Text zu Video mit Veo 3: Sechs Fehler, die einen guten Clip ruinieren

Veo 3 scheitert selten zufällig. Wenn ein Clip zurückkommt, in dem die Kamera am Motiv vorbeidriftet, eine Hand im Tresen zerschmilzt oder eine gesprochene Zeile eine halbe Sekunde zu spät landet, nachdem sich der Mund schon geschlossen hat, dann liegt die Ursache meist in einer Lücke im Prompt. Das Modell hat diese Lücke für Sie gefüllt – und zwar mit seiner eigenen Vermutung.

Die folgenden Fehler sind die, die in der Text-zu-Video-Arbeit mit Veo 3 die meisten Renders verschwenden, ungefähr in der Reihenfolge, in der sie einen Clip zerstören. Für jeden gibt es eine Korrektur, die einen Satz kostet statt ein Re-Render-Budget, und jeder lässt sich prüfen, bevor Sie auf Generieren klicken.

Fehler 1: Einen einzigen kurzen Clip eine ganze Szene erzählen lassen

Eine einzelne Generierung ist eine Einstellung, keine Szene. Die eigenen Veo-Beispiele von Google DeepMind beschreiben jeweils ein Motiv, ein Kameroverhalten und eine Tonspur; die veröffentlichten Beispiele von Magic Hour zu Veo 3.1 sind ebenfalls je eine Acht-Sekunden-Generierung, mit dem Hinweis in der Auswertung, dass das Ergebnis eine einzelne Insert-Aufnahme ist und keine vollständige Sequenz.

Der Fehler lässt sich leicht versehentlich schreiben: „Sie geht ins Café, bestellt einen Flat White, setzt sich ans Fenster und checkt ihr Handy.“ Das sind vier Handlungen, die um acht Sekunden konkurrieren. Zurück kommt meist die mittlere Handlung, vage ausgeführt, und das Handy erscheint, bevor die Hand die Tasche erreicht.

Korrigieren Sie das, indem Sie die eine Handlung wählen, die die Einstellung trägt. Behalten Sie den Auftritt und das Handy für separate Generierungen und schneiden Sie sie anschließend im Editor zusammen. Wenn Sie nicht entscheiden können, welche Handlung am wichtigsten ist, ist die Einstellung noch nicht bereit für den Prompt.

Fehler 2: Kamerabewegungen stapeln, die sich gegenseitig widersprechen

„Langsamer Schwenk, Orbit und Push-in“ liest sich wie Kameraführung und verhält sich wie drei einander widersprechende Anweisungen. Die Fehlerbehebungsliste von Magic Hour benennt genau das: Die Kamera ignoriert den Plan, und die Lösung besteht darin, ein Kameroverhalten zu wählen, dessen Richtung und Tempo anzugeben und die Bewegungen zu entfernen, die dagegen arbeiten.

Achten Sie auf das verräterische Zeichen im Ergebnis. Ein Clip, der eine Bewegung halb ausführt – vorwärtsdrängt, aber nie aufsteigt, oder ein Motiv umkreist, das aus dem Bild rutscht –, ist meist ein Prompt mit zwei Bewegungen und kein Modell, das keine Kamera bewegen kann.

Schreiben Sie eine Bewegung, eine Richtung, ein Tempo: „Die Kamera macht einen langsamen Push-in und endet in einer halbnahen Einstellung der Hände.“ Fügen Sie eine zweite Bewegung erst hinzu, wenn die erste für sich allein funktioniert.

Fehler 3: Eine Stimmung beschreiben statt einer sichtbaren Handlung

Wörter wie filmisch, hochwertig, emotional und dynamisch lassen sich nicht in Pixel übersetzen. Es sind Urteile über die fertige Einstellung, und das Modell kann ein Urteil nicht rendern. Was es rendern kann, ist eine Oberfläche, eine Lichtrichtung und eine Bewegung.

Die Fehlerliste von Higgsfield macht denselben Punkt von der anderen Seite: Binden Sie Emotion an etwas, das die Kamera sehen kann – etwa eine zögernde Hand an der Bremse oder einen verweilenden Blick –, statt das Gefühl zu benennen. Die Reparatur von Magic Hour ist eine Ersetzungsübung, bei der aus „hochwertig“ gebürstetes Metall, eine matte Oberfläche und kontrolliertes Kantenlicht werden und aus filmisch eine bestimmte Kamerahöhe und ein bestimmtes Objektivgefühl.

