7 KI-Video-Prompt-Fehler, die Ihre Clips heimlich ruinieren
Die meisten enttäuschenden KI-Videoclips sind nicht auf ein schwaches Modell zurückzuführen. Sie entstehen durch Prompt-Gewohnheiten aus der Bildgenerierung, die für Bewegtbild von Anfang an nicht funktioniert haben. Ein einzelnes Standbild kann einen ganzen Haufen Adjektive verkraften. Ein fünfsekündiges Video kann das nicht, weil das Modell gleichzeitig Timing, Kamerabewegung, Subjektkonsistenz und oft auch Audio im Blick behalten muss.
Dieser Leitfaden zeigt sieben Prompt-Gewohnheiten, die KI-generierte Videos still und heimlich sabotieren, jeweils mit Vorher-Nachher-Umformulierungen und echten Generierungstests auf PixVerse. Sie können diese Korrekturen über alle auf PixVerse verfügbaren Modelle vergleichen, darunter Seedance 2.0, HappyHorse 1.0, PixVerse V6, PixVerse C1, Kling O3 und Kling 3.0. Die zugrunde liegenden Probleme sind nicht auf ein einzelnes Modell beschränkt – sie tauchen bei den meisten KI-Videogeneratoren auf, weil die Schwachstellen dieselben sind: aufgeblähte Prompts, vage Stimmungswörter, konkurrierende Kameraanweisungen, unechte Negativ-Prompts, Geschwindigkeitssprache, die Ruckeln auslöst, überbeschriebene Referenzbilder und generische Qualitätslabel.
Dabei geht es nicht darum, kürzere Prompts der Kürze wegen zu schreiben. Es geht darum, jedes Wort im Prompt wirklich arbeiten zu lassen. Ein gut aufgebauter Prompt stellt die wichtigste Information nach vorn, legt sich auf einen einzigen Bewegungspfad fest, schützt alles, was visuell konsistent bleiben muss, und ersetzt vage Geschmackswörter durch Sprache, die das Modell sich tatsächlich vorstellen kann.
So haben wir diese Tests aufgebaut
Jedes Beispiel unten wurde auf PixVerse mit einem abgestimmten Setup generiert: dieselben grundlegenden Generierungseinstellungen und Audio eingeschaltet für jeden Clip. Es ging uns nicht darum, einen bestimmten Modelltrick zu zeigen – der Punkt war, zu isolieren, was der Prompt selbst bewirkt, während der Rest der Umgebung konstant blieb. Sechs Clips liefen mit 1280x720 im Querformat; das Beispiel mit Referenzbild lief mit 720x1280 im Hochformat, da dieser Fall von einer vertikalen Produktaufnahme abhängt. Jede Ausgabe enthält Ton.
Wir haben jedes Ergebnis anhand von sechs Kriterien beurteilt, die ein funktionierender Prompt erfüllen muss: Befolgung der Anweisung, Bewegungsklarheit, Subjektkonsistenz, Kamerastabilität, Verwendbarkeit des Audios und ob der Clip realistischerweise in einen Blogbeitrag, Werbeentwurf, ein Pitch-Deck oder ein Tutorial passen würde.
Diese Heuristiken sind bewusst modellübergreifend gewählt. Die meisten aktuellen Videogeneratoren teilen dieselben Schwachstellen: Drift über die Zeit, mehrdeutige Bewegungshinweise, instabile Kamerapfade und Anweisungen, die sich gegenseitig unbemerkt widersprechen.
Mehr zu den hier genannten Modellen finden Sie in unserem Seedance 2.0 Test, unserem Vergleich HappyHorse 1.0 vs. Seedance 2.0 und unserer Kling 3.0 Analyse. Wenn Sie Prompt-Tests in eine Produktionspipeline einbauen möchten, behandelt unser Leitfaden zur KI-Videogenerierung die Automatisierung von Text-zu-Video- und Bild-zu-Video-Arbeit.
