Video aus Text erstellen mit KI: so schreibst du den Prompt

Was ein KI-Video-Generator wirklich versteht

Ein KI-Video-Generator denkt nicht in Geschichten, sondern in Einstellungen. Er erzeugt einen einzigen Clip von 5 oder 10 Sekunden, und in diese Zeit passt genau eine Szene: ein Ort, ein Motiv, eine Handlung und eine Kamerabewegung. Wer das akzeptiert, bekommt brauchbare Ergebnisse. Wer einen ganzen Werbespot in einen Absatz packt, bekommt ein Durcheinander, in dem das Modell irgendwann aufhört, deinen Anweisungen zu folgen.

Rechne grob so: In 5 Sekunden schafft eine Figur eine Bewegung, also zum Beispiel aufstehen, sich umdrehen oder eine Tasse anheben. In 10 Sekunden gehen zwei Bewegungen, die logisch aufeinander folgen. Alles darüber hinaus gehört in einen zweiten Clip.

Was gut funktioniert:

• Landschaften, Wetter, Wasser, Rauch und Licht, das sich verändert.
• Ein Motiv in Bewegung: ein Hund, der über eine Wiese rennt, eine Hand, die Kaffee eingießt.
• Klare Kamerabewegungen: langsame Fahrt, Schwenk, Drohnenflug, Kreisfahrt um ein Objekt.
• Stimmungen, die sich über Licht beschreiben lassen: goldene Stunde, Neon in der Nacht, Nebel am Morgen.

Was schlecht funktioniert, egal wie gut dein Prompt ist:

• Lesbarer Text im Bild. Schilder, Etiketten und Untertitel kommen oft als Buchstabensalat heraus. Text fügst du besser nachträglich im Schnitt hinzu.
• Exakte Marken und Logos. Das Modell kennt dein Produkt nicht. Es erfindet eine Flasche, die ungefähr so aussieht. Wenn das Produkt genau stimmen muss, lade ein Referenzbild hoch oder animiere ein Foto mit KI, statt es beschreiben zu lassen.
• Lange Geschichten. Zehn Handlungsschritte in einem Prompt ergeben keine zehn Szenen, sondern einen Clip, in dem die Hälfte fehlt.
• Hände, Finger und Zählen. „Drei Personen, die je zwei Gläser halten“ ist ein Rezept für sechs Hände an falschen Stellen.

Die wichtigste Konsequenz: Plane dein Video als Folge kurzer Einstellungen, nicht als ein großes Stück. Das klingt nach Einschränkung, ist aber genau die Arbeitsweise, mit der auch Werbefilme gedreht werden.

Prompt für KI-Video: die Formel für eine Szene

Ein guter Prompt für ein KI-Video beantwortet sechs Fragen, am besten in dieser Reihenfolge. Die Reihenfolge ist nicht heilig, aber sie verhindert, dass du etwas vergisst:

1. Ort: Wo spielt die Szene? „Kleine Bäckerei in einer Altbaustraße“, nicht „ein Laden“.
2. Motiv: Wer oder was steht im Mittelpunkt? Alter, Kleidung, Material, Farbe. „Ältere Bäckerin mit weißer Schürze und mehlbestäubten Unterarmen.“
3. Handlung: Eine Bewegung, konkret formuliert. „Sie zieht ein Blech mit Brezeln aus dem Ofen.“
4. Einstellung: Totale, Halbtotale, Nahaufnahme, Detail. Die Einstellung entscheidet, wie viel das Modell zeichnen muss.
5. Kamerabewegung: statisch, langsame Fahrt nach vorn, Schwenk nach links, Handkamera, Drohnenflug, Kreisfahrt.
6. Licht: Tageszeit, Lichtquelle, Stimmung. „Warmes Morgenlicht durch das Schaufenster, Mehlstaub in der Luft.“

Schlechter Prompt: „Ein schönes Video von einer Bäckerei, gemütlich und hochwertig.“ Hier gibt es keinen Ort, keine Handlung, keine Kamera. „Schön“ und „hochwertig“ kann das Modell nicht umsetzen, also rät es.

