KI-Prompts für Video: Sora, Runway und Veo

Tipp „ein Drache, der über eine Stadt fliegt“ in ein Bildmodell, und du bekommst ein Einzelbild. Tipp es in Sora oder Veo, und du bekommst fünf Sekunden voller Entscheidungen: wie der Drache in die Kurve geht, ob die Kamera ihm nachjagt oder still hält, wie die Flügel die Luft drücken, wie sich das Licht verschiebt, während er sich dreht. Jede dieser Entscheidungen ist entweder etwas, das du vorgegeben hast, oder etwas, das das Modell für dich geraten hat. Gutes Prompting für Video besteht vor allem darin, weniger dem Zufall zu überlassen.

Das ändert, wie du schreibst. Ein Standbild ist ein Substantiv. Ein Shot ist ein Verb.

Video-Prompts sind keine Bild-Prompts mit Bewegung

Der größte Fehler, den viele von Midjourney mitschleppen, ist, einen Clip wie ein Foto zu behandeln, das eben ein bisschen zappelt. Ist es aber nicht. Ein Foto-Prompt beschreibt einen Zustand. Ein Video-Prompt beschreibt einen Zustand *und wie er sich über die Dauer verändert*. Jetzt bist du für drei Dinge zuständig, die ein Standbild nie von dir verlangt hat: Bewegung (was sich bewegt und wie), Zeit (was zuerst passiert, dann als Nächstes) und Tempo (wie schnell sich das Ganze entfaltet).

Deshalb stehen und fallen KI-Prompts für Video mit Verben. „Eine Frau in rotem Mantel, Neonstraße, Regen“ ist ein solides Bild-Briefing und ein schwaches Video-Briefing, weil sich darin nichts bewegt. Füg die Bewegung hinzu, und es erwacht: „sie geht auf die Kamera zu, der Mantel schwingt, Regen zieht am Neon vorbei.“ Dieselbe Szene, aber jetzt weiß das Modell, was es animieren soll, statt eine eigene Drift zu erfinden.

Bleib bei derselben Disziplin wie bei jedem starken Prompt – die Grundlagen einer klaren Anweisung gelten weiterhin. Du hast nur eine Zeitachse dazugenommen, und auf der Zeitachse gehen Clips schief.

Der Aufbau eines Shot-Prompts

Ein Shot-Prompt hat Bestandteile, und wenn du sie in einer groben Reihenfolge benennst, vergisst du nicht die, mit denen Modelle sich schwertun. Stell es dir wie eine Filmklappe vor:

• Motiv + Aktion – wer oder was, und genau eine Sache, die passiert.
• Kamerawinkel und -bewegung – wo das Objektiv sitzt und wie es sich bewegt.
• Objektiv und Bildausschnitt – weit, 35mm, Nahaufnahme, geringe Schärfentiefe.
• Licht – Richtung, Qualität, Farbtemperatur.
• Stimmung und Setting – der Ort und das Gefühl.
• Dauer und Tempo – ungefähr wie lang, und wie schnell die Aktion wirkt.

Die besten KI-Prompts für Video füllen selten alle sechs Felder – aber die ersten beiden sitzen immer, denn Motiv und Kamera tragen alles. So sieht die Vorlage ausgefüllt aus:

Beachte: ein Motiv, eine Kamerabewegung, eine Tageszeit. Diese Zurückhaltung ist der ganze Trick. Wenn du gewohnt bist, für Standbilder Beschreibungen zu stapeln, trainiert ein Bild-Prompt-Generator die Angewohnheit, Objektiv und Licht ausdrücklich aufzuführen – nimm das mit und ergänze dann den Bewegungssatz, den das Standbild nie brauchte.

Die Sprache der Kamera sprechen

Video-Modelle wurden mit echtem Filmmaterial trainiert, deshalb reagieren sie auf echtes Filmvokabular weit besser als auf vage Wörter wie „dynamisch“. Lern eine Handvoll Kamerabewegungen, und deine Text-zu-Video-Prompts werden über Nacht schärfer:

• Dolly – die Kamera selbst fährt vor oder zurück („slow dolly-in“).
• Pan / Tilt – die Kamera schwenkt von einem festen Punkt aus links-rechts oder hoch-runter.
• Tracking – die Kamera fährt neben einem sich bewegenden Motiv mit.
• Crane / Jib – die Kamera steigt oder senkt sich durch den Raum.
• Handheld – bewusstes Wackeln für dokumentarische Energie.
• Zoom – das *Objektiv* zieht heran, was anders aussieht als ein Dolly, und die Modelle wissen das.

Benenne die Bewegung, benenne ihr Tempo, und entscheide dich für eine. „Slow tracking shot“ liest sich sauber; „dolly-zoom-pan-crane“ liest sich wie Lärm, und das Modell verrührt es zu Brei.

Bewegung und Physik beschreiben

Das Schwerste für diese Tools ist physikalische Plausibilität – Stoff, Haare, Wasser, Gewicht, Schwung. Du kannst das steuern. Statt „ein Umhang“ schreib „ein schwerer Wollumhang, der sich langsam im Wind hebt“. Statt „Explosion“ schreib „ein Funkenregen in Zeitlupe, der nach oben treibt“. Gib dem Modell Richtung, Tempo und Material, und es hat etwas zu simulieren. Lässt du das leer, landet es bei einem schwammigen, schwebenden Durchschnitt.