Fehler 1: Prompt-Länge als Ersatz für Kontrolle zu behandeln
Mehr Beschreibung hinzuzufügen fühlt sich an, als würde es dem Modell mehr Arbeitsmaterial geben. In Wirklichkeit verschüttet ein überladener Prompt meist genau die eine Anweisung, die wirklich zählt. Die Eröffnungszeile trägt das meiste Gewicht; alles, was danach gestapelt wird, konkurriert um die Aufmerksamkeit des Modells, statt die Hauptidee zu stärken.
So sieht das aus:
Eine Luxus-Parfümflasche in einem eleganten Studio, wunderschöne Beleuchtung, filmische Reflexionen, hochwertiger Werbelook, edle Materialien, weiche Partikel, sanfte Bewegung, edle Atmosphäre, hohe Qualität, feine Textur, eine dramatische Kamerafahrt, emotionales Storytelling, Luxusmarken-Energie, realistisches Glas, goldene Flüssigkeit, glitzernde Lichtreflexe, Zeitlupe, elegante Schatten, perfekte Komposition, keine Verzerrung, kein Flackern, keine falsche Anatomie, kein unordentlicher Hintergrund, keine zusätzlichen Objekte, professionelles Video, viraler Werbestil.
Das liest sich gründlich, aber fast jede Phrase ist entweder vage oder wiederholt eine frühere Idee. Das Modell muss zwischen Bewegung, Beleuchtung, Stimmung, Reflexionen, Partikeleffekten und einem Haufen Qualitätslabel wählen – und das eigentliche Motiv geht im Rauschen unter.
Warum es scheitert: Videomodelle lesen Text sequenziell, und das klarste Signal über die Kernaktion hält sich über die gesamte Länge des Clips am besten. Das wird umso wichtiger, je länger die Clips werden, da zeitliche Kohärenz dem Modell ohnehin schon viel abverlangt. Das deckt sich mit dem, was OpenAI zu Videomodellen angemerkt hat, die noch mit präziser Physik und Ursache-Wirkung kämpfen – schwache Anweisungen nach der Hauptidee zu stapeln schafft keine zusätzliche Kontrolle, es fügt nur Rauschen hinzu.
Die Lösung: Zielen Sie auf eine knappe 50-80-Wörter-Struktur – Subjekt, Handlung und Ort in Satz eins, Kamera und Stil in Satz zwei, Einschränkungen in Satz drei.
Eine klare Glas-Parfümflasche steht auf schwarzem Marmor, während warmes Streiflicht durch goldene Flüssigkeit fällt. Die Flasche macht eine kleine Vorführdrehung, zeigt eine leichte Seitenkante und kehrt dann zur Mitte zurück. Langsamer Makro-Push-in von Etikettenhöhe bis zum Verschluss, edle Studiobeleuchtung, weicher goldener Staub schwebt hinter der Flasche. Endet auf einem stabilen zentrierten Bild, kein Textoverlay, keine zusätzlichen Objekte. Audio: leises Glasgeräusch, sanfter Raumton des Studios.
Test: PixVerse, 5 Sekunden, 720p, 16:9, Audio an für Glasgeräusche und Studioraumton. Wir wollten sehen, ob ein kompakter Prompt Produktidentität, zurückhaltende Bewegung, Beleuchtung und Kamerakontrolle halten kann, ohne dass die Hauptaktion verloren geht.
Im Ergebnis bleibt die Flasche während des gesamten Push-ins zentriert, die goldene Flüssigkeit ist klar durch das Glas erkennbar, und das warme Streiflicht baut eine edle Stimmung auf, ohne dass ein einziges Adjektiv die Hauptarbeit leistet. Kurze Prompts sind nicht automatisch vage Prompts – eine kompakte Anweisung mit einem Subjekt, einer zurückhaltenden Aktion, einer Kamerafahrt und ein paar echten Einschränkungen schlägt durchgängig eine lange Liste verstreuter Vorlieben.
