Was ist ein Text-zu-Video-Prompt (T2V)?

Ein T2V-Prompt ist die vollständige Textbeschreibung, die ein Text-zu-Video-Modell in einen Clip verwandelt. Da das Modell kein Bild sieht, muss der Prompt das Subjekt, die Aktion, die Umgebung, die Kamera (Schussgröße, Winkel, Bewegung), das Licht und den Stil festlegen — alles, was ein Storyboard normalerweise enthalten würde.

Wie unterscheidet sich ein Bild-zu-Video-Prompt (I2V)?

Bei I2V legt das Eingabebild das Aussehen, den Ort und die Palette bereits fest. Der Prompt beschreibt nur, was geschieht: die Bewegung, das Tempo und jede Kamerabewegung. Den Bildinhalt in Worten neu zu beschreiben lässt das Modell in der Regel davon abdriften.

Was sollte ein KI-Video-Prompt enthalten?

Sechs Teile: Subjekt, eine Hauptaktion, Umgebung mit Tageszeit und Wetter, Kamera (Schussgröße, Winkel, Bewegung), Licht und Farbe, Stil mit Stimmung. Halten Sie es auf etwa 30-80 Wörter konkreter Deskriptoren in einer einzigen Sprache.

Wie lang sollte ein KI-Video-Prompt sein?

Länger ist nicht besser. Etwa 30-80 Wörter konkreter, eindeutiger Deskriptoren sind der Sweet Spot: genug, um die Einstellung festzulegen, kurz genug, damit kein Detail verwässert wird. Ein Paragraph mit 200 Wörtern funktioniert in der Regel schlechter als ein kompakter Text.

Brauche ich für jedes Modell (Kling, Sora 2, Veo 3) einen anderen Prompt?

Die Kernbeschreibung kann gleich bleiben, aber zwei Punkte passen Sie an: die Sprache (chinesische Modelle wie Kling, Seedance, Hailuo, Wan und Vidu sind darauf trainiert, auf chinesische Prompts zu reagieren; der Rest versteht am besten Englisch) und der abschließende Qualitätssatz, der je nach Modell unterschiedlich ist. Ein strukturierter Generator übernimmt beides automatisch.

KI-Video-Prompts schreiben: T2V- und I2V-Struktur, Kamera-Vokabular und Beispiele

Warum der Prompt alles im KI-Video bestimmt

Text-zu-Video- (T2V) und Bild-zu-Video-Modelle (I2V) „verstehen" Ihre Idee nicht — sie setzen Ihre Worte mit Mustern im Filmmaterial in Verbindung, auf dem sie trainiert wurden. Der Prompt ist die einzige Anweisung, die sie erhalten, und kleine Formulierungsentscheidungen verändern, was sie erzeugen. „Ein Auto auf einer Straße" und „ein rotes Vintage-Auto fährt an einer Küstenstraße entlang, Abendrot, Tracking-Schuss" erzeugen zwei völlig verschiedene Clips mit demselben Modell.

Dieser Guide behandelt die Struktur, die funktioniert: die sechsteilige T2V-Prompt-Struktur, das Kamera-Vokabular, auf das Video-Modelle antworten, wie I2V-Prompts anders sind und wie Sie einen Prompt an das verwendete Modell anpassen.

T2V und I2V: zwei Modi, zwei verschiedene Prompts

T2V (Text zu Video) — Sie schreiben die gesamte Einstellung in Worten: Subjekt, Aktion, Umgebung, Kamera, Licht, Stil. Das Modell erfindet das Aussehen von allem.
I2V (Bild zu Video) — Sie liefern ein Standbild, das das Aussehen festlegt, und der Prompt beschreibt nur, was geschieht: die Bewegung und jede Kamerabewegung.

Der Unterschied ist wichtig, weil er die Rolle Ihrer Worte verändert. Bei T2V ist der Prompt das komplette Storyboard. Bei I2V ist er eine Bewegungsnotiz zu einem Bild, das Sie bereits gewählt haben.