Vergleichen Sie „ein hochwertiger Kaffeemoment“ mit „Dampf steigt aus einer weißen Tasse auf einem zerkratzten Eichentisch auf, tiefes Morgenlicht von links, die Kamera fixiert, Tasse und Untertasse unverändert.“ Die zweite Version gibt dem Modell vier Dinge, die es tatsächlich zeichnen kann, und eine Sache, die es nicht verändern darf.

Fehler 4: Ausschlüsse als Befehle formulieren

Die meisten Prompt-Autoren enden mit einer Zeile wie „kein Text, kein Wasserzeichen, keine zusätzlichen Personen“. Der eigene Prompt-Leitfaden von Google zur Videogenerierung verlangt die entgegengesetzte Form: Vermeiden Sie anweisende Sprache wie „keine Wände“ oder „zeige keine Wände“, und beschreiben Sie die unerwünschten Elemente stattdessen als Liste, in der Sie die Objekte benennen, die Sie nicht sehen wollen.

Daraus folgen zwei praktische Konsequenzen. Erstens: Behalten Sie Ausschlüsse in der Form, in der das Modell sie zu lesen gelernt hat – das heißt, Objekte benennen statt gegen sie zu argumentieren. Zweitens: Behandeln Sie jeden Ausschluss als Bitte, nicht als Garantie. Magic Hour ist bei Untertiteln deutlich: Eine Anweisung, Text auszuschließen, bleibt eine Bitte, und die letzten Frames müssen trotzdem auf verirrte Schriftzüge geprüft werden.

Aus der Zeile wird also „Text, Wasserzeichen, zusätzliche Personen“, und aus dem Prüfschritt wird eine Kontrolle der zwei oder drei Frames, in denen Text üblicherweise auftaucht: Beschilderung, Bildschirme, Verpackungen und jede Fläche, die zur Kamera zeigt.

Fehler 5: Audio wie eine Bildunterschrift behandeln statt wie eine Spur

Veo 3 erzeugt Audio nativ: Soundeffekte, Umgebungsgeräusche und Dialog entstehen im selben Durchlauf wie das Bild. Das ist der größte Vorteil des Modells gegenüber stummen Videogeneratoren, und der schnellste Weg, ihn zu verschenken, besteht darin, Ton als nachträglichen Anhang einer Bildbeschreibung zu behandeln.

Zwei Fehlerformen dominieren. Die erste ist eine gesprochene Zeile, die für die Einstellung zu lang ist: Wenn der Satz endet, hat sich der Mund schon geschlossen oder die Zeile ist abgeschnitten. Die zweite ist eine einzige undifferenzierte Audioanweisung, in der Musik, Raumton, Effekte und Sprache in einem einzigen Satzteil zusammenkommen, sodass das Modell eines auswählt und den Rest weglässt.

Trennen Sie die Ebenen und benennen Sie den Sprecher. „Leiser Raumton im Studio, ein metallisches Klopfen, als der Schlüssel den Tisch berührt, keine Musik“ ist eine Mischungsanweisung. „Sie sagt mit entspannter Stimme, dass diese für die erste Dinnerparty bereit sind“ ist eine Spielanweisung. Halten Sie die Zeile kurz genug, dass sie in die Dauer passt, die Sie tatsächlich angefragt haben, und zählen Sie ihre Wörter gegen die Sekunden, nicht gegen das Drehbuch.

Fehler 6: Kontaktpunkte und Physik offen lassen

Alles, was der Prompt offen lässt, entscheidet das Modell. Die Checkliste von Higgsfield macht daraus einen konkreten Vorab-Check: Benennen Sie die Kontaktpunkte – also Hände, Finger und alle Stellen, an denen Dinge einander berühren –, dazu eine benannte Lichtquelle und die Bewegungsrichtung.

