Wie ClipPilot aus einer Idee ein ganzes Video macht

Der übliche Weg, ein KI-Video zu machen, ist auf eine sehr spezifische Weise mühsam. Du schreibst einen Prompt, generierst einen Clip, bekommst fünf Sekunden zurück. Schreibst einen anderen Prompt, generierst wieder, erneut fünf Sekunden. Acht Mal wiederholen, dann einen Editor öffnen, alle acht Clips auf die Timeline ziehen, trimmen, Übergänge hinzufügen, Voiceover aufnehmen oder generieren, die Schnitte daran anpassen, Untertitel hinzufügen und exportieren.

ClipPilot fasst das in einen Schritt zusammen. Du schreibst ein Skript oder nur eine Idee und bekommst ein fertiges Mehr-Szenen-Video zurück. Entscheidend dafür ist das Szenen-Splitting. Es lohnt sich, das zu verstehen, denn wie du schreibst, verändert das Ergebnis.

Was tatsächlich passiert, wenn du auf Generieren klickst

Dein Text geht zuerst an ein Planungsmodell, bevor auch nur ein Einzelbild erzeugt wird. Dieses Modell liest den Text als Ganzes und teilt ihn in Szenen. Für jede Szene liefert es bis zu drei Dinge:

• Den Erzähltext für diese Szene, entnommen aus deinem Skript.
• Einen bewegungsbewussten Videoprompt. Das ist eine vollständige Regieanweisung zum Motiv, seiner Bewegung, der Kameraführung, der Umgebung und oft zur atmosphärischen Klangkulisse. Das Modell schreibt damit die Art von Prompt, die im Prompt-Anatomie-Guide beschrieben wird, in deinem Namen, einmal pro Szene.
• Eine geschätzte Dauer für die Szene.

Erst dann beginnt die Generierung. Der Prompt jeder Szene wird zu einem generierten Videoclip, das Voiceover wird in einem Durchgang erzeugt und alles wird zu einer MP4 zusammengesetzt.

Der wesentliche Punkt ist, dass der Planer dein gesamtes Skript auf einmal sieht. Er schneidet nicht an Satzgrenzen. Er entscheidet, wo die erzählerischen Beats liegen und erstellt für jeden Beat ein Bild, das in das nächste übergeht.

Wie lang ist eine Szene

Etwa 5 bis 8 Sekunden für animierte Clips und 3 bis 6 Sekunden für bildbasierte Videos. In jedem Fall bis zu 30 Szenen.

Der Unterschied ist nicht willkürlich. Eine Bildszene ist ein Standbild mit langsamer Ken-Burns-Bewegung, und die langweilen nach etwa sechs Sekunden. Eine animierte Szene ist ein generierter Videoclip mit echter Bewegung, der länger Aufmerksamkeit hält. Clips kosten außerdem pro Sekunde, daher bevorzugt der Planer weniger, längere Szenen gegenüber einer schnellen Abfolge sehr kurzer.

Zwei Einstiege: Script-Modus und Idea-Modus

Für Custom Animated Videos gibt es auf der Erstellseite einen Skript-Schalter, der verändert, was du schreibst und was du bekommst.

Skript an

Du schreibst die Erzählnote, bis zu 1.200 Zeichen und mindestens 80. Dieses Skript hat zwei Aufgaben. Es ist das, was die Stimme liest, und es ist die Grundlage für die Szenenplanung. Die Videolänge ergibt sich aus der Skriptlänge, du wählst also keine Dauer. Das Schreiben entscheidet das.

Das ist der Modus für alles mit einer Geschichte oder einer Argumentation: Erklärvideos, Listicles, Hooks mit Payoff, erzählte Micro-Docs.

Skript aus

Du schreibst stattdessen eine kurze Idee, bis zu 500 Zeichen, und wählst eine Ziel-Länge von 12 bis 60 Sekunden. Es gibt kein Voiceover, daher kann der Planer eine rein visuelle Sequenz mit Aufbau, Entwicklung und Payoff erstellen, zugeschnitten auf die von dir gewählte Dauer.

Das ist der Modus für Stimmungsstücke, B-Roll, ASMR-Clips, Zeitraffer und andere Ambient-Sound-Videos. Die Clips haben ihre eigene erzeugte Audio‑Spur, die laut abgespielt wird, wenn kein Voiceover damit konkurriert.

Wie du schreibst, damit das Split gut sitzt

Die nützlichste Gewohnheit: in Beats schreiben. Eine Idee pro Satz, in der Reihenfolge, wie du sie sehen willst.

Alles in einen Satz quetschen:

Ein Cyberpunk-Hacker tippt an einem Computer, isst Pizza und schaut aus dem Fenster auf ein fliegendes Auto.