Fehler 2: Sich auf “cinematic” als Qualitätsschalter zu verlassen
“Cinematic” taucht in fast jedem KI-Video-Prompt auf, und es ist eines der am wenigsten nützlichen Wörter, die man verwenden kann. Es kann auf Horrorbeleuchtung, romantische goldene Stunde, schroffen Dokumentarfilm-Realismus, Sci-Fi-Dunst oder ein Dutzend andere Filmlooks verweisen, die nichts miteinander gemein haben.
So sieht das aus:
Ein pensionierter Detektiv geht nachts durch eine regnerische Gasse. Cinematic, professionell, dramatisch, Filmqualität.
Das gibt dem Modell eine Stimmung, keinen Look. Die Ausgabe könnte irgendwo zwischen düster-schroff und hell-glänzend landen, und Sie haben keine Möglichkeit vorherzusagen, wohin.
Warum es scheitert: breite Wörter wie “cinematic” sind an riesige, unzusammenhängende Ausschnitte der Trainingsdaten geknüpft. Das Modell hat keine Möglichkeit zu wissen, welchen Zweig von “cinematic” Sie sich vorstellen, wenn Sie nicht die tatsächliche visuelle Sprache benennen – Lichtsetup, Objektivcharakter, Komposition, Kamerabewegung, Farbpalette oder einen spezifischen Regie-Stil-Hinweis. Die Forschung zu Runways Gen-3 Alpha weist in dieselbe Richtung: hochgradig beschreibende, zeitlich dichte Beschriftungen übertreffen durchgängig vage Stilbezeichnungen.
Die Lösung: ersetzen Sie “cinematic” durch etwas Konkretes – ein Lichtsetup, ein Objektivverhalten, eine Kompositionsregel oder eine Farbpalette.
Ein pensionierter Detektiv in einem langen dunklen Mantel geht nachts durch eine regennasse Gasse. Langsamer Push-in von der Totalen zur Halbnahaufnahme, rotes und blaues Neonlicht spiegelt sich auf nassem Kopfsteinpflaster, Einpunktperspektive die Gasse hinunter, anamorphotisches Objektivflackern von praktischen Neonschildern, Zigarettenrauch zieht über sein Gesicht. Audio: Regen auf Pflaster, ferner Verkehr, sanftes Neonsummen.
Test: PixVerse, 5 Sekunden, 720p, 16:9, Audio an für Regen und Stadtambiente. Wir wollten sehen, ob das Benennen konkreter Filmelemente eine stabilere Atmosphäre erzeugt als das Wort “cinematic” allein.
Es funktionierte, weil der Prompt Dinge benannte, die das Modell tatsächlich darstellen konnte: nasses Kopfsteinpflaster, Neonreflexionen, eine Einpunktperspektive die Gasse hinunter, ein langsamer Push-in, Noir-artige Beleuchtung. Der Detektiv bleibt der visuelle Anker, während die Gassentiefe und die farbige Beschilderung die Stimmung aufbauen. Der Clip wirkt filmisch, weil der Prompt beschrieben hat, wie die Aufnahme aussehen sollte – nicht weil er sich ein Schlagwort geliehen hat.
Fehler 3: Mehrere Kamerabewegungen in einer Einstellung zu stapeln
KI-Videomodelle können Kameraanweisungen einigermaßen gut befolgen, aber nur wenn es eine dominante Bewegung gibt. Stapeln Sie mehrere Kamerahinweise übereinander, und Sie bekommen tendenziell Ruckeln, Drift oder einen unerwünschten Übergang mitten im Clip.
So sieht das aus:
Ein Miniatur-Magnetzug fährt durch eine Terrarium-Glasstadt. Die Kamera fährt vor, schwenkt nach links, umkreist den Zug, kippt durch die Moostürme nach oben und fügt Handkamera-Wackeln hinzu.
Das liest sich wie eine echte Filmbewegung, aber für die Generierung sind das fünf separate räumliche Vektoren, die um Priorität konkurrieren. Das Modell muss sie entweder nacheinander ausführen oder mischen, und beide Wege neigen dazu, sichtbare Instabilität zu erzeugen.
