- Blog
- Text-to-Video-KI-Workflow: Vier Prüfschritte zwischen Prompt-Entwurf und fertigem Clip
Text-to-Video-KI-Workflow: Vier Prüfschritte zwischen Prompt-Entwurf und fertigem Clip
Eine praxistaugliche Routine für Text-to-Video-KI: zuerst den Frame festlegen, Shots als Blöcke mit nur einer Kamerabewegung schreiben, jede Referenz genau einer Aufgabe zuordnen und jeden Render an derselben Checkliste prüfen, bevor Sie auch nur eine Zeile ändern.

Die meisten Text-to-Video-KI-Sessions gehen schief, bevor das Modell überhaupt etwas rendert – weil ein einziger Prompt vier voneinander unabhängige Aufgaben gleichzeitig erledigen soll: den Frame festlegen, die Szene beschreiben, die Kamera steuern und das Ergebnis beurteilen. Kommt der Clip falsch zurück, lässt sich nicht sagen, welche dieser vier Entscheidungen dafür verantwortlich war; also ändert der nächste Versuch alles, und die Schleife konvergiert nie.
Die Lösung ist eher prozedural als kreativ. Behandeln Sie die Generierung als Produktionsschleife mit vier Entscheidungstoren, und lassen Sie jedes Tor genau eine Frage beantworten, bevor sich das nächste öffnet. Das ist die Routine, die sich bei kurzen cineastischen Clips, Produktaufnahmen und Social-Cutdowns bewährt, die in einem Text-to-Video-KI-Tool wie Seedance 2.0 auf KOOX AI entstehen.
Warum der erste Prompt nie das Endergebnis ist
Ein dünner Prompt scheitert nicht auf eine einzige erkennbare Weise – genau deshalb ist er so schwer zu reparieren. Runways Seedance-2.0-Prompt-Guide unterscheidet sechs verschiedene Fehlermodi: Ein vages Motiv rendert generische Stock-Bewegung ohne eigenes Ambiente; eine nur allgemein beschriebene Aktion wird in dem Detaillierungsgrad erfunden, den Sie ausgelassen haben; fehlende Licht- oder Kameravorgaben lassen den Shot flach wirken; eine nicht zugewiesene Referenz schleust Farben oder Styling ein, das Sie nie beabsichtigt haben; ein einziger ungegliederter Absatz gibt dem Modell keinen Rhythmus, an dem es sich orientieren könnte; und ein Prompt ohne abschließende Einschränkungen kann Untertitel, Logos oder Wasserzeichen zurückgeben, die niemand bestellt hat.
Diese Liste ist diagnostisch, nicht dekorativ. Benennen Sie, bevor Sie einen Prompt ändern, welchen dieser sechs Fälle Sie vor sich haben. Ambient Drift ist ein Motivproblem, ein flacher Frame ein Lichtproblem, ein überraschendes Logo ein Problem der Einschränkungen, und ein Clip, der schneidet, wo Sie eine einzige Einstellung wollten, ein Strukturproblem. Nur eines davon löst man durch Umschreiben der Aktionszeile.
Gate eins: Frame festlegen, bevor Sie ein Wort schreiben
Die Einstellungen, die Sie oben im Panel wählen, bestimmen jeden folgenden Satz – entscheiden Sie sie also zuerst und nicht erst, wenn der erste Render enttäuscht. Drei davon sind am wichtigsten.
Länge und Bildausschnitt kommen zuerst. Ein typischer Clip läuft fünf bis fünfzehn Sekunden und trägt damit einige wenige Shots statt einer ganzen Sequenz – zählen Sie also die Beats, die tatsächlich hineinpassen, bevor Sie sie schreiben. Das Seitenverhältnis prägt die Komposition ebenso stark wie der Bildausschnitt: Ein vertikaler Frame verlangt eine andere Anordnung von Motiv und Raum als ein breiter, und derselbe Prompt funktioniert selten für beide.
Die Auflösung kommt zweitens, weil sie verändert, wie der Prompt gelesen wird. Eine Beschreibung, die auf feine Details in einem hochauflösenden Render ausgelegt ist, ist in einem Entwurfsdurchlauf verschwendet – und ein Durchlauf in Entwurfsauflösung ist genau der richtige Ort, um Bewegung zu testen. Mehrere Modelle bieten zudem Fast- oder Mini-Varianten mit gedeckelter Ausgabeauflösung; ein Prompt, der auf maximale Detailtiefe geschrieben ist, bekommt sie dort nicht.
