KI-Video-Prompt-Guide: Struktur, Bewegung und Modellwahl

Mindestens beantwortet ein starker Video-Prompt fünf Fragen:

• Wer oder was ist das Subjekt, und wie sieht es am Anfang aus?
• Wo spielt die Szene, inklusive wichtiger Vordergrund- und Hintergrundhinweise?
• Was passiert während des Clips, in einer Reihenfolge, die zur Dauer passt?
• Wie sieht die Kamera es: Einstellungsgröße, Winkel und Bewegung?
• Welche Atmosphäre entsteht: Licht, Wetter, Stimmung und, falls das Tool es unterstützt, Ton?

Die meisten Tools brauchen außerdem Lieferentscheidungen außerhalb des ausformulierten Prompts: Dauer, Seitenverhältnis und ob du nur mit Text oder mit einem Bild startest. Diese Steuerungen hängen vom Modell und von der Oberfläche ab. Prüfe die Produkt- oder API-Einstellungen für den Clip, den du generierst, statt die Grenzen eines Tools als universell zu behandeln.

Keine Prompt-Struktur garantiert realistische Physik, perfekte Kontinuität, lesbaren Text im Bild oder einen brauchbaren ersten Versuch. Behandle die erste Generierung als Entwurf und ändere dann jeweils nur eine Variable.

Dieser Guide nutzt SCAAL: Subjekt, Kamera, Action, Atmosphäre und Länge. Das ist eine praktische Checkliste, die für GetBetterPrompts erstellt wurde, kein Branchenstandard. Offizielle Dokumentationen verwenden verwandte Ideen in anderer Reihenfolge. Googles Veo-Prompting-Material gruppiert Cinematography, Subject, Action, Context und Style.

Runways Prompting-Guides betonen klare visuelle Beschreibungen und Bewegungsbeschreibungen. Klings offizieller Text-to-Video-Guide nutzt Subjekt, Bewegung, Szene und optionale Kamera, Beleuchtung und Atmosphäre. SCAAL ist ein portabler Startpunkt. Jedes Modell und jede Oberfläche interpretiert dieselben Wörter anders.

Subjekt: [wer/was, Aussehen, Startposition]
  Kamera: [Einstellungsgröße, Winkel, Bewegung oder statisch]
  Action: [Hauptbewegung, danach mögliche Folgeereignisse]
  Atmosphäre: [Licht, Wetter, Stimmung, optional Ton]
  Länge: [Zieldauer, Tempo, Lieferformat]

Lass leere Teile weg. Wenn das Tool Dauer oder Seitenverhältnis bereits in der Oberfläche festlegt, setze diese Entscheidungen dort und konzentriere den Text auf das, was die Einstellung nicht ausdrücken kann.

Text-zu-Video muss sowohl Aussehen als auch Bewegung beschreiben. Runways Text-to-Video-Anleitung behandelt visuelle Beschreibung und Bewegungsbeschreibung als die zwei wesentlichen Elemente. Nutze es, wenn du keinen festen Startframe brauchst oder wenn das Modell freier eine Komposition erfinden soll.

Bild-zu-Video startet mit einem Standbild, das Komposition, Subjekt, Licht und Stil bereits definiert. Der Prompt sollte hauptsächlich beschreiben, was sich bewegen soll: Subjekt-Action, Umgebungsbewegung, Kamerabewegung, Timing und Geschwindigkeit.

Wenn du jedes visuelle Detail neu beschreibst, kann das gegen das Bild arbeiten. Die offizielle Kling-Anleitung für Image-to-Video konzentriert sich aus demselben Grund auf Subjekt plus Bewegung.

Wähle Bild-zu-Video, wenn Identität, Produktlook oder Layout nahe an einem Referenzbild bleiben müssen. Wähle Text-zu-Video, wenn du eine Aufnahme erkundest und noch keinen verlässlichen ersten Frame hast. Beide Wege profitieren von SCAAL. Nur das Verhältnis zwischen visueller Prosa und Bewegungsprosa ändert sich.