Das sind drei visuelle Elemente in einem, und der Planer muss entweder eines wählen oder alle drei in einer Einstellung versuchen. Aufgeteilt in Beats:

Ein Cyberpunk-Hacker tippt wütend auf einer leuchtenden Neon-Tastatur. Eine Scheibe kalte Peperoni-Pizza liegt vergessen auf dem Schreibtisch neben einem Stapel Laufwerke. Draußen an dem regennassen Fenster schneidet ein fliegendes Auto zwischen den Türmen vorbei.

Drei Sätze, drei klare Szenen, in der Reihenfolge, in der du sie geschrieben hast.

Zwei kleine Dinge, die helfen:

• Beschreibe wiederkehrende Personen immer gleich. Wenn die Hackerin in Szene eins „eine Frau mit rasiertem Kopf in roter Jacke“ ist, sag das in Szene vier wieder so statt „die Hackerin“. Wenn eine Figur in jeder Szene wirklich identisch sein muss, hänge stattdessen eine Charakterreferenz an. Der Planer entscheidet dann pro Szene, ob die Figur in diesen Shot passt, und verwendet die Referenz nur dort, wo sie gebraucht wird.
• Schreibe keine Kameraanweisungen in die Erzählung. Im Skriptmodus wird jedes Wort vorgelesen. „Cut to a wide shot“ würde von der Stimme gesprochen werden. Beschreibe, was passiert, und lass den Planer die Kamerasprache selbst ergänzen.

Warum die Schnitte auf den Worten landen

Wenn es ein Voiceover gibt, ist der Ton der Boss. ClipPilot generiert die Erzählung einmal, mit Wort-für-Wort-Timingdaten, und leitet dann alles andere daraus ab: wo jede Szene beginnt und endet und wann jedes Untertitelwort aufleuchtet. Szenengrenzen werden an den Ton angepasst, nicht umgekehrt.

Deshalb landen Schnitte auf dem Satz, zu dem sie gehören, statt gegen Ende des Videos einen Beat zu spät zu kommen. Es bedeutet auch, dass die Dauerangaben des Planers ein Richtwert sind, keine feste Zusage. Wenn die Stimme sieben Sekunden für eine Szene braucht, die der Planer mit sechs geschätzt hat, dauert die Szene sieben Sekunden und der Clip wiederholt sich oder hält an, um das abzudecken.

Ohne Voiceover gibt es nichts, woran synchronisiert werden kann, also werden die geplanten Dauern direkt verwendet und das Video hat die gewählte Länge.

Die Einstellungen drumherum

Einige Optionen beim Erstellen der Seite wirken auf all das. Kurz gesagt, für Custom Animated Videos:

• Voiceover und Untertitel. Voiceover braucht ein Skript, und Untertitel brauchen ein Voiceover. Die Untertitel-Timingdaten kommen aus der Erzählungs-Audio, also gibt es ohne Erzählung nichts, woran sie sich orientieren könnten.
• Clip-Sound. Generierte Clips kommen mit eigener Tonspur. Bei einem Voiceover kannst du sie stummschalten oder absenken. Ohne Voiceover werden sie mit voller Lautstärke abgespielt.
• Qualität. Standard (480p), HD (720p) oder Full HD (1080p), berechnet pro Sekunde fertigen Videos. Standard ist ein guter Default, während du noch am Konzept arbeitest. Full HD wird in 720p erzeugt und hochskaliert, kostet also am meisten und lohnt sich für ein Video, das du veröffentlichen willst.
• Seitenverhältnis. 9:16, 16:9 oder 1:1 für animierte Videos.
• Überblenden. Unter Erweiterte Optionen. Standardmäßig eingeschaltet, dadurch wird jeder Schnitt in den nächsten überblendet. Schaltest du es aus, entstehen harte Schnitte, die besser zu schnellen, knackigen Edits passen.

Eine Sache noch vor dem Generieren: Animierte Videos können nach einem Fehler nicht so oft neu versucht werden wie Bildvideos, wobei ein fehlgeschlagener Auftrag deine Credits automatisch zurückerstattet. Beide Typen lassen sich danach bearbeiten. Bei einem animierten Video kannst du die Szeneaufforderung neu schreiben und nur diesen Clip neu generieren; bei einem Bildvideo kannst du zusätzlich die Erzählung neu schreiben. So kompilierst du neu, ohne von vorne zu beginnen. Das erklärt die Video-Editor-Anleitung.

Die Kurzfassung

Schreibe Beats, keine Brei-Klumpen. Eine Idee pro Satz, in Reihenfolge. Beschreibe, was passiert, und lass den Planer Kamerabewegungen, Szenengrenzen und Timing übernehmen. Das kann er gut, und sonst würdest du es per Hand auf einer Timeline machen.