Die sechsteilige T2V-Prompt-Formel

Jeder starke T2V-Prompt beantwortet sechs Fragen, in etwa in dieser Reihenfolge:

Subjekt — wer oder was ist im Bild, mit konkreten Details (nicht „eine Person", sondern „ein Leuchtturmwärter in einem gewachsten Mantel").
Aktion — eine Hauptaktion pro Take. Drei Aktionen zu stapeln ergibt in der Regel einen trüben Mix aus allen dreien.
Umgebung & Tageszeit — wo, zu welcher Tageszeit, welches Wetter. Die Tageszeit prägt die Farbpalette mehr als jedes Stilwort.
Kamera — Schussgröße (Nahaufnahme, Totale…), Winkel (Augenhöhe, Froschperspektive…), Bewegung (statisch, Schwenk, Dolly, Handkamera…). Schon eines davon zu benennen hindert das Modell am Raten.
Licht & Farbe — das Aussehen des Lichts: Golden Hour, Blue Hour, Neon, Kerzenlicht; und eine Farbrichtung wie Teal & Orange oder Monochrom.
Stil & Stimmung — die visuelle Sprache (kinoreif, dokumentarisch, Anime, Noir) und der emotionale Ton (melancholisch, angespannt, verspielt).

Arbeitsbeispiel

Zusammengesetzt aus den sechs Teilen oben:

„Halbtotale von der Taille auf, ein Leuchtturmwärter in einem gewachsten Mantel geht entlang einer Mole, unterhalb brechen Wellen, Dämmerung mit Wind im Mantel, Tracking-Schuss folgt dem Subjekt, Blue-Hour-Licht mit einem einzelnen warmen Laternenglanz, Kinolook, melancholische Stimmung"

Zählen Sie: Schussgröße, Subjekt, Aktion, Umgebung, Tageszeit, Bewegung, Licht, Stil, Stimmung — neun Bausteine, jeder Satzteil tut genau eine Arbeit, keiner ist Dekoration.

Das Kamera-Vokabular, das Video-Modelle verstehen

Video-Modelle werden auf Material trainiert, das mit Schussannotationen versehen ist, daher funktionieren die standardisierten Kinobegriffe. Die Begriffe, die Sie am häufigsten brauchen:

Schussgröße — Großaufnahme, Nahaufnahme, mittlere Nahaufnahme, Halbtotale, mittlere Totale, Totale, weite Einstellung, extreme weite Einstellung, senkrechte Vogelperspektive, Zweierplan.
Winkel — Augenhöhe, Froschperspektive, Vogelperspektive, senkrechte Vogelperspektive, extreme Froschperspektive, Schrägaufnahme (Dutch Angle), Over-the-Shoulder, Blickwinkel der Figur (POV).
Bewegung — statisch, Schwenk, Neigung, Dolly-In, Dolly-Out, Tracking, Orbit, Kranfahrt, Handkamera, Zoom.
Tempo — Zeitlupe, Echtzeit, Schnellaufnahme, Zeigeraufnahme. Das Tempo zu benennen ist einer der am meisten unterschätzten Hebel: allein „Zeitlupe" kann einen Take verändern.

Sie müssen nicht alles benennen. Eine einzige Kameraentscheidung — „Tracking-Schuss" oder „Handkamera" — bewegt das Ergebnis oft mehr als drei Stiladjektive.

Wie I2V-Prompts funktionieren

Im Bild-zu-Video-Modus ist das Standbild bereits die Hälfte des Prompts. Das Bild legt Subjekt, Ort, Palette und einen großen Teil des Stils fest; Ihr Text beschreibt nur Bewegung und Kamera:

Was geschieht: „die Wellen beginnen zu rollen, die Figur hebt eine Laterne auf".
Wie die Kamera sich verhält: „langsames Dolly-In", „statische Kamera, das Subjekt bewegt sich", „Handkamera folgt".
Tempo: „Zeitlupe" oder „Echtzeit".