Benenne das Subjekt mit konkreten Merkmalen: Altersbereich oder Typ, Kleidung, Materialien, Farbe, Anzahl und Startpose oder Startposition. "A woman in a red coat standing at the edge of a wooden pier" lässt sich leichter steuern als "a person near water."

Beschreibe nur die Szenendetails, die die Aufnahme beeinflussen. Vordergrundobjekte, Oberflächen, Wetter und Lichtquellen zählen, wenn sie Reflexionen, Tiefe oder Stimmung verändern. Lange Inventare von Requisiten konkurrieren in einem kurzen Clip oft um Aufmerksamkeit.

Halte den Subjekttext stabil, wenn du verwandte Winkel derselben Person oder desselben Produkts generierst. Ändere zwischen Takes Kamera und Action. Stabilität hilft, garantiert aber keine perfekte Identitätsübereinstimmung, außer das Tool bietet Referenz- oder Identitätsfunktionen und du nutzt sie wie dokumentiert.

Nenne eine primäre Action, die die Dauer abschließen kann. Füge Folgeereignisse nur hinzu, wenn Cliplänge und Modell sie tragen können. Natürliche Sequenzen wie "X happens, then Y, then Z," oder grobe Zeitstempel sind dokumentierte Ansätze in aktuellen Runway Gen-4.5-Prompting-Materialien. Komplexe Choreografie kann funktionieren, aber überfüllte gleichzeitige Bewegung ist schwerer zu steuern.

Wenn Ergebnisse chaotisch wirken, vereinfache zuerst, bevor du weitere Adjektive erfindest. Bevorzuge lesbare Ursache und Wirkung: Ein Subjekt dreht sich, Wind bewegt Stoff, Regen trifft Asphalt. Mechanische Anweisungen wie "rotate 45 degrees" können roboterhaft aussehen, außer du willst mechanische Bewegung.

Bild-zu-Video-Prompts sollten starken Bewegungshinweisen im Standbild nicht widersprechen. Unschärfe, Posen mitten im Schritt oder Staubspuren deuten Bewegung an. Gegen diese Hinweise anzuschreiben braucht meistens ein saubereres Ausgangsbild, keinen lauteren Prompt.

Kamerasprache trennt einen Video-Prompt von einem Standbild-Prompt. Beginne mit Einstellungsgröße und Winkel: extreme Totale, Totale, Halbnah, Nahaufnahme, Untersicht, Aufsicht. Ergänze dann nur Bewegung, wenn du sie willst: langsamer Dolly nach vorn, Tracking, Orbit, Kranfahrt, Handkamera oder festes Stativ.

Einfache Bewegung lässt sich oft leichter diagnostizieren. Wenn eine Aufnahme scheitert, reduziere sie auf eine klare Kamerabewegung plus eine Subjekt-Action und baue danach wieder Komplexität auf.

Das ist eine Kontrollstrategie, kein universelles Plattformlimit. Die aktuelle Runway Gen-4.5-Dokumentation unterstützt ausdrücklich komplexe sequenzierte Anweisungen und detaillierte Kamera-Choreografie in einem einzigen Prompt.

Wenn du eine ruhige Kamera brauchst, sage das in natürlicher Sprache und beschreibe trotzdem, was sich im Bild bewegt. Video-Modelle neigen zu Bewegung. "static background" und "locked-off camera" helfen, wenn das Subjekt die Energie tragen soll.

Dauer ist meist eine Produkteinstellung, nicht nur ein Satz im Prompt. Grenzen ändern sich je nach Modell und Oberfläche. Beispiele aus aktuellen offiziellen Dokumentationen, keine universellen Fakten: Die Gemini API-Dokumentation zu Veo 3.1 beschreibt 8-Sekunden-Ausgaben.