Warum es scheitert: ein Push-in, ein Schwenk, eine Umkreisung, eine Neigung und Handkamera-Wackeln beschreiben jeweils eine andere Richtung der Kamerabewegung. Stapeln Sie sie, und das Modell muss raten, welche dominieren soll und wann zur nächsten übergeben wird – genau an diesem Übergabepunkt zeigt sich meist das Wackeln. Forschung zu Kamerakontrollsystemen wie Direct-a-Video und MotionCtrl trennt Kamerabewegung bewusst von Objektbewegung, genau aus diesem Grund: ein Prompt sollte nicht gebeten werden, fünf Kameravektoren gleichzeitig zu tragen.
Die Lösung: wählen Sie eine Hauptkamerabewegung und fügen Sie höchstens einen Texturhinweis obendrauf hinzu.
Ein Miniatur-Magnetzug gleitet durch eine Terrarium-Glasstadt auf einem Labortisch, vorbei an Moostürmen und kondensbeschlagenen Glaswänden. Kamera: eine einzige sanfte seitliche Kamerafahrt parallel zum Zug, nur eine leichte Handkamera-Textur. Der Zug bleibt zentriert, während der Hintergrund vorbeigleitet. Audio: sanftes elektrisches Summen, kleine Schienenvibration, Wassertropfen auf Glas, gedämpfter Raumton.
Test: PixVerse, 5 Sekunden, 720p, 16:9, Audio an. Diese Szene ist vollgepackt mit verlockendem Kamerachaos – Glasreflexionen, winzige Gebäude, Kondensation, ein fahrender Zug, Makromaßstab – was sie zu einem guten Stresstest dafür macht, ob eine einzige seitliche Kamerafahrt ein kleines Motiv lesbar halten kann, während der Hintergrund die Bewegungsenergie erzeugt.
Das Ergebnis ist eines der saubersten in diesem ganzen Set. Der Zug bleibt am unteren Bildrand lesbar, während das moosbewachsene Terrarium Parallaxe und Tiefe dahinter erzeugt. Weil der Prompt sich auf eine seitliche Bewegung festlegt, statt Push, Schwenk, Umkreisung und Neigung zu stapeln, kämpft die Kamera nie gegen sich selbst.
Fehler 4: Negativ-Prompts zu schreiben, die es nicht gibt
Viele Ersteller bringen Stable-Diffusion-Gewohnheiten in Video-Prompts ein und schreiben Zeilen wie “negativ: Ruckeln, verbogene Gliedmaßen, Flackern, Deformation.” Die meisten KI-Videogeneratoren haben kein echtes Negativ-Prompt-Feld – dieser Text ist nur weiterer Prompt-Inhalt.
So sieht das aus:
Ein Uhrmacher repariert einen schwebenden Uhrwerk-Würfel unter einer Schreibtischlampe. Negativ: Ruckeln, schlechte Hände, verbogene Finger, Flackern, Deformation, kaputte Zahnräder, instabile Beleuchtung.
Das kann die Sache aktiv verschlimmern. Das Modell liest die Wörter “Ruckeln”, “verbogene Finger” und “Deformation” trotzdem als Text, und statt diese Konzepte auszuschließen, führt es womöglich genau die Assoziationen ein, die Sie vermeiden wollten.
Warum es scheitert: sofern die Oberfläche kein dediziertes Negativ-Prompt-Eingabefeld hat, wird alles, was Sie eingeben, als positive Anweisung behandelt. Das Modell hat kein eingebautes Konzept von “negativ:” als harten Ausschluss – wenn Sie Stabilität wollen, müssen Sie den stabilen Zustand direkt beschreiben.
Die Lösung: wandeln Sie jede Negation in eine positive Einschränkung um, die den gewünschten Zustand benennt.
