Seitenverhältnis korrekt?

Wenn eine Frage mit Nein beantwortet wird, generiere nicht sofort neu. Prüfe zuerst, ob der Schnitt das Problem lösen kann. Sehr oft reicht eine kürzere Einstellung, ein anderer Startframe oder ein anderer Übergang.

Häufige Fehler und wie du sie vermeidest

Der häufigste Fehler ist das Überladen des Prompts. Wer Licht, Wetter, Kleidung, Kamerafahrt, Stimmung und Nebenhandlung in einen Satz packt, bekommt ein Ergebnis, das alles ein bisschen zeigt und nichts richtig. Der zweite häufige Fehler ist die fehlende Zieldefinition: Ohne klares Format und klare Länge entstehen Clips, die man weder schneiden noch veröffentlichen kann. Der dritte Fehler ist die Sichtprüfung nur am Monitor. Generative Details fallen auf dem Telefonbildschirm oft stärker auf als auf dem großen Display.

Ein vierter Fehler betrifft die Planung: Viele starten mit der schönsten Szene und merken erst am Ende, dass die Hauptfigur nicht konsistent ist. Arbeite rückwärts – erst die schwierigste Einstellung, dann die einfachen. Und fünftens: Unterschätze den Ton nicht. Ein mittelmäßiger Clip mit gutem Sound wirkt professioneller als ein starker Clip mit zufälligem Klang.

Recht, Kennzeichnung und Sorgfalt

Wer KI-Videos veröffentlicht, sollte drei Themen kennen. Erstens die Rechte am Ausgangsmaterial: Nutze Referenzbilder, für die du die nötigen Rechte hast, und vermeide geschützte Markenzeichen, Figuren oder Logos als Prompt-Bestandteile. Zweitens die Kennzeichnung: In vielen Märkten wird erwartet, dass synthetische Medien als solche erkennbar oder gekennzeichnet sind – plane eine dezente Einblendung ein. Drittens Persönlichkeitsrechte: Keine realen Personen ohne Einwilligung nachbilden, auch nicht in stilisierter Form. Wer diese drei Punkte früh klärt, muss später nichts neu produzieren.

FAQ

Wie lang sollte eine einzelne KI-generierte Einstellung sein?

Für die meisten Projekte sind drei bis sechs Sekunden ideal. Kürzere Einstellungen wirken dynamischer und verdecken kleine Ungenauigkeiten, längere funktionieren nur mit ruhiger Bewegung und stabiler Figur. Wenn du eine lange Einstellung brauchst, teile sie in zwei Aufnahmen mit unterschiedlicher Perspektive.

Brauche ich mehrere Werkzeuge für ein Projekt?

Nicht zwingend. Zwei Werkzeuge reichen meist: eines für die Hauptbildsprache und eines für Spezialfälle wie Animation oder extreme Zeitlupe. Wichtiger als die Anzahl ist, dass du dein Figurenblatt und dein Lichtkonzept über alle Werkzeuge hinweg gleich beschreibst.

Wie halte ich Gesichter über Szenen hinweg stabil?

Arbeite mit einem festen Beschreibungsblock, Referenzbildern aus mindestens zwei Winkeln und ähnlicher Brennweite zwischen den Szenen. Vermeide extreme Perspektiven und starke Profilansichten, wenn eine Figur nur kurz zu sehen ist – sie sind schwer zu stabilisieren und liefern wenig Erzählwert.

Was mache ich, wenn eine Szene einfach nicht funktioniert?

Zerlege sie. Statt einer komplexen Handlung in einem Prompt generiere zwei einfache Einstellungen und löse die Handlung im Schnitt. Das ist fast immer schneller und sieht besser aus. Alternativ: Ändere die Umgebung statt der Figur – Licht und Ort sind leichter zu kontrollieren als Bewegung.

Wie integriere ich generative Clips in klassisches Filmmaterial?

Angleichen statt mischen: Farbtemperatur, Kornstärke und Kontrast der generativen Clips an das übrige Material anpassen. Wenn ein Clip einen anderen Look hat, hilft eine kurze Farbkorrektur mehr als ein weiterer Generierungsdurchlauf. Für Vorlagen und Startpunkte lohnt ein Blick in die Prompt-Bibliothek.

Mit Orelon von der Idee zum Film

KI-Videoerstellung ist kein Glücksspiel, sondern eine Produktionskette: klare Logline, saubere Szenenplanung, diszipliniertes Prompting, Konsistenzarbeit, Ton und eine nüchterne Qualitätskontrolle. Wer diese Kette beherrscht, produziert mit jedem Durchlauf schneller und besser – und braucht keine Zauberformel.

Wenn du den beschriebenen Workflow direkt ausprobieren möchtest, starte mit einer einzigen starken Einstellung: Formuliere deine Logline, beschreibe Subjekt, Handlung, Umgebung, Kamera und Licht, und generiere deine erste Szene im Video-Generator. Für Standbilder und Referenzbilder derselben Figur nutzt du die Bildgenerierung. Wenn du sehen willst, wie andere diesen Weg gehen, stöbere im Orelon-Blog oder vergleiche Ansätze auf der Alternativen-Übersicht. Und wenn du wissen willst, wie sich Modelle und Stile unterscheiden, bevor du dich festlegst, helfen dir die Beispiele unter Seedance 2.5.

Am Ende bleibt eine einfache Regel: Behandle jede generierte Einstellung wie eine Aufnahme am Set. Plane sie, prüfe sie, behalte sie oder verwirf sie – und montiere erst dann zur Geschichte. Genau so wird aus einer Textidee ein Film, den man wirklich zeigen möchte.