Runway Gen-4.5 dokumentiert 2 bis 10 Sekunden auf dieser Produktoberfläche. Klings offizieller Text-to-Video-Guide bespricht 5- und 10-Sekunden-Generierungen für den Workflow, den er behandelt. Lies immer das Bedienfeld oder API-Feld für das Tool, das du nutzt.

Passe die Action an die Uhr an. Ein Gang durch einen Raum braucht mehr Zeit als eine Kopfdrehung. Wenn du in einem kurzen Clip mehrere Beats verlangst, rechne mit Kompression, Schnitten oder verpassten Schritten. Längere Dauern helfen sequenzierten Actions. Kürzere Dauern bevorzugen einen Beat.

Benenne das Tempo, wenn es wichtig ist: Echtzeit, Zeitlupe, schnelle Schnittenergie, verweilendes Halten. Kombiniere Tempo-Wörter mit konkreter Bewegung, damit das Modell nicht raten muss, was "cinematic" nur für das Timing bedeutet.

Licht und Wetter schaffen zugleich Stimmung und sichtbare Bewegungsmöglichkeiten, etwa wandernde Sonnenlücken, driftenden Nebel oder Neonreflexe auf nassen Straßen. Bevorzuge konkrete Hinweise statt einzelner Adjektive. "Eerie fog in an abandoned hospital corridor, flickering fluorescent lights" ist handlungsfähiger als "scary mood."

Stilanker helfen, wenn die falsche Epoche oder das falsche Genre erscheint: Filmmaterial, Jahrzehnt, dokumentarische Handkamera, sauberes digitales Kino, kommerzielle Produktbeleuchtung. Setze die wichtigste Stimmung früh, wenn sie entscheidend ist, und halte den Rest des Prompts mit dieser Wahl konsistent.

Wenn ein Modell native Audioausgabe unterstützt, kannst du Atmosphäre, Effekte und zitierte Dialoge im selben Briefing steuern. Unterstützung und Qualität unterscheiden sich je nach Modell und je nachdem, ob du ein Produkt oder eine API nutzt. Geh nicht davon aus, dass jedes Video-Tool sprechen, Lippen synchronisieren oder die Aufnahme vertonen kann.

Kontinuität scheitert aus gewöhnlichen Gründen: umgeschriebene Subjektzeilen, widersprüchliche Kleidungsdetails, unterschiedliche Seitenverhältnisse oder Prompts, die zwischen Takes neue Requisiten erfinden. Kopiere den Subjektblock exakt, wenn du nur Kamera oder Action ändern willst.

Referenzbilder, Ingredients, Start- und Endframes sowie Erweiterungsfunktionen hängen vom Modell ab. In der Gemini API beschreibt die aktuelle Veo 3.1-Dokumentation bildbasierte Steuerung mit bis zu drei Referenzbildern, First-and-last-frame-Workflows und die Erweiterung zuvor generierter Veo-Clips.

Andere Tools bieten eigene Referenz- und Frame-Steuerungen. Produkt-Apps und APIs zeigen nicht immer dieselben Optionen.

Referenzen verbessern die Chancen auf Konsistenz. Garantiert sind keine identischen Gesichter, Logos oder Produktgeometrie über jeden Take hinweg. Plane bei kritischer Markenarbeit Auswahl, Zuschnitt und Compositing in einem Editor ein.

Setze das Seitenverhältnis vor der Generierung. Das Modell komponiert für den Rahmen, den du verlangst. Nachträgliches Zuschneiden wirft beabsichtigte Ränder weg.

Häufige Ziel-Formate:

• 16:9 für horizontales Web, Präsentationen und viele Desktop-Player
• 9:16 für vertikale Social-Platzierungen
• 1:1 für quadratische Feeds und zentrierte Produkt- oder Talking-Head-Clips

Unterstützte Seitenverhältnisse und Auflösungen unterscheiden sich je nach Tool. Aktuelle Veo 3.1 Gemini API-Dokumente listen 16:9 im Querformat und 9:16 im Hochformat unter den Generierungsoptionen. Runway Gen-4.5 dokumentiert mehrere Verhältnisse auf seiner Produktoberfläche, darunter 16:9, 9:16 und 1:1.

