25. Juli 2026 · 8 min Lesezeit
Die meisten schlechten KI‑Videos entstehen aus einem Prompt, der ein völlig gutes Bild hätte ergeben. „Eine Frau steht nachts in Tokio“ beschreibt einen eingefrorenen Moment. Ein Videomodell muss diesen über mehrere Sekunden füllen, also erfindet es eigene Bewegungen. Das Ergebnis ist oft eine Person, die schwerelos durchs Bild rutscht, Hände, die sich heimlich in andere Hände verwandeln, und ein Hintergrund, der sich mitten im Clip umorganisiert.
Die Lösung ist nicht ein längerer Prompt. Es ist ein Prompt, der die Fragen beantwortet, die das Modell sonst raten müsste: wer, macht was, wo, aus welcher Perspektive, wie beleuchtet. Dieser Beitrag führt durch eine fünfstufige Struktur dafür, plus die Teile, die speziell für vertikale Videos in Social‑Feeds wichtig sind.
Vor der Struktur steht die Denkweise. Ein Bild‑Prompt beschreibt einen Zustand. Ein Video‑Prompt beschreibt eine Veränderung, also etwas, das am Ende des Clips anders ist als am Anfang.
Zwei kleine Gewohnheiten erledigen den größten Teil der Arbeit. Die erste ist die Verwendung fortlaufender Verben. „Schnell gehen“, „sich langsam hinknien“ und „über den Tisch greifen“ signalisieren anhaltende Bewegung, anders als „eine Frau, die auf einer Straße ist“. Die zweite ist, Ursache und Wirkung zu beschreiben statt nur das Ereignis. Vergleich:
Die zweite Version ist nicht nur detaillierter. Sie ist mehr geordnet. Sie sagt dem Modell, was zuerst passiert und was daraus folgt, wodurch die erzeugte Bewegung eine Richtung bekommt. Der gleiche Trick funktioniert im Kleinen. Statt „ein Glas zerbricht“ schreibe „ein Ellenbogen streift ein Glas, es kippt, Milch läuft über den Rand und trifft den Tisch, das Glas zerspringt und die Verschüttung breitet sich entlang der Holzmaserung aus.“
Hier ist die Struktur. Du brauchst nicht alle fünf Schichten in jedem Prompt, aber ein Prompt, dem drei fehlen, lässt dem Modell viele Lücken, die es für dich füllen muss.
Vage Nomen zwingen zu Vermutungen. „Eine Person“ kann alles sein. Beschreibe genug, um sie festzulegen: ungefähres Alter, Körperbau, Kleidung, Haltung. „Eine Frau Mitte 30, athletischer Körperbau, trägt eine abgenutzte marineblaue Regenjacke“ wird konsistent wiederkommen, im Gegensatz zu „eine Frau“.
Wenn dein Charakter über ein ganzes Video hinweg gleich bleiben muss statt nur in einem Clip, reicht Beschreibung allein nicht mehr. Der Charakterreferenzen‑Guide erklärt, was du stattdessen tun solltest.
Eine klare Aktion pro Clip, im fortlaufenden Präsens. Zwei konkurrierende Aktionen in einem Clip sind meist der Anfang von Morphing, weil das Modell versucht, sie zu verschmelzen statt zu sequenzieren. Hast du zwei Dinge gleichzeitig, sind das zwei Szenen, und ClipPilot erzeugt beide.
Verankere das Subjekt an einem realen Ort. Drei bis fünf konkrete Details sind ideal: Tageszeit, Wetter, Oberflächentexturen, ein oder zwei Objekte, die den Ort festlegen. Mehr Details konkurrieren mit deinem Subjekt um die Aufmerksamkeit des Modells, und irgendetwas wird weggelassen, das du nicht ausgesucht hast.
Diese Schicht überspringen viele, dabei ist sie diejenige, die Ausgaben am zuverlässigsten absichtlich wirken lässt. Die Modelle haben enorm viel professionell getaggtes Filmmaterial gesehen, deshalb reagieren sie gut auf echte Kamerasprache.
Beleuchtung bringt pro Wort den größten Effekt aller Prompt-Layer. „Warmes Natrium-Straßenlicht“, „weiches Kantenlicht auf der Schulter“, „bewölktes, diffuses Tageslicht“ oder „harte Schatten über der Hälfte des Gesichts“ ändern jeweils mit nur wenigen Wörtern die komplette emotionale Tonlage einer Aufnahme. Wenn du nur eine Ebene zu einem Prompt hinzufügen willst, dann diese.