Ein Uhrmacher setzt mit einer Messingpinzette ein transparentes Zahnrad in einen winzigen schwebenden Uhrwerk-Würfel unter einer warmen Schreibtischlampe. Die Kamera fährt langsam von den Händen zum Würfel vor. Die Hände bewegen sich natürlich, die Zahnradkanten bleiben scharf, der Würfel bleibt zentriert, und das warme Lampenlicht bleibt konstant ohne Flackern. Audio: Klicken der Messingpinzette, feines Zahnradticken, ruhiger Werkstatt-Raumton.
Test: PixVerse, 5 Sekunden, 720p, 16:9, Audio an für kleine mechanische Geräusche und Werkstattton. Hände, winzige Zahnräder und transparente Kanten sind allesamt artefaktanfälliges Terrain, was dies zu einem nützlichen Test macht, ob formulierte Einschränkungen sichtbare Fehler tatsächlich reduzieren im Vergleich zu einer Negativliste.
Die Pinzette, der transparente Würfel und die Zahnraddetails bleiben unter der Lampe visuell klar getrennt. Die Hand ist nah genug an der Kamera, um das Modell zu fordern, aber das direkte Formulieren des gewünschten Verhaltens – natürliche Hände, scharfe Kanten, ein stabiles Licht – liefert ein saubereres Ergebnis als eine Negativliste, die riskiert, genau die Wörter zu wiederholen, die Sie vermeiden wollen.
Fehler 5: “Schnell” als Geschwindigkeitsanweisung zu verwenden
“Schnell” fühlt sich wie das naheliegende Wort an, wenn Sie Geschwindigkeit wollen, aber es tendiert dazu, die Videogenerierung in Richtung Instabilität zu drängen – besonders wenn der Prompt bereits komplexe Handlung, Kamerabewegung oder mehrere bewegte Elemente enthält.
So sieht das aus:
Ein Longboarder fährt schnell einen Berg hinunter, schnelle Kamera, schnelle Kurven, schnelle Bewegungsunschärfe, dynamisches Tempo, intensive Action, rasante Bewegung.
Jetzt sollen sich Subjekt, Kamera, Effekte und Szenentiming gleichzeitig beschleunigen, und das Modell muss Anatomie, Objektform, Kamerapfad und Hintergrundkohärenz unter diesem Druck zusammenhalten.
Warum es scheitert: Geschwindigkeit ist nicht nur ein Stilwort – es ist eine zeitliche Anforderung. Statt “schnell” zu verlangen, beschreiben Sie den physischen Beweis, der Geschwindigkeit sichtbar macht: gestauchte Körperhaltung, Spritzmuster, gestreckte Hintergrundschlieren, kontrollierte Kameraführung.
Die Lösung: ersetzen Sie “schnell” durch konkrete Bewegungsphysik.
Ein Downhill-Longboarder legt sich in eine regennasse Kurve auf der Bergstraße, die Knie gestaucht, die hintere Hand schwebt wenige Zentimeter über dem Asphalt. Jedes Rad wirft eine dünne Wasserspritzfahne nach außen, während Straßenreflektoren zu weichen Hintergrundschlieren verschwimmen. Die Kamera hält sich tief neben dem Board in einer einzigen ruhigen Kamerafahrt. Helm und Jacke bleiben stabil. Audio: summende Räder, Zischen der nassen Straße, Winddruck, ein Board-Carving.
Test: PixVerse, 5 Sekunden, 720p, 16:9, Audio an. Die Frage hier ist, ob physische Bewegungssprache Geschwindigkeit vermitteln kann, ohne das Modell zu bitten, fünf Dinge gleichzeitig zu beschleunigen.
Das Ergebnis verkauft Geschwindigkeit durch physische Beweise statt durch das Wort “schnell”: der tiefe Kamerawinkel, die Reflexionen der nassen Straße, die gestauchte Fahrhaltung und die Wasserspritzer verbinden sich, um die Abfahrt schnell wirken zu lassen, während Fahrer und Board voll lesbar bleiben.