Ein paar Hebel, die sich lohnen:

• Tempo-Wörter: „Zeitlupe“, „Echtzeit“, „Zeitraffer“, „allmählich“, „plötzlich“.
• Gewichtshinweise: „schwer“, „zart“, „träge“, „zurückschnellend“.
• Richtung: „von links nach rechts treibend“, „auf die Kamera zufallend“, „aufsteigend“.

Widersprüche sind es, die es kaputt machen. „Ein eingefrorenes Standbild mit schneller, chaotischer Bewegung“ gibt dem Modell zwei unvereinbare Ziele, und es wählt eines nach dem Zufallsprinzip.

Ein Shot, eine Idee, dann Schnitt

Du kannst keine ganze Szene in einem einzigen Prompt briefen und erwarten, dass alles drin ist. Verlang „eine Verfolgungsjagd über einen Markt, dann ein Showdown auf dem Dach, dann Regen“, und du bekommst einen wirren Brei, der nichts davon ist. Echte Schnitte entstehen Shot für Shot – also prompte Shot für Shot.

Für eine Sequenz erstellst du zuerst ein Storyboard in einfacher Sprache – drei oder vier Beats, jeder ein eigener generierter Clip – und setzt sie dann im Schnittprogramm zusammen:

• Shot 1: weite Einstellung, Motiv klein im Bild.
• Shot 2: halbnah, das Motiv reagiert.
• Shot 3: Close-up, das Detail, auf das es ankommt.

Konsistenz über diese Shots hinweg ist die eigentliche Schwierigkeit. Wiederhol die verankernde Beschreibung wortwörtlich – gleiche Garderobe, gleicher Ort, gleiches Licht – und änder nur Bildausschnitt und Aktion. Eine gespeicherte Prompt-Bibliothek macht sich hier bezahlt, denn du verwendest denselben Figuren- und Setting-Block in jedem Clip wieder, und schon kleine Abweichungen im Wortlaut führen zu sichtbaren Anschlussfehlern. Dieselbe Logik, die eine Illustrationsserie wie Geschwister aussehen lässt, lässt auch deine Shots wie eine einzige Szene wirken.

Image-to-Video und Referenzframes

Text ist nicht dein einziger Input. Die meisten dieser Tools nehmen ein Startbild und animieren es, was Konsistenz in einem Zug löst: Du legst den Look als Standbild fest und beschreibst dann nur noch die Bewegung. Das ist der zuverlässigste Weg, Figur und Stil zu steuern, denn das Bild trägt alles, was Worte nur schwer festnageln.

Es lohnt sich, den Workflow darum herum aufzubauen. Generier ein starkes erstes Bild in einem Bildmodell – der Ratgeber zu Bild-Prompts und der Midjourney-Prompt-Generator zeigen, wie dieses Bild gelingt – und gib es dann mit einer reinen Bewegungsanweisung ein:

Weil das Bild feststeht, muss der Prompt nur die Frage „Was bewegt sich?“ beantworten – eine weit einfachere Frage als „Wie sieht alles aus?“.

Sora, Runway, Veo, Kling: die Unterschiede lesen

Die Tools überschneiden sich mehr, als das Marketing behauptet, und die Versionen ändern sich schnell – nimm konkrete Angaben also als bewegliches Ziel. Grob gesagt haben sie aber unterschiedliche Temperamente:

• Sora (OpenAI) neigt zu längeren, erzählerischen Clips und liest Szenenbeschreibungen gut. Starke Sora Prompts sind eher wie eine Shot-Liste geschrieben als wie ein Keyword-Salat.
• Runway ist aus einem Schnitt-Toolset entstanden, verbindet Generierung also mit feinen Bewegungsreglern, Kameraeinstellungen und Image-to-Video.
• Google Veo zielt auf hochauflösende, physikalisch plausible Bewegung und reagiert gut auf ausdrückliche Kamerasprache.
• Kling und Luma sind stark bei realistischer Bewegung und beliebte Anlaufstellen für Image-to-Video.

Häng dich nicht an der exakten Syntax eines Tools auf; das Handwerk dahinter – klares Motiv, eine Kamerabewegung, benannte Bewegung, vernünftige Dauer – lässt sich überall übertragen. Liest sich ein Prompt holprig, schick ihn durch einen Prompt-Optimierer, um den Wortlaut zu straffen, bevor du einen weiteren Render verbrauchst.

Fehler, die Renders verbrennen

Clips kosten Zeit und Credits, deshalb sind die nennenswerten Fehler die, die beides verschwenden:

• Überladen. Sechs Aktionen, vier Kamerabewegungen, drei Stimmungen. Kürz auf je eine.
• Widersprüchliche Vorgaben. „Statischer, fixierter Shot, wilde Kamerabewegung.“ Entscheide dich.
• Vages „cinematic“. Das Wort allein bringt fast nichts. Sag, *was* cinematic ist – der anamorphe Flare, das Low-Key-Licht, der langsame Push. Konkretheit ist der Stil.
• Dauer ignorieren. Ein Fünf-Sekunden-Clip trägt keine Geschichte in drei Beats. Pass den Anspruch an die Länge an.
• Gegen die Standbild-Ebene arbeiten. Sieht das erste Bild falsch aus, rettet die Bewegung es nicht – repariere zuerst das Bild.

Schreib wie ein Regisseur, der eine Filmklappe ausfüllt, nicht wie ein Dichter, der einen Traum beschreibt. Die Modelle sind gute Zuhörer und miserable Gedankenleser, und die besten KI-Prompts für Video lassen einfach weniger dem Raten übrig.

Quellen

• OpenAI
• Stability AI