Deshalb sind Hände das klassische Opfer. Ein Prompt, der sagt „sie nimmt den Schlüssel auf“, lässt Griff, Fingerzahl und Winkel ungeklärt, und das Rendering klärt sie irgendwo zwischen plausibel und falsch. Ein Prompt, der sagt „ihr Daumen und ihr Zeigefinger packen den Schlüssel am Kopf und heben ihn vom Tisch“, lässt deutlich weniger Spielraum.

Physik verhält sich genauso. Stoff, Flüssigkeit und Haare sind die Bereiche, in denen das Modell am meisten improvisiert; sagen Sie also, was fest bleiben muss: Die Jacke bewegt sich nicht, die Flüssigkeit bleibt im Glas auf gleicher Höhe, Zifferblatt und Armband bleiben durchgehend unverändert. Diese Zeilen sind billig, und sie entscheiden darüber, ob eine Produktaufnahme brauchbar ist oder neu gedreht werden muss.

Korrigieren Sie die Anweisung, nicht den ganzen Prompt

Der Instinkt nach einem schlechten Clip ist, alles neu zu schreiben – und damit zerstören Sie Ihre Beweise. Ändern Sie pro Versuch eine Anweisung, und Sie lernen, welcher Satz dafür verantwortlich war.

Behalten Sie eine Referenzgenerierung: eine fixierte Einstellung desselben Motivs mit demselben Audio, von der Sie wissen, dass sie funktioniert. Wenn ein neuer Versuch scheitert, vergleichen Sie die beiden und benennen Sie den Unterschied. Wandert der Fehler bei jedem Lauf mit identischem Text woandershin, ist es ein Prompt-Problem. Ist er bei jedem Lauf auf genau dieselbe Weise falsch, ist es ein Einstellungsproblem, und mehr Adjektive helfen nicht.

Bevor Sie neu schreiben, prüfen Sie das Symptom in dieser Reihenfolge: Spezifität des Motivs, Anzahl der Handlungen, Anzahl der Kamerabewegungen, Lichtquelle, Kontaktpunkte, Audioebenen und dann die Invarianten. Der erste Punkt, der in Ihrem Text tatsächlich unterspezifiziert ist, ist der, den Sie korrigieren müssen – und meistens ist es der einzige.

Ein Check, der das meiste davon vor dem Generieren abfängt

Lesen Sie den Prompt einmal und haken Sie jede Zeile ab. Wo eine Zeile keine Antwort hat, wird das Modell eine liefern.

• Ein Motiv, spezifisch genug beschrieben, dass es allein anhand des Textes erkennbar ist.
• Eine Handlung, mit einem Verb formuliert, das ein sichtbares Ergebnis hat.
• Ein Kameroverhalten, mit einer Richtung und einem Tempo.
• Eine benannte Lichtquelle, mit einer Richtung.
• Jeder Kontaktpunkt benannt: Hände, Füße, Objekte, die auf Flächen liegen.
• Audio aufgeteilt in Sprache, Atmosphäre, Effekte und Musik, mit benanntem Sprecher.
• Eine Invarianten-Zeile: was sich während der Einstellung nicht verändern darf.
• Dauer, Auflösung und Seitenverhältnis in der Oberfläche eingestellt, nicht im Satz.

Der letzte Punkt ist wichtiger, als er aussieht. Ein Prompt, der eine vertikale Bildkomposition verlangt, ändert die Ausgabefläche nicht so, wie es eine vertikale Einstellung tut, und ein Querformat-Render, das auf Hochformat zugeschnitten wird, schneidet die Handlung ab, die Ihnen wichtig war. Wo das Werkzeug die Einstellung anbietet, nutzen Sie die Einstellung.

Nichts davon macht Veo 3 so vorhersagbar, wie ein Storyboard vorhersagbar ist. Es macht Fehler lesbar, und das ist der Teil, mit dem Sie arbeiten können: Ein Clip, dem eine benannte Sache fehlt, lässt sich mit einer benannten Änderung reparieren, während ein Clip, dem alles fehlt, meist bedeutet, dass der Prompt alles auf einmal verlangt hat. Wenn Sie noch entscheiden, welche Einstellungen das Rendering wert sind, deckt die Veo-3-Anwendungsfälle, die zu kurzen Clips passen diese Wahl ab, und der Veo-3-Videogenerator ist der Ort, an den der korrigierte Prompt gehört.