- Blog
- Foto-zu-Video-KI-Prompts: fünf Standbilder, fünf Bewegungszeilen
Foto-zu-Video-KI-Prompts: fünf Standbilder, fünf Bewegungszeilen
Fünf Beispiele für Foto-zu-Video-KI-Prompts für Porträts, Produkte, Landschaften, Straßenszenen und Haustiere – dazu die Regeln, um sie anzupassen und zu kürzen.

Ein Standbild sagt dem Modell bereits, wie die Szene aussieht. Farbe, Bildausschnitt, Objektiv, Licht, Garderobe und die genaue Form des Motivs sind durch die Datei festgelegt, die du hochlädst. Was die Datei nicht sagt, ist, was als Nächstes passieren soll. Genau in diese Lücke stößt ein Foto-zu-Video-KI-Prompt: Er beschreibt das Bild nicht noch einmal, sondern benennt, welche Teile des Bildes sich bewegen, in welche Richtung, mit welcher Geschwindigkeit – und welche Teile sich überhaupt nicht verändern dürfen.
Die fünf Beispiele unten folgen dieser Regel. Jedes ist ein vollständiger Prompt für eine gängige Art von Standbild, gefolgt von der Begründung, warum er so formuliert ist, und den Stellen, die du änderst, wenn dein eigenes Foto anders aussieht. Sie sind bewusst kurz. Ein Prompt für einen Fünf-Sekunden-Clip hat Platz für zwei oder drei Entscheidungen, und die Clips, die kaputt wirken, haben meist fünf versucht.
Das Bild ist der Anker, also beschreibt der Prompt die Veränderung
Bild-zu-Video-Modelle werden auf das Bild konditioniert, das du lieferst – der Upload entscheidet also bereits über Motiv, Umgebung und Stil. Alibabas Leitfaden zu seinen Videomodellen sagt das unmissverständlich: Bei Text zu Video beschreibst du Entität, Szene und Bewegung, bei Bild zu Video definiert das Bild alle drei, und der Prompt sollte sich auf Bewegung und Kameraführung konzentrieren. Klings Prompt-Leitfaden macht denselben Punkt in Workflow-Begriffen: Wenn ein Standbild der Ausgangspunkt ist, liefert das Bild das visuelle Fundament, während der Prompt Bewegung, Kamerarichtung und die Veränderungen über die Zeit beschreibt.
Das hat eine praktische Konsequenz. Erscheinungsbezogene Wörter in einem Bild-zu-Video-Prompt werden entweder ignoriert oder ihnen wird widersprochen. Ein Landschaftsprompt, der „goldene Stunde“ über ein mittags aufgenommenes Foto schreibt, lädt das Modell ein, den Himmel schon im ersten Frame neu zu malen – das wirkt wie ein Glitch, nicht wie eine kreative Entscheidung. Verlässlich sind Verben: blinzeln, driften, rotieren, zur Ruhe kommen, queren, straffen.
Zwei Zeilen und eine Bedingung
Fast jeder Prompt, der mit einem Standbild funktioniert, lässt sich aus zwei Zeilen und einer abschließenden Anweisung bauen.
Die erste Zeile ist die Bewegung: was sich bewegt, in welche Richtung, mit welcher Amplitude. Nenne eine Handlung des Motivs und höchstens eine Handlung im Hintergrund. Die zweite Zeile ist die Kamera: Push-in, Pull-out, seitliche Fahrt, Orbit oder feste Kamera. Sag „feste Kamera“ ausdrücklich, wenn sich nichts bewegen soll, denn die meisten Modelle verstehen Schweigen zum Sujet als Erlaubnis, eine langsame Drift zu erfinden.
Dann kommt die Bedingung: das eine Detail, wegen dessen Verlust du den Clip ablehnen würdest. Klings Parfümflaschen-Beispiel kombiniert eine langsame Drehung und einen Makro-Push-in mit der Anweisung, das Etikett scharf und unverändert zu halten. Diese Bedingung leistet mehr als jedes Stiladjektiv, weil sie dem Modell sagt, welcher Teil des Bildes nicht verhandelbar ist.
Amplitudenwörter haben in einem kurzen Prompt echtes Gewicht. In Alibabas Bewegungsleitfaden werden Geschwindigkeit und Intensität ausdrücklich gesetzt, mit Wörtern wie „langsam“ oder „schnell“ und Wendungen wie „heftig schwankend“. Kleine Wörter verschieben das Ergebnis weit, also setze sie für die eine Bewegung ein, auf die es ankommt.