Fehler 6: Ein bereits hochgeladenes Referenzbild erneut zu beschreiben
Bei Bild-zu-Video-Arbeit erzeugt das Wiederholen von allem, was im hochgeladenen Foto bereits sichtbar ist, einen Konflikt. Wenn das Bild bereits eine strukturierte schwarze Handtasche unter einem Scheinwerferlicht zeigt und Ihr Prompt dieselbe Tasche in leicht anderen Worten erneut beschreibt, hat das Modell nun zwei Anweisungen für ein Motiv – die Pixel und den Text – und jede Diskrepanz zwischen beiden lädt zu Drift ein.
So sieht das aus (Bild-zu-Video-Prompt):
Eine schwarze Ledertasche mit gebogenem Henkel, silbernem Verschluss, strukturiertem Korpus, genähten Paneelen und dunklem Studiohintergrund steht unter einem dramatischen Scheinwerferlicht.
Wenn all das bereits im Referenzbild vorhanden ist, lädt der Prompt das Modell ein, Details neu zu interpretieren, die es eigentlich nur bewahren sollte – Silhouette, Material, dekorative Elemente, selbst der Hintergrund kann sich dadurch verschieben.
Warum es scheitert: ein Referenzbild ist bereits eine starke Anweisung für sich. Das erneute Beschreiben des sichtbaren Motivs öffnet einen zweiten Anweisungskanal, der möglicherweise nicht pixelgenau mit dem übereinstimmt, was tatsächlich da ist. Die Aufgabe des Prompts ist in diesem Fall, das abzudecken, was das Bild nicht zeigen kann: Bewegung und Kameraverhalten.
Die Lösung: beschränken Sie den Prompt bei Bild-zu-Video auf drei Aufgaben – Bewegungsanweisung, Kameraanweisung, eine Konsistenzregel.
Halten Sie das Referenzobjekt vollständig intakt. Fügen Sie einen sanften Kamera-Push-in aus der aktuellen Bildausschnitt hinzu, während ein schmaler Lichtreflex langsam über die sichtbare Oberfläche wandert. Bewahren Sie die exakte Silhouette, Materialien, dekorativen Details, den Hintergrund, die Lichtrichtung und die Komposition aus dem Referenzbild. Audio: sanfter Ausstellungsraumton, feine Glasresonanz, dezentes Stoffrascheln.
Test: PixVerse, 5 Sekunden, 720p, 9:16 Hochformat, Bild-zu-Video mit Audio an für dezente Materialgeräusche und Raumton. Das funktioniert nur, weil das Referenzbild das Objekt bereits definiert – der Prompt vermeidet bewusst die erneute Beschreibung von Farbe, Form oder Material und bittet das Modell nicht, verborgene Mechanik zu erfinden.
Die Handtasche behält ihre Silhouette, Verschlussposition, Henkelform und Ledertextur, mit intaktem dunklem Studiohintergrund, während Kamera und Lichtreflex die gesamte Bewegung liefern. Für referenzbasiertes Produktvideo zählt Zurückhaltung im Prompt meist mehr als Ambition.
Fehler 7: Den Prompt mit generischen Qualitätswörtern zu füllen
Wörter wie “erstaunlich”, “wunderschön”, “hohe Qualität”, “episch” und “professionell” tauchen ständig in KI-Video-Prompts auf, tragen aber kaum richtungsweisende Information. Es sind hochfrequente Labels, die an zu viele unterschiedliche Arten von Ausgabe geknüpft sind, um zuverlässige Kontrolle zu bieten.
So sieht das aus:
Eine erstaunliche, wunderschöne, epische Festivalszene mit hochwertigen Bildern, atemberaubender Bewegung, professioneller Beleuchtung und perfekter Komposition.
Das sagt dem Modell, dass die Ausgabe gut sein soll, ohne zu sagen, wie “gut” in dieser konkreten Szene tatsächlich aussieht.