Klings offizieller Text-to-Video-Guide listet 16:9, 9:16 und 1:1 für den beschriebenen Workflow. Bestätige die Live-Einstellungen deines Kontos, statt eine einzelne Liste als dauerhaft zu merken.

Wähle einen Workflow nach Aufgabe, nicht nach einer Qualitätsrangliste. Nicht belegte Rankings verdecken die echten Unterschiede: Dauer, Audio, Referenzen, Erweiterung, Frame-Kontrolle, Editing-Schleife und ob du in einer Verbraucher-App oder einer API arbeitest.

Google-Video-Modelle (Gemini API-Anleitung): Googles aktuelle Dokumentation zur Videogenerierung empfiehlt Gemini Omni Flash als Standard für Videogenerierung und hebt Multi-Input-Reasoning, dialogbasiertes Editing und verwandte Stärken hervor. Die Dokumentation verweist auf Veo 3.1, wenn du Fähigkeiten wie Szenenerweiterung, Last-Frame-Kontrolle oder Integration in Legacy-Pipelines brauchst. Behandle das als Googles dokumentierte Aufteilung für die eigene Familie, nicht als Behauptung, dass eines der Modelle jeden anderen Anbieter schlägt.

Runway Gen-4.5: Offizielle Produktdokumente beschreiben Text-zu-Video und Bild-zu-Video, sequenzierte Anweisungen, Kamera-Choreografie sowie Dauer- und Seitenverhältnissteuerung auf dieser Oberfläche. Es passt gut, wenn du eine generationenorientierte Editing-Schleife mit expliziter Bewegungsführung willst.

Kling: Offizielle Kling-Prompting-Guides lehren strukturiertes Schreiben zu Subjekt, Bewegung und Szene für Text-to-Video sowie Subjekt-plus-Bewegung für Image-to-Video. Fähigkeitsdetails ändern sich über Kling-Versionen und Oberflächen hinweg. Prüfe deshalb Dauer, Audio und Referenzfunktionen in dem Produkt, das du tatsächlich nutzt. Dieser Guide rankt Kling nicht gegen andere Tools.

Sora (historisch): OpenAI hat die Sora-Web- und App-Erlebnisse am 26. April 2026 eingestellt und gibt an, dass die Sora API am 24. September 2026 eingestellt wird. Wenn du einen alten Sora-Workflow migrierst, baue das Briefing mit SCAAL neu und teste es im Tool, das du jetzt wählst. Nimm nicht an, dass irgendein Modell ein direkter Ersatz ist.

App-Oberflächen und APIs können sich sogar innerhalb eines Anbieters unterscheiden. Eine Funktion, die in einem Studio-Produkt sichtbar ist, kann in der API fehlen, nur als Preview verfügbar sein oder anders heißen. Lies die Oberfläche, die du tatsächlich aufrufst.

Für Gemini-spezifischen Zugang und Details zur Produktfamilie nutze den Gemini-Guide der Website. Diese Seite bleibt auf portables Video-Prompt-Handwerk fokussiert.

Schwacher Text-zu-Video-Prompt: "A cool video of someone on a pier at sunset."

Verbesserter Text-zu-Video-Prompt: "Medium shot of a woman in a red wool coat standing at the edge of a wooden pier. She turns toward camera as wind lifts her hair. Slow dolly in. Overcast late afternoon, soft diffused light, grey water behind her. Real-time pacing, melancholic mood. 16:9."

Was sich geändert hat: ein konkretes Subjekt, eine einzelne lesbare Action, eine Kamerabewegung, Atmosphäre mit Lichtwirkung und ein Lieferverhältnis. Das Modell hat weniger Lücken, die es erfinden muss.