Guter Prompt: „Kleine Bäckerei in einer Altbaustraße, früh am Morgen. Eine ältere Bäckerin mit weißer Schürze zieht ein Blech mit Brezeln aus dem Ofen. Halbtotale, die Kamera fährt langsam auf sie zu. Warmes Licht durch das Schaufenster, Mehlstaub in der Luft.“

Ein zweites Beispiel, diesmal ohne Menschen:

Schlecht: „Meer, Sturm, dramatisch, episch, 4K, Meisterwerk.“ Solche Schlagwortlisten kennst du vielleicht von Bildgeneratoren. Bei Video fehlt ihnen das Entscheidende: was sich bewegt und wie sich die Kamera verhält.

Gut: „Leuchtturm auf einer Felsklippe an der Nordsee, Sturm bei Dämmerung. Hohe Wellen brechen an den Felsen, Gischt fliegt über das Geländer. Totale, langsamer Drohnenflug um den Leuchtturm herum. Das Leuchtfeuer dreht sich, dunkle Wolken ziehen schnell.“

Drei Regeln, die in der Praxis am meisten bringen:

• Eine Kamerabewegung pro Clip. „Fahrt nach vorn, dann Schwenk, dann Zoom“ ergibt ruckelige Kompromisse.
• Bewegung statt Adjektiv. Statt „lebendige Stadt“ lieber „Radfahrer ziehen vorbei, eine Straßenbahn fährt durchs Bild“.
• Keine Verbote im Prompt. „Keine Menschen im Bild“ bringt dem Modell das Wort „Menschen“ erst in den Kopf. Beschreib lieber, was zu sehen ist: „menschenleere Straße“.

Eine Warnung zum üblichen Ratschlag „je länger, desto besser“: Das stimmt nur bis zu einem Punkt. Ab etwa sechs oder sieben Sätzen beginnt das Modell, einzelne Anweisungen zu ignorieren oder zu vermischen. Wenn dein Prompt länger wird, prüf, ob du eigentlich zwei Szenen beschreibst. Meistens ist das so.

Hochformat, Querformat oder Quadrat: das Format nach dem Ziel wählen

Das Format legst du vor dem Erzeugen fest, nicht danach. Ein Clip im Querformat lässt sich zwar später auf 9:16 zuschneiden, aber dann fehlen links und rechts große Teile des Bildes, und oft genau der Teil, in dem die Handlung passiert. Das Modell komponiert die Szene für das Format, das du wählst.

• Hochformat 9:16: für Reels, TikTok, YouTube Shorts und Stories. Das Motiv steht in der Mitte, die Handlung läuft eher von oben nach unten oder auf die Kamera zu. Personen, Produkte in der Hand und hohe Gebäude wirken hier gut, weite Landschaften weniger.
• Querformat 16:9: für YouTube, Webseiten, Präsentationen und alles, was auf einem Fernseher oder Laptop läuft. Gut für Landschaften, Fahrten und Szenen mit mehreren Elementen nebeneinander.
• Quadrat 1:1: für Feed-Beiträge und Anzeigen, die im Feed so viel Platz einnehmen sollen wie ein Foto. Ein Kompromiss, der auf jedem Bildschirm ordentlich aussieht und nirgends perfekt ist.

Pass den Prompt an das Format an. Im Hochformat funktioniert „Nahaufnahme, sie hebt den Kopf und schaut in die Kamera“ besser als „Totale über das ganze Tal“. Im Querformat ist es umgekehrt. Wenn du denselben Inhalt für mehrere Plattformen brauchst, erzeug ihn lieber zweimal im jeweiligen Format, statt einen Clip zuzuschneiden.

Planst du Untertitel oder einen Titel, denk an die Bedienelemente der App: Im Hochformat liegen unten und rechts Buttons und Beschreibungstext. Wie du Untertitel sauber platzierst, steht in unserem Beitrag Untertitel zum Video hinzufügen.

Günstig testen, hochwertig erzeugen: erst der Entwurf

Der häufigste Fehler beim Video aus Text: gleich die beste Qualität wählen und dann feststellen, dass die Idee nicht funktioniert. Die Kamera fährt in die falsche Richtung, die Figur macht etwas anderes als gedacht, das Licht stimmt nicht. Das alles sieht man auch in niedriger Auflösung.