Die Dauer pro Aktion kommt drittens. Wenn eine einzelne Aktion vier oder fünf Sekunden braucht, um zu lesen, fasst ein fünfzehnsekündiger Clip bequem drei davon und fünf nur dann, wenn die Bewegungen klein sind. Sechs Beats in acht Sekunden zu schreiben ist die häufigste Ursache für einen Clip, der gehetzt wirkt, ohne offensichtliche Artefakte zu zeigen.
Gate zwei: das Briefing in zwei Ebenen, nicht in einer
Seedance reagiert auf einen Prompt mit einer äußeren Struktur und einer inneren Beschreibung, und Prompts, die unter ihren Möglichkeiten bleiben, lassen meist eine Ebene in die andere fallen. Die äußere Ebene ist die Shot-Liste: beschriftete Blöcke in der Reihenfolge der Ereignisse, sodass das Modell weiß, wie das Stück getaktet ist, bevor es weiß, was darin vorkommt. Die innere Ebene ist die Prosa innerhalb jedes Blocks: wer da ist, was diese Person tut, wo, in welchem Licht und wie sich die Kamera verhält.
Zwei Gewohnheiten machen das konkret. Erstens: Schreiben Sie zusammenhängende Sätze statt einer Stichwortliste. Eine Liste aus Substantiven und Adjektiven gibt dem Modell keine Beziehungen zwischen den Elementen, also wird jedes für sich und wörtlich gerendert; dieselben Elemente als Sätze geben ihm etwas, das zusammenhält. Zweitens: Halten Sie die Reihenfolge innerhalb jedes Shots konstant – zuerst Kamerabewegung oder Übergang, dann Aktion und Ausdruck des Motivs, dann Position oder räumliche Veränderung, dann Ton. Das Modell trennt, was die Kamera tut, von dem, was das Motiv tut, und eine stabile Reihenfolge macht diese Trennung leichter lesbar.

Gate drei: acht Elemente pro Shot, eine Kamerabewegung
Ein vollständiger Shot-Block deckt präzises Motiv, Aktionsdetails, Szene und Umgebung, Licht und Farbstimmung, Kamerabewegung, visuellen Stil, Bildqualität und Einschränkungen ab. Bildqualität und abschließende Einschränkungen werden am häufigsten ausgelassen – und gerade sie halten einen Render stabil.
Die Kamerazeile verdient eine eigene Regel: eine Bewegung pro Shot. Push, Pull, Pan und Tilt gleichzeitig zu verlangen erhöht die Instabilität, und das Ergebnis wirkt wie ein Frame, der sich nicht entscheiden kann, wohin er schauen soll. Einzelne, standardisierte Bewegungen stehen ruhiger, und einfache Begriffe genügen: Halbnah, Nahaufnahme, Totale, langsamer Push-in, fließendes laterales Tracking, feste Einstellung. Braucht eine Sequenz zwei Bewegungen, geben Sie ihr zwei Shots.
Einschränkungen gehören ans Ende, formuliert als das, was nicht erscheinen darf. Beschreiben Sie die Szene selbst in positiven Begriffen und sparen Sie die negative Formulierung für das Ende des Prompts auf – dort kostet eine Zeile ohne Untertitel und ohne Logo oder Wasserzeichen nichts und verhindert die lästigste Kategorie von Re-Renders.
Das Motiv über Körperteil, Ausmaß und Übergang bewegen
Ein allgemeines Aktionsverb überlässt dem Modell die Details, und die Bewegung zwischen zwei Aktionen wirkt wie ein Sprung statt wie eine Fortsetzung. Das meiste davon behebt man, indem man das Körperteil benennt, Umfang, Tempo oder Kraft ergänzt und den Übergang ausschreibt. Aus „Sie hebt die Schale auf und bringt sie zum Regal“ wird „Sie hebt die Schale langsam mit beiden Händen an und nutzt dann den Schwung des Aufstehens, um sich natürlich zum Regal zu drehen.“
Tempo ist ebenso eine Stabilitätsentscheidung wie eine stilistische. Langsame, sanfte, kontinuierliche Bewegung hält besser zusammen als energiereiche Action, und beim Sprinten, bei großen Sprüngen und bei heftiger Bewegung treten Warping und Instabilität typischerweise auf. Emotion folgt derselben Logik: Wörter wie stolz oder nervös geben dem Modell nichts Sichtbares, während eine sinkende Schulter, ein Ausatmen und ein schwaches Lächeln ihm etwas zum Animieren geben.
Gate vier: jede Referenz an genau eine Aufgabe binden
Referenzen sind der Ort, an dem Text-to-Video-KI ihre Konsistenz gewinnt – und an dem sie sie am häufigsten verliert. Zwei Praktiken liefern den größten Teil des Nutzens. Definieren Sie das Motiv einmal anhand von zwei oder drei stabilen statischen Merkmalen und verwenden Sie dieselbe Bezeichnung jedes Mal, wenn es auftaucht, damit das Modell nie raten muss, welche Person im Frame gemeint ist. Binden Sie dann jedes Asset ausdrücklich an das, was es steuert, statt es anzuhängen und zu hoffen: Das Bild, das die Produktsilhouette festlegt, steuert die Silhouette, das Video, das die Kamerabewegung festlegt, steuert die Bewegung – und von keinem der beiden wird sonst etwas übernommen.