Beispiel 1: ein Porträt, bei dem das Gesicht halten muss
Feste Kamera. Die Frau blinzelt einmal und atmet aus, die Schultern sinken leicht. Haarsträhnen an ihrer Schläfe bewegen sich in einem leichten Luftzug. Ihr Blick bleibt auf dem Objektiv, ihr Ausdruck verändert sich nicht. Das Gesicht unverändert lassen.
Warum es funktioniert. Identitätsdrift ist der typische Fehlermodus bei Gesichtern, deshalb investiert der Prompt sein Budget in eine winzige Handlung und eine Hintergrundbewegung und schließt dann mit einem ausdrücklichen Halten. Es gibt überhaupt keine Kamerabewegung: Bei dieser Cliplänge neigt ein Push-in auf ein Gesicht dazu, die Züge zu verzerren, bevor die Handlung überhaupt ankommt.
So passt du es an. Tausche die Handlung, nicht die Anzahl. Ein Mann in einer Jacke bekommt eine einzige Kopfdrehung; eine sitzende Figur bekommt eine Hand, die sich zur Armlehne bewegt. Behalte die Klausel „der Ausdruck verändert sich nicht“, solange die Einstellung ein Porträt bleiben soll.
Beispiel 2: ein Produkt auf einer glatten Fläche
Die Kamera fährt langsam aus einer hohen Dreiviertelperspektive heran. Die Flasche dreht sich eine Vierteldrehung nach rechts. Die Kante ihres Schattens wandert beim Drehen über die Fläche. Das Etikett bleibt scharf und unverändert. Keine Hände, keine zusätzlichen Objekte.
Warum es funktioniert. Eine Vierteldrehung reicht, um zu zeigen, dass das Objekt dreidimensional ist, ohne die Vorderseite zu verbergen. Der Satz zum Schatten gibt der Drehung etwas, worauf sie wirken kann, und hält die Bewegung lesbar. Die Negativliste ist nur zwei Punkte lang – etwa so viel, wie ein kurzer Prompt einhält.
So passt du es an. Passe die Drehung an die Lesbarkeit an. Wenn das Etikett im letzten Frame lesbar sein muss, reduziere die Drehung auf eine Achteldrehung oder ersetze sie durch einen leichten Sweep. Bei weichen Waren ersetzt du die Drehung durch eine einzelne Falte oder ein Zur-Ruhe-Kommen.

Beispiel 3: eine Landschaft mit langsamer Umgebungsbewegung
Feste Kamera. Wolken driften langsam von links nach rechts. Gras im Vordergrund bewegt sich leicht im Wind. Der Horizont bleibt waagerecht, das Licht verändert sich nicht.
Warum es funktioniert. Landschaften scheitern am Überanimieren: Jeder Baum, jeder Vogel und jede Wolke bekommt eine eigene Bewegungsvorstellung, und das Bild wird zu Rauschen. Dieser Prompt erlaubt zwei Bewegungen, gibt beiden eine Richtung und schließt dann die Lichttür – das hält das Modell davon ab, in einen erfundenen Sonnenuntergang abzudriften.
So passt du es an. Wähle die Bewegung, die das Foto impliziert. Wasser bekommt ein Kräuseln und eine Verschiebung der Reflexion; ein Wald bekommt Bewegung im Blätterdach und ein fallendes Blatt; eine Wüste bekommt Hitzeflimmern und ein langsames Kriechen des Schattens. Behalte die Zeile „das Licht verändert sich nicht“, außer das Licht ist der Punkt der Einstellung.
Beispiel 4: eine Straßen- oder Marktszene mit Verkehr im Hintergrund
Die Kamera bleibt fest. Fußgänger queren von rechts nach links in normalem Gehtempo, leicht unscharf. Ein Roller fährt einmal hinter ihnen vorbei. Die Gebäudefassade und die Beschilderung bleiben scharf und unverändert.
Warum es funktioniert. Menschenmengen sind der Ort, an dem Bild-zu-Video-Modelle die offensichtlichsten Artefakte produzieren, weil jede Figur ein Kandidat für eine neue Pose wird. Eine Richtung für die Menge und eine Vorbeifahrt für ein Fahrzeug zu benennen, hält die Bewegung kohärent, und die Architektur still zu halten gibt dem Auge einen stabilen Bezugspunkt, an dem es die Bewegung messen kann.
So passt du es an. Reduziere die Besetzung, bevor du das Detail erhöhst. Zwei Fußgänger, die in eine Richtung queren, wirken besser als sechs in drei Richtungen. Wenn das Foto kein klares Motiv hat, füge ein kleines festes Element hinzu, etwa eine Laterne oder einen Hauseingang, und schütze es mit der Bedingungszeile.