Warum es scheitert: “episch” allein könnte eine weite Landschaft, eine Schlacht, einen glühenden Himmel, riesigen Maßstab, dramatische Musik, Zeitlupe oder Fantasy-Rüstung bedeuten. Das Modell hat keine Möglichkeit zu erschließen, welches gemeint ist, ohne dass Sie das Adjektiv durch etwas Sichtbares und Spezifisches ersetzen.
Die Lösung: ersetzen Sie jedes generische Adjektiv durch einen benannten, sichtbaren Hinweis – Komposition, Lichtsetup, Objektivspezifikation, Farbpalette, Materialverhalten.
Ein nächtliches Drachenfest entfaltet sich auf einer weißen Salzebene, bedeckt von einem dünnen Wasserspiegel. Drei durchscheinende Drachen in Form von Tiefseewesen schweben darüber, blau-grün biolumineszente Rippen pulsieren unter dem Stoff. Langsamer Push-in aus niedrigem Winkel von Knöchelhöhe-Reflexionen bis zum nächsten Drachenschwanz, Weitwinkelgefühl, Cyan-Magenta-Farbkontrast, Laternen entlang des Horizonts. Audio: Stoffflattern, gespannte Saitenvibration, flache Wasser-Schritte, fernes Menschengemurmel.
Test: PixVerse, 5 Sekunden, 720p, 16:9, Audio an für Stoff, Schritte und Menschenmenge-Ambiente. Ziel war zu sehen, ob konkrete visuelle Hinweise die Stilkonsistenz besser halten als generische Qualitätswörter.
Die Ausgabe bewahrt die Kernidee – durchscheinende, kreaturenförmige Drachen mit glühenden Rippen über Salzebenenreflexionen. Der Kamerawinkel landete etwas höher als die geforderte Knöchelhöhen-Einstellung, die Befolgung war also nicht makellos, aber die visuelle Identität ist deutlich stärker als alles, was “wunderschönes episches Festival” allein erzeugt hätte. Konkrete Substantive, Lichthinweise und Farbverhältnisse übertreffen durchgängig Geschmacksadjektive.
Zwei vollständige Prompts, aufgeschlüsselt
Vorher: “Mach ein cooles cinematisches KI-Video über eine futuristische Stadt. Mach es wunderschön, realistisch, dramatisch, hochwertig und viral.” – das stapelt Fehler 2 und Fehler 7 ohne Subjekt, Handlung, Kamerapfad oder Schlussbild als Anker.
Nachher: “Eine 6-sekündige Enthüllung einer futuristischen Stadt. Die Kamera gleitet tief über eine regennasse Straße mit blauen holografischen Schildern, die sich im Pflaster spiegeln. Eine einzelne Lieferdrohne fliegt nah an der Linse vorbei und steigt zu einem Glasturm auf. Sanfte Vorwärtsfahrt, kühle Blaupalette, warmes Eingangslicht des Turms, leichter Regen, ferner Verkehr, ein Drohnenvorbeiflug.”
Vorher: “Ein Longboarder rast schnell einen Berg hinunter, weicht dem Verkehr aus, springt über einen umgestürzten Baum, rutscht durch Funken, schneidet zu einer Drohnenaufnahme, schneidet zu einer Rad-Nahaufnahme, schneidet zu einer Helmreflexion, endet dann mit einem Logo und Feuerwerk, alles in 5 Sekunden, schnelle Kamera, perfekter Sound.” – das kombiniert die Fehler 1, 3, 4 und 5 in einem einzigen überladenen Schachtelsatz.
Nachher: dieselbe Longboarder-Lösung wie oben in Fehler 5 – eine Handlung, eine Kamerafahrt, positive Einschränkungen, konkrete Audiohinweise.
Eine wiederverwendbare Prompt-Vorlage
Verwenden Sie diese Form als Ihren Standard-Ausgangspunkt:
[Subjekt] + [eine Handlung] + [Ort]. [Eine Kamerabewegung] + [spezifischer Stil, Objektiv, Beleuchtung oder Komposition]. [Positive Einschränkungen: was stabil bleiben muss, was fehlen soll, ob Audio benötigt wird].