Nutzen Sie weniger Assets, als die Obergrenze erlaubt. Vier bis fünf Referenzen insgesamt schlagen in der Regel ein volles Set, weil zu viele Assets es dem Modell schwerer machen zu beurteilen, welche Merkmale Vorrang haben – sichtbar als Stilkonflikte und Drift. Bei einer Figur verankert ein Nahaufnahme-Porträt neben einem Ganzkörperbild das Gesicht weit besser als ein einziges kombiniertes Bild, in dem die Merkmale zu wenig vom Frame einnehmen.
Den Ton in den Prompt legen, wo er hingehört
Wenn das Modell Audio im selben Durchlauf wie das Bild erzeugt, ist Sound Design Prompt-Inhalt und kein späterer Schritt. Kennzeichnen Sie, welche Art von Information in jeder Zeile steht: Dialog, Musik und Soundeffekte bekommen jeweils ihre eigene Konvention, damit das Modell nicht erschließen muss, ob ein Satz gesprochen, vertont oder ein Geräusch im Raum ist. Eine Dialogzeile in einer Sprache, die das Modell nicht voraussetzt, braucht diese Sprache ausdrücklich daneben.
Hier zahlt sich auch der Review-Durchlauf aus. Ein Clip, dessen Bild stimmt, dessen Audio-Atmosphäre aber gegen die Szene arbeitet, ist keine gescheiterte Generierung, sondern eine Zeile, die umgeschrieben werden muss – denn die Korrektur steckt in demselben Prompt, der ihn erzeugt hat.
An einer festen Liste prüfen, nicht nach Gefühl
Das letzte Gate ist jenes, das die meisten Sessions überspringen. Bevor Sie entscheiden, ob ein Render gut ist, prüfen Sie ihn jedes Mal gegen dieselbe kurze Liste: Bleibt die Silhouette des Motivs während der Bewegung intakt? Bleibt die Beleuchtung zwischen den Shots konsistent? Gibt es Text, Logo oder Wasserzeichen? Liest sich die Bewegung kontinuierlich statt gestuft? Und entspricht das Tempo der Shot-Liste, die Sie geschrieben haben?
Anleitungen zu Kamera und Bewegung für kontrollierte Generierung sagen dasselbe in Produktionsbegriffen (siehe ReelMinds Notizen zu Kamera und Bewegung): Prüfen Sie einen Shot auf Bewegungsstabilität, Silhouettentreue und konsistente Beleuchtung, bevor Sie ihn an irgendetwas anderes anschließen. Ein Clip, der diese drei Punkte besteht, ist brauchbar, auch wenn er nicht der Take ist, den Sie sich vorgestellt haben – und ein Clip, der einen davon verfehlt, lässt sich im Schnitt nicht retten.

Jeweils eine Variable ändern
Der Grund, den Prompt in beschrifteten Blöcken zu schreiben, ist, dass Verfeinerung damit chirurgisch wird. Ändern Sie zwischen zwei Generierungen eine Zeile, lassen Sie alles andere identisch, und der Unterschied im Ergebnis ist zurechenbar. Ändern Sie Motivzeile und Kamerazeile gleichzeitig, haben Sie nichts gelernt – selbst wenn der zweite Clip besser ist.
Führen Sie ein kurzes Log neben den Renders: der Shot-Block, die Einstellungen und die eine Zeile, die Sie geändert haben. Kommt ein Clip chaotisch zurück, ist der erste Schritt meist Subtraktion statt Addition, denn zu viel Action für die verfügbare Zeit ist die Standardursache. Liefert ein Render schwarze Frames oder scheitert ganz, ist der Prompt oft schlicht zu komplex für die gewählte Dauer und Auflösung – dann ist die Reduktion auf eine Aktion pro paar Sekunden oder das Heruntergehen auf die Entwurfsauflösung ein schnellerer Fix als eine weitere Umschreibung.
Sobald ein Shot die Prüfliste besteht, lassen Sie ihn in Ruhe und gehen zum nächsten Shot der Sequenz über. Ein fertiger Clip ist eine Sequenz geprüfter Shots und kein einziger perfekter Prompt – deshalb sieht die Routine, die verlässliche Text-to-Video-KI-Ergebnisse produziert, eher wie eine Checkliste aus als wie ein Zaubersatz.