Schwacher Bild-zu-Video-Prompt (bei einem Produkt-Standbild einer mattschwarzen Earbud-Hülle auf Marmor): "Make it cinematic and premium."

Verbesserter Bild-zu-Video-Prompt: "Keep the earbud case fixed on the marble. Slow 180-degree orbit at eye level. Soft studio key light from above, subtle reflection crawl on the matte surface. No new props. Locked product scale. 1:1."

Was sich geändert hat: Der Prompt gestaltet das Produkt nicht neu, sondern steuert Bewegung, Kamera und Lichtverhalten, das im Standbild noch nicht codiert ist.

Flackern, Zittern oder morphende Gliedmaßen: Zu viele gleichzeitige Bewegungen. Reduziere auf eine Subjekt-Action und eine Kamerabewegung. Sage, welche Elemente still bleiben.

Ignorierte Kamerabewegung: Verstärke Winkel oder Bewegung in einfacher Sprache und entferne widersprüchliche Bewegungen. Iteriere, statt Synonyme zu stapeln.

Identitätsdrift zwischen Clips: Verwende exakt denselben Subjektabsatz, halte Seitenverhältnis und Stilanker identisch und nutze Referenz- oder Frame-Steuerungen, wenn das Tool sie bereitstellt.

Unerwünschte Schnitte oder gehetzte Beats: Die Dauer ist möglicherweise zu kurz für die Sequenz, oder der Prompt impliziert einen Schnitt. Verlängere den Clip, vereinfache die Beat-Liste oder ergänze eine Continuous-Shot-Anweisung, wenn du einen Take brauchst.

Falsches Genre oder falsche Epoche: Ergänze stärkere Stilanker und entferne gemischte Stilwörter, die gegeneinander arbeiten.

Unlesbarer Text oder Logos: Die meisten Video-Modelle sind schwach bei lesbarer Typografie. Füge Titel und Logos in der Nachbearbeitung hinzu, wenn die Botschaft lesbar sein muss.

Bewerte Erfolg anhand des sichtbaren Clips im Vergleich zu deiner Checkliste. Bitte das Modell nicht, versteckte Chain-of-Thought oder interne Begründungen als Verifikationsmethode offenzulegen.

Bevor du auf Generieren klickst:

• Aussehen und Startposition des Subjekts sind spezifisch
• Szenendetails sind auf das begrenzt, was die Aufnahme braucht
• Die primäre Action passt zur gewählten Dauer
• Kameragröße, Winkel und Bewegung sind explizit oder bewusst offen
• Atmosphäre und Stil widersprechen einander nicht
• Text-zu-Video enthält Visuelles plus Bewegung. Bild-zu-Video konzentriert sich auf Bewegung
• Das Seitenverhältnis passt zum Ziel
• Referenz- oder Frame-Steuerungen sind gesetzt, wenn Kontinuität wichtig ist
• Audioanweisungen sind nur enthalten, wenn das gewählte Modell sie unterstützt
• Du weißt, welche einzelne Variable du änderst, wenn der erste Take das Ziel verfehlt

Schreibe Video-Prompts wie kurze Shot-Briefings: Subjekt, Kamera, Action, Atmosphäre und Länge. Wähle Text-zu-Video oder Bild-zu-Video danach, ob du einen festen ersten Frame brauchst.

Wähle Modelle nach Workflow-Anforderungen wie Editing-Schleife, Erweiterung, Referenzen oder Audio, nicht nach unbelegten Rankings. Vergleiche das Ergebnis mit deiner Checkliste, ändere eine Variable und wiederhole den Prozess.

Wenn du Hilfe brauchst, eine grobe Idee in ein klareres Video-Briefing zu verwandeln, nutze das kostenlose Video-Prompt-Tool auf GetBetterPrompts.