Layer gestapelt, in Reihenfolge:
Eine Frau Mitte 30 in einer abgenutzten marineblauen Regenjacke geht zügig eine enge Gasse in Tokio entlang, die Schultern gegen den Regen hochgezogen, vorbei an Dampfaustritten und handgemalten Schildern. Kamera tracking neben ihr auf Augenhöhe. Nasser Asphalt reflektiert warmes Natriumlicht, tiefe Schatten zwischen den Ladenfronten.
Subjekt, Aktion, Umgebung, Kamera, Licht. Klingt wie ein Regiebriefing an die Crew, und das ist ungefähr das richtige mentale Modell.
Ein 9:16-Rahmen ist kein seitlich gedrehtes 16:9, und Prompts, die das ignorieren, liefern Clips, die zwar technisch funktionieren, im Feed aber falsch wirken.
Nutze die Höhe. Vertikale Formate bieten viel Platz für Ganzkörperaufnahmen, aber wenig für weite horizontale Kompositionen. Fordere „Ganzkörperaufnahme, Augenhöhe“ und du bekommst das ganze Motiv bequem ins Bild. Fordere eine weite horizontale Panoramaaufnahme und du bekommst nur einen dünnen Streifen davon.
Bevorzuge vertikale Kamerabewegungen. Gebäude hochkippen, nach unten schwenken zum Motiv oder Dolly-Ins wirken in einem hohen Rahmen natürlich. Lange horizontale Pans fühlen sich beengt an, weil der Rahmen nicht genug von dem zeigen kann, worüber du pannst.
Beachte, was oben im Bild liegt. Auf TikTok, Reels und Shorts wird der untere Bildschirmbereich von der Beschriftung und Beschreibung überlagert, und am rechten Rand liegen die Interaktionsbuttons. ClipPilots eigene Untertitel liegen bei aktivierten Untertiteln über der vertikalen Mitte. Damit bleibt das obere Drittel der verlässlichste Bereich für alles, was unbedingt sichtbar sein muss. Platziere das Motiv dort, damit es frei von beidem bleibt.
Beginne mit Bewegung. Feed-Algorithmen gewichten die ersten Sekunden stark, und ein Clip, der mit einer statischen Einstellungsaufnahme startet, verplempert seinen wertvollsten Moment. Frontlade die Bewegung. „Schneller Zoom heraus von einer Makro-Nahaufnahme, um die Neon-Skyline zu enthüllen, während ein Hover-Car an der Linse vorbeizischt“ zieht mehr Aufmerksamkeit als „die Kamera bewegt sich langsam durch eine Neonstadt“.
Wichtig, die Arbeitsteilung klar zu haben, denn das ändert, was du dir ans Schreiben sparen kannst.
Du musst nicht für Untertitel, Voiceover, Musik oder Übergänge zwischen Clips prompten. Das sind Einstellungen auf der Erstellen-Seite, keine Prompt-Texte. „Text auf dem Bildschirm sagt X“ in einem Video-Prompt erzeugt oft unleserliche KI-Letterings statt sauberer Untertitel, überlass das also dem Untertitel-System.
Du musst außerdem keine Shot-Liste schreiben. ClipPilot teilt dein Skript oder deine Idee in Szenen auf und erzeugt für jede eine Einstellung, sodass aus einem einzigen Prompt ein Video mit mehreren Szenen wird. Das sollte man für sich verstehen, und es wird in wie ClipPilot aus einer Idee ein ganzes Video macht erklärt.
Bevor du generierst, lies deinen Prompt noch einmal und prüfe:
Fünf von sechs ist meist der Unterschied zwischen Aufnahmen, die du postest, und solchen, die du neu generierst.
Du schreibst ein Skript. ClipPilot unterteilt es in Szenen, erstellt für jede einen Prompt, generiert die Clips und synchronisiert die Schnitte mit der Erzählung. Wie das funktioniert und wie du dafür schreibst.
Nische finden, Skripte schreiben, die Aufmerksamkeit halten, ein wiederholbares Format wählen und was das Ganze monatlich wirklich kostet.
Erstelle TikTok-Videos und Reels aus einer Idee. Wähle ein virales Format, nenne dein Thema und erhalte in Minuten ein fertiges vertikales Video mit Ton.