KI Video Prompts schreiben: Die komplette Anleitung

Auf der Suche nach einer KI Video Prompts schreiben Anleitung, die aus der echten Produktion kommt? Diese hier basiert auf 40 Trainingsmodulen, die in sechs Monaten durch drei verschiedene Pipelines gelaufen sind. Keine Theorie, kein Wunschdenken.

Das Ergebnis ist eindeutig: Der Unterschied zwischen einem nutzbaren und einem unbrauchbaren 12-Sekunden-Clip hängt davon ab, wie präzise du Bewegung, Licht und Stimmung beschreibst. Nichts anderes zählt so sehr.

Warum deine Clips nie so aussehen, wie du sie dir vorgestellt hast

Das Modell ignoriert dich nicht. Es interpretiert das, was du ihm gegeben hast.

"Eine Person, die nachts durch eine Stadt läuft" gibt dem Modell fünf Freiheitsgrade: welche Person, welche Stadt, welche Richtung, welches Tempo, welches Licht. Was du zurückbekommst, ist die beste Schätzung des Modells für alle fünf. An einem guten Tag stimmt eine davon mit deiner Vorstellung überein.

Starke KI Video Prompts eliminieren diese Freiheitsgrade einen nach dem anderen. Du brauchst nicht mehr Wörter. Du brauchst mehr Präzision.

Hier ist der Unterschied:

Schwach: "Ein Geschäftsmann läuft nachts durch eine Stadt"

Stark: "Ein Mann Anfang 40 im anthrazitfarbenen Mantel läuft zügig von links nach rechts durch eine regenasse Tokioter Straße um 2 Uhr nachts, Natriumdampf-Straßenlaternen von oben, halbnahe Verfolgungsaufnahme, Noir-Stimmung, leichtes Filmkorn"

Gleiche Ausgangssituation. Der zweite Prompt liefert beim ersten Versuch in ca. 70% der Fälle einen nutzbaren Clip. Der erste: ca. 20%. Diese Lücke schließt sich nicht von selbst, solange du nicht änderst, wie du Prompts schreibst. Das Modell lernt deine Präferenzen nicht. Es hat nur das, was du ihm gibst.

Für Creator, die 40 bis 100 Clips pro Projekt produzieren, werden aus diesen 50 Prozentpunkten Unterschied bei der Erstversuch-Erfolgsquote schnell Stunden. In der Skalierung wird daraus eine Personalentscheidung.

Avatar-Prompts vs. generative Video-Prompts: Zwei verschiedene Sprachen

Das ist der Unterschied, den die meisten Anleitungen vollständig übersehen. Er wird dir Stunden sparen.

Wenn du B-Roll oder cineastisches Footage mit Tools wie Kling AI, Higgsfield oder Runway generierst, führst du Regie für eine Szene. Das Modell muss verstehen, was im Bild ist, wie es sich bewegt und wie es aussieht.

Wenn du Avatar Talking-Head Videos mit Tools wie Polymorf, HeyGen oder Synthesia generierst, führst du Regie für einen Darsteller. Das Modell muss Sprechtempo, Avatar-Stimmung und Skriptstruktur verstehen, nicht die visuelle Komposition.

Prompt-Struktur für generative B-Roll:

[Motiv] + [Aktion] + [Setting] + [Kamera] + [Licht] + [Stil] + [Bewegungsqualität]

Prompt-Struktur für Avatar-Video (auf Skript-Ebene):

[Avatar-Ton] + [Tempo-Cues] + [Pause-Marker] + [Betonungshinweise]

Einen Kling-Prompt zu schreiben, wenn du einen Avatar-Clip generierst, ist wie einem Kameramann Bühnenanweisungen zu geben. Im besten Fall verwirrend. Im schlimmsten kontraproduktiv.

Ein Clip-Typ. Zwei vollständig verschiedene Prompt-Sprachen. Zu wissen, mit welcher du arbeitest, bevor du das Textfeld öffnest, spart mehr Zeit als jeder Formatierungstrick.

Der 7-Element-Stack, der über alle generativen Tools funktioniert

Für B-Roll und generative Videos schichte diese sieben Elemente in dieser Reihenfolge. Lasse eines aus und du gibst die Kontrolle zurück an das Modell.

1. Motiv: Wer oder was steht im Fokus. Konkret: Alter, Kleidung, Körperhaltung. Nicht "eine Frau", sondern "eine Frau Ende 30, marineblaues Sakko, stehend, Blick in die Kamera".

2. Aktion: Was sich tatsächlich bewegt. Kinetisch denken: "dreht sich langsam", "läuft zügig von rechts nach links", "Dampf steigt aus einer Tasse auf einem Marmortresen auf".