Beispiel 5: eine Nahaufnahme von einem Haustier oder einem Tier
Feste Kamera, nah. Die Ohren des Hundes heben sich und sein Kopf neigt sich ein paar Grad nach links. Seine Zunge bewegt sich einmal. Das Fellmuster und die Augenfarbe bleiben unverändert. Keine Veränderung der Beleuchtung.
Warum es funktioniert. Tieraufnahmen verleiten das Modell, Anatomie zu erfinden: zusätzliche Zehen, eine zweite Zunge, eine Schnauze, die mitten im Clip länger wird. Ein benanntes Halten von Fellmuster und Augenfarbe gibt dem Modell einen Grund, die Oberfläche konsistent zu halten, und eine kleine Kopfdrehung reicht, um Leben zu verkaufen.
So passt du es an. Skaliere die Handlung auf die Masse des Tiers. Eine Katze bekommt ein Ohrenzucken und eine Schwanzspitze; ein Pferd bekommt ein Aufblähen der Nüstern und einen Schritt. Vermeide Ganzkörperaktionen in einer engen Einstellung, denn im Bild ist kein Platz, um sie zu Ende zu zeigen.
Jedes Muster auf dein eigenes Foto übertragen
Drei Austausche decken die meisten Fälle ab. Erstens: Ändere die Handlung des Motivs zu etwas, das die Pose des Fotos bereits stützt – eine Figur, die sich auf ein Geländer lehnt, sollte das Gewicht verlagern, nicht weggehen. Zweitens: Wähle die Kamerabewegung nach dem Ausschnitt – eine weite Einstellung mit einer starken Fluchtlinie verträgt eine seitliche Fahrt, während ein enger Ausschnitt ohne Rand fest stehen sollte. Drittens: Formuliere die Bedingung als das, was du tatsächlich ablehnen würdest: ein unscharfes Etikett, eine veränderte Augenfarbe, ein gekippter Horizont.
Die Cliplänge setzt die Obergrenze für all das. Viele Bild-zu-Video-Systeme produzieren konstruktionsbedingt sehr kurze Clips; die Dokumentation zu Stable Video Diffusion etwa beschreibt eine Ausgabe von zwei bis vier Sekunden, konditioniert auf ein einziges Eingabebild. Zwei Handlungen in vier Sekunden drängen sich gegenseitig, also zähle die Handlungen gegen die Zeit, bevor du Details ergänzt.

Was in einem Foto-zu-Video-KI-Prompt nichts zu suchen hat
- Die Szene noch einmal zu beschreiben. Das Modell sieht das Foto; eine zweite Beschreibung konkurriert mit ihm.
- Stiladjektive. Der Stil kam mit der Datei. Wenn das Foto schon warm und körnig ist, bringt es nichts, das zu sagen, und etwas anderes zu verlangen, kämpft gegen den Anker.
- Zwei Kamerabewegungen. Wähle eine und führe sie zu Ende.
- Lange Negativlisten. Zwei oder drei Ausschlüsse werden eingehalten; zehn werden zu Rauschen.
- Audio- und Dialoganweisungen für ein stummes Modell. Heb sie dir für ein Modell auf, das Ton als Eingabe nimmt.
Prüfe den Clip, bevor du den Prompt neu schreibst
Prüfe drei Dinge in dieser Reihenfolge. Zuerst die Geometrie: Ist das Etikett noch das Etikett, ist das Gesicht noch dasselbe Gesicht, ist der Horizont noch waagerecht. Zweitens das Timing: Ist die Handlung zu Ende gegangen, oder wurde sie mittendrin abgeschnitten. Dann die unerwünschte Veränderung: Hat sich das Licht verschoben, ist ein Objekt aufgetaucht, hat der Hintergrund eine zweite Menschenmenge bekommen.
Ändere danach jeweils eine Zeile, damit dir der nächste Clip sagt, welche Zeile falsch war. Wenn die Handlung gar nicht passiert ist, ist die Korrektur meist Subtraktion: Kürze den Prompt und setze das Bewegungsverb in den ersten Teilsatz, vor jedes Szenendetail, das überlebt hat. Wenn die Handlung passiert ist, aber übers Ziel hinausgeschossen ist, behalte den Satz und mildere das Amplitudenwort ab.
Du kannst diese Muster mit dem Foto-zu-Video-KI-Tool von KOOX an deinen eigenen Standbildern ausprobieren, und wenn du für ein einzelnes Porträt eine breitere Auswahl an Bewegungsrezepten willst, deckt der Leitfaden zu sechs Bewegungen die nächste Entscheidungsebene ab.