Halten Sie die Beschreibung kurz — ein, zwei Sätze reichen in der Regel. Wer den Bildinhalt mit Worten neu beschreibt, erzeugt in der Regel eine Abdrift: Das Modell vermischt Ihren Text mit dem Foto, und das Ergebnis gleicht weder dem einen noch dem anderen. Der KI-Video-Prompt-Generator setzt in diesem Modus den Präfix „Following the input image" vor und blendet die Kategorien aus, die das Bild bereits entscheidet, etwa Schussgröße und Komposition.

Den Prompt an das Modell anpassen

Die wichtigsten Video-Modelle stammen aus verschiedenen Laboren: Kling (Kuaishou), Seedance (ByteDance), Hailuo (MiniMax), Wan 2.2 (Alibaba) und Vidu (Shengshu Technology) von chinesischen Laboren, dazu Sora 2 (OpenAI), Veo 3 (Google), Runway Gen-4 (Runway), Luma Dream Machine (Luma AI) und Pika 2.2 (Pika). Ihre Promptstrategien unterscheiden sich in zwei praktischen Punkten:

Sprache. Die chinesischen Modelle sind in Chinesisch zu Hause — chinesische Prompts lesen sich für sie am natürlichsten; der Rest wurde vor allem auf Englisch trainiert. Schreiben Sie den Prompt in der Sprache, in der das Modell am stärksten ist.
Qualitätssatz. Jedes Modell hat einen bevorzugten Abschlusssatz — Kling mag „kinoreife Qualität, feines Licht und Schatten, reiche Details", Pika 2.2 „cinematic, vibrant, smooth motion, crisp detail". Der richtige Satz am Ende lässt dieselbe Auswahl bei jedem Modell wie ein nativer Prompt wirken.

Der Generator erledigt beides: Er passt die Ausgabesprache an das gewählte Modell an (Chinesisch für die chinesischen Modelle auf der chinesischen Site, andernfalls Englisch) und hängt den Qualitätssatz des jeweiligen Modells an.

Sieben Fehler, die KI-Video-Prompts ruinieren

Vages Subjekt. „Irgendwo eine Person" lässt das Modell frei erfinden; konkretisieren Sie, wer oder was im Bild ist.
Mehrere Aktionen. Drei Aktionen zu stapeln ergibt einen trüben Mix; eine Aktion pro Clip.
Widersprüchliche Stile. „Dokumentarisch, Handkamera" und „glamouröser Studio-Look" heben sich gegenseitig auf; wählen Sie eine visuelle Sprache.
Keine Kameraintention. Ohne Schussgröße oder Bewegung ratet das Modell; deklarieren Sie es explizit.
Überladung. Ein Paragraph mit 200 Wörtern verdünnt jede Anweisung; 30-80 Wörter konkreter Deskriptoren schlagen in der Regel einen langen Essay.
Gemischte Sprachen. Halten Sie jeden Prompt in einer Sprache; halübersetzte Prompts verwirren das Modell.
Ignoriertes Tempo. Wenn Sie Zeitlupe oder Zeigeraufnahme wollen, sagen Sie es; Echtzeit ist der stille Standard.

Prompts mit Struktur bauen

Statt Freitext können Sie Optionen in einem strukturierten Raster wählen. Der KI-Video-Prompt-Generator deckt 11 Kategorien ab — Schussgröße, Kamerawinkel und -bewegung, Bewegungstempo, Tageszeit und Wetter, Licht, Farblook, Stil, Stimmung, Effekte und Komposition — mit Referenzbildern für jede Option, und setzt Ihre Einzelwahl pro Kategorie in einen auf das Zielmodell abgestimmten Prompt zusammen. Er läuft vollständig im Browser: nichts von dem, was Sie schreiben, wird hochgeladen.