3. Setting: Wo es passiert. Mit Hintergrunddetail. "Modernes Großraumbüro mit Glasfassade, 10-Uhr-Licht, Stadtsilhouette dahinter."

4. Kamera: Einstellungsgröße und Bewegung. "Halbnahe Einstellung, langsames Heranfahren." "Totale, statisch." Präzise genug, um keinen Interpretationsspielraum zu lassen.

5. Licht: Qualität, Richtung, Farbtemperatur. "Diffuses bewölktes Licht von links." "Hartes direktionales Neonlicht in Cyan von oben." Modelle parsen Licht-Deskriptoren präzise, wenn du konkret bist.

6. Stil: Filmische Referenz oder Textur. "Kodak Vision3 Filmkorn, leichte Halation." "Cleaner Corporate-Look, kein Grain." "Düstere skandinavische Winter-Stimmung, entsättigte Palette."

7. Bewegungsqualität: Zeitliche Steuerung. Begriffe wie "stabil", "fließender Übergang", "kein Flimmern", "gleichmäßige Bewegung" reduzieren visuelle Artefakte bei Modellen wie Kling und Higgsfield erheblich.

Ein vollständiger 7-Element-Prompt sieht so aus: "Eine Produktdesignerin Anfang 30, grauer Rollkragenpullover, stellt mit Bedacht eine Keramiktasse auf einen weißen Schreibtisch. Modernes minimalistisches Studio, diffuses Fensterlicht von links. Halbnahe Einstellung, langsames Heranfahren. Weiches Morgenlicht, leicht warm. Cleaner Editorial-Stil, kein Grain. Stabile Bewegung, kein Flimmern."

Dieser Prompt erzeugt beim ersten oder zweiten Versuch konsistent einen broadcast-fähigen Clip. Das Fehlen der Elemente 4, 5 oder 7 erklärt die meisten Flimmer- und Drift-Probleme, über die Creator in ihrer ersten Generierungswoche berichten.

Kamerabegriffe, die tatsächlich geparst werden

Nicht alle Richtungsbegriffe sind gleich. Manche werden konsistent über Modelle hinweg geparst. Andere werden ignoriert.

Zuverlässige Begriffe, getestet über Kling AI, Higgsfield und Runway:

• static shot: Kamera bleibt fixiert, keinerlei Bewegung

• slow push-in: Subtile Dolly-Fahrt auf das Motiv zu, steigert die Intimität

• wide establishing shot: Weitwinkel, zeigt die gesamte Szene

• medium close-up: Brust bis Kopf, Motiv zentriert im Bild

• tracking shot left-to-right: Kamera folgt horizontaler Bewegung

• slow pan: Kamera schwenkt horizontal über die Szene

Begriffe, die häufig falsch gelesen werden:

• "Dolly Zoom" erzeugt bei den meisten aktuellen Modellen unstabile Ergebnisse

• "Dutch Angle" wird inkonsistent umgesetzt

• "Over-the-shoulder" veranlasst das Modell, das Motiv zu zentrieren statt es zu flankieren

Verwende die zuverlässige Gruppe. Wenn ein Einstellungstyp nicht in dieser Liste steht, teste ihn an einem kurzen, günstigen Clip, bevor du ihn in eine vollständige Sequenz einbaust.

Wann Prompt-Länge gegen dich arbeitet

Länger bedeutet nicht immer besser. Jedes Tool hat eine praktische Obergrenze, bei der die Verarbeitungsqualität ihren Höhepunkt erreicht.

Für Kling AI: 60 bis 100 Wörter ist der Sweet Spot. Darüber hinaus beginnt das Modell, Elemente in der Mitte des Prompts zu deprioritisieren.

Für Higgsfield: ähnliche Obergrenze, aber das Modell verarbeitet Klammer-Stilhinweise besser. "(subtil, nicht übertrieben)" wurde in unseren Tests bei sechs aufeinanderfolgenden Generierungen korrekt geparst.

Für Avatar-Video-Tools: Dein Skript ist der Prompt. Sprechangaben gehören in Pause-Marker und Betonungshinweise. Ein Satz, eine klare Anweisung. Ein 300-Wörter-Block gibt dir keine zusätzliche Kontrolle. Er verdünnt sie.

Das Signal, dass dein Prompt zu lang ist: Du bekommst einen Clip, der drei Elemente präzise trifft und zwei andere ignoriert. Kürze das Element mit der niedrigsten Priorität zuerst.