Beispiel: “Eine Keramiktasse Kaffee steht auf einem dunklen Holztisch, während Dampf in langsamen Kurven aufsteigt. Langsamer Makro-Push-in, warmes Wolframseitenlicht, geringe Schärfentiefe, ruhiger Morgen-Café-Hintergrund. Die Tassenform bleibt stabil, kein Textoverlay, Audio enthält sanften Raumton und feines Löffelklirren.”
Das Fazit
Bessere KI-Video-Prompts sind nicht länger – sie sind sauberer. Stellen Sie Subjekt, Handlung und Ort nach vorn. Ersetzen Sie “cinematic” und generische Qualitätswörter durch sichtbare, spezifische Hinweise. Legen Sie sich auf eine einzige Kamerabewegung fest. Verzichten Sie auf unechte Negativ-Prompts zugunsten positiver Einschränkungen. Tauschen Sie “schnell” gegen physische Bewegungsdetails. Lassen Sie bei Bild-zu-Video das Referenzbild seine Arbeit tun, statt es erneut zu beschreiben.
Diese Korrekturen halten sich bei den meisten aktuellen KI-Videogeneratoren, weil sie dieselben zugrunde liegenden Schwächen angehen: zeitlicher Drift, vage Stilauswahl, Kameraruckeln, Subjektinkonsistenz und überladene Bewegungsanweisungen. PixVerse macht es leicht, das in die Praxis umzusetzen, da Sie denselben Prompt über Seedance 2.0, HappyHorse 1.0, PixVerse V6, PixVerse C1, Kling O3 und Kling 3.0 testen können, ohne das Tool zu wechseln oder Ihren Workflow neu aufzubauen.
FAQ
Was macht einen KI-Video-Prompt wirklich gut? Ein guter Prompt gibt dem Modell eine klare Vorgabe: Subjekt, Handlung, Ort, eine Kamerabewegung, sichtbare Stilhinweise und ein paar positive Einschränkungen. “Eine gläserne Parfümflasche auf schwarzem Marmor, langsame Vorführdrehung, warmes Streiflicht, stabile Reflexion” schlägt “ein cinematisches Luxus-Produktvideo” jedes Mal.
Wie lang sollte ein KI-Video-Prompt sein? Für die meisten Text-zu-Video-Prompts sind 50-80 Wörter ein solider Ausgangswert. Beginnen Sie mit Subjekt, Handlung und Ort, fügen Sie dann Kamerabewegung, Beleuchtung, Bewegungsdetails und Audio hinzu. Ein vager Eröffnungssatz wird selten durch mehr Wörter danach gerettet.
Warum funktioniert “cinematic” nicht gut als Prompt-Wort? Es ist zu breit, um auf etwas Konkretes zu verweisen. Ersetzen Sie es durch sichtbare Filmsprache – “35mm-Handkameragefühl”, “regnerische Gasse mit Neonreflexionen”, “langsamer Dolly-in”, “harte Gegenbeleuchtung”, “warme praktische Lichter im Hintergrund”.
Unterstützen KI-Videogeneratoren echte Negativ-Prompts? Manche Tools haben ein dediziertes Negativ-Prompt-Feld, aber ein Standard-Prompt-Feld liest normalerweise alles als Anweisung. Schreiben Sie stattdessen positive Einschränkungen – “Hände bleiben natürlich”, “Kamera bleibt ruhig”, “Hintergrund bleibt leer”, “Produktsilhouette bleibt intakt”.
Wie prompte ich Bild-zu-Video, ohne mein Motiv zu verändern? Beschreiben Sie nicht erneut, was bereits im hochgeladenen Bild ist. Nutzen Sie den Prompt für das, was das Bild nicht zeigen kann – Bewegung, Kameraverhalten, Lichtänderungen, Audio und eine einzige Konsistenzregel (“Referenzobjekt intakt halten, sanften Push-in hinzufügen, Silhouette und Material bewahren”).