Iterieren, ohne dein Credit-Budget zu verbrennen

Bei 20 Clips pro Woche mit einer 40%-igen Ausfallrate verschwendest du 8 Credits wöchentlich. Bei $0,05 bis $0,20 pro Generierung sind das $16 bis $80 pro Monat nur für schlechte Prompts. Für ein Team mit 100 Clips pro Woche wird das zu einem echten Budgetposten.

Ein System, das Ausfall reduziert: der Einzelvariablen-Test.

Generiere einen Basis-Clip mit einem vollständigen 7-Element-Prompt. Notiere das Ergebnis. Ändere genau ein Element und regeneriere. Kamerabewegung, Beleuchtung, Stilreferenz: jeweils eine Variable.

Nach 4 bis 5 Iterationen weißt du, welchen Elementen dein Tool die größte Gewichtung gibt. Dieses Wissen überträgt sich auf jeden zukünftigen Clip in deiner Batch.

Den gesamten Prompt neu schreiben und regenerieren zeigt dir, dass sich etwas geändert hat, aber nicht was. Das Ergebnis: unendliche Iteration ohne verwertbare Erkenntnis.

Speichere deine bewährten Prompt-Vorlagen. 12 Variationen nach Setting-Typ sortiert sind ein guter Ausgangspunkt: Indoor Corporate, Outdoor Urban, Produkt-Nahaufnahme. Das getestete Grundgerüst für jeden neuen Batch wiederverwenden. Was einmal funktioniert hat, funktioniert auch beim nächsten Mal, solange Setting und Ton ähnlich sind.

Was mehr Pipeline-Zeit spart als jede einzelne Prompt-Optimierung

Der wichtigste Hebel ist kein besseres Prompt-Format. Es ist die Eliminierung des Prüf-und-Ablehnen-Zyklus, bevor die Generierung überhaupt beginnt.

Zwei Praktiken, die die Produktionszeit mehr komprimieren als jede Prompt-Technik:

Pre-Generation Storyboarding: Schreibe eine einzeilige Shot-Beschreibung für jeden Clip, bevor du irgendetwas generierst. Wenn du einen Shot nicht in einem Satz beschreiben kannst, kannst du ihn auch nicht präzise prompten. Dieser Schritt erzwingt Klarheit, bevor du einen einzigen Credit ausgibst.

Batch-Generierung mit Varianten-Testing: Generiere 3 Varianten deiner unsichersten Shots gleichzeitig. Wähle den besten aus, verwirf den Rest. Schneller als sequenzielle Iteration und zeigt Tool-Verhaltensmuster rasch auf.

Für einen Solo-Creator, der 2 bis 3 Videos pro Woche produziert, reduzieren diese beiden Praktiken die Generierungszeit um ca. 30 bis 40 Minuten pro Projekt. Bei 3 Projekten pro Woche sind das fast 2 Stunden zurückgewonnene Pipeline-Zeit.

Produktionsvolumen. Kein Studio-Overhead.

Wenn der Prompt stimmt, der Clip aber trotzdem danebentrifft

Manchmal ist der Prompt korrekt strukturiert und der Clip trifft trotzdem nicht. Das ist kein Prompt-Problem. Es ist ein Modell-Alignment-Problem.

Drei Situationen und was zu tun ist:

Das Modell ignoriert deine Kameraanweisung: Wiederhole sie zweimal. Einmal am Anfang, einmal am Ende. "Halbnahe Einstellung, langsames Heranfahren. Motiv: [Beschreibung]. Stil: [Stil]. Shot: Halbnahe Einstellung mit langsamem Heranfahren." Redundanz hilft bei den meisten aktuellen Modellen.

Der Clip hat visuelle Artefakte oder Flimmern: Füge explizit zeitliche Stabilitäts-Sprache hinzu. "Gleichmäßige Bewegung, kein Flimmern, fließende Übergänge durchgehend, stabile Bewegung." Diese Begriffe werden von den meisten Video-Generierungsarchitekturen als Qualitätseinschränkungen geparst.

Die Lieferung des Avatars entspricht nicht dem Skript-Ton: Teile lange Skript-Abschnitte in kürzere Absätze auf. Die meisten Avatar-Tools verarbeiten die Lieferung satzweise, nicht absatzweise. Kürzere Einheiten geben dir engere Kontrolle über Tempo und Betonung. Ein Absatz, der Anweisung, Daten und Call-to-Action vermischt, erzeugt jedes Mal eine flache Lieferung.

Wenn bei einem cineastischen Clip alles andere fehlschlägt: generiere in 5 Sekunden statt 10. Kurze Clips haben weniger kumulative Variablen. Bringe den Look bei der kurzen Version in Ordnung, dann verlängere oder loope.

Das Skript ist da. Das System erledigt den Rest, sobald du ihm etwas ausreichend Präzises gegeben hast.