Deshalb gibt es bei Airpic vier Qualitätsstufen, die du gezielt einsetzen solltest:

• Entwurf (480p, mit Ton): zum Testen der Idee. Prüf hier Komposition, Bewegung und Kamerafahrt.
• Normal (768p): für Social Media, wo das Video ohnehin klein auf dem Handy läuft.
• 2K: wenn du mehr Schärfe brauchst, etwa für große Bildschirme oder zum späteren Zuschneiden.
• Kino (720p, mit Ton): die aufwendigste Stufe, mit natürlicherer Bewegung und Ton, der passend zum Bild erzeugt wird.

Wie groß der Unterschied bei der Wartezeit ist, haben wir selbst gemessen: In unseren Tests vom 15. Oktober 2026 war ein Entwurf von 5 Sekunden mit Ton nach 88 Sekunden fertig, die Version in hoher Qualität mit 1280 × 720 px nach etwa 400 Sekunden. Das ist mehr als das Vierfache. Wer drei Varianten eines Prompts direkt in hoher Qualität ausprobiert, wartet also rund 20 Minuten, statt nach gut vier Minuten zu wissen, welche Variante trägt.

Ein bewährter Ablauf:

1. Zwei oder drei Entwürfe mit leicht verschiedenen Prompts erzeugen (andere Kamerabewegung, anderes Licht).
2. Den besten auswählen und den Prompt nur noch an einer Stelle verfeinern.
3. Erst dann die finale Version in Normal, 2K oder Kino erzeugen.

Eine ehrliche Einschränkung: Der Entwurf ist eine Vorschau der Idee, keine verkleinerte Kopie des Endergebnisses. Bei jeder Generierung entsteht ein neues Video, auch mit demselben Prompt. Komposition und Bewegung bleiben meist ähnlich, Details wie Gesichter oder Wolken ändern sich. Wenn eine Figur oder ein Produkt in der finalen Version genauso aussehen muss wie im Entwurf, füg ein Referenzbild als erstes Bild hinzu.

Und noch eine Warnung: Wenn dir ein erzeugtes Video nicht gefällt, bekommst du die Credits nicht zurück. Sie werden nur automatisch erstattet, wenn das Video nicht erzeugt wird oder der Anbieter die Anfrage ablehnt. Auch das spricht dafür, die Idee erst im Entwurf zu prüfen. Was jede Stufe kostet, steht auf der Seite des Werkzeugs.

Video aus Text erstellen mit Airpic: Schritt für Schritt

So gehst du vor, wenn du mit KI ein Video aus Text erstellen willst:

1. Szene auf Deutsch beschreiben. Öffne Text zu Video mit KI und schreib deine Beschreibung ins Feld, bis zu 800 Zeichen. Du musst kein Englisch schreiben. Halte dich an die Formel: Ort, Motiv, Handlung, Einstellung, Kamera, Licht.
2. Optional ein Referenzbild hinzufügen. Soll eine Figur, ein Produkt oder ein Stil erhalten bleiben, lade ein Bild als erstes Bild hoch (JPG, PNG oder WebP, höchstens 10 MB). Das Video startet dann von diesem Bild aus.
3. Format und Länge wählen. Hochformat 9:16, Querformat 16:9 oder Quadrat 1:1, je nachdem, wo das Video laufen soll, dazu 5 oder 10 Sekunden. Für den ersten Versuch reichen 5 Sekunden.
4. Qualität „Entwurf“ wählen und erzeugen. Bevor das Video entsteht, macht unsere KI aus deinem Text einen englischen Film-Prompt und zeigt ihn dir unter „Prompt von unserer KI“. Lies ihn: Dort siehst du, was das Modell wirklich bekommt. Fehlt etwas Wichtiges oder hat die KI etwas dazuerfunden, ergänz deine Beschreibung und erzeug neu.
5. Ergebnis prüfen. Stimmen Kamerafahrt, Bewegung und Licht? Wenn nicht, ändere eine einzige Sache am Prompt und erzeug einen neuen Entwurf. Mit „Weitere Variante erzeugen“ bekommst du denselben Prompt noch einmal neu umgesetzt.
6. Finale Version erzeugen. Wechsle auf Normal, 2K oder Kino und erzeug das Video erneut. Lass die Seite offen, bis das MP4 fertig ist, und lade es mit „MP4 herunterladen“ herunter.
7. Mehrere Clips zu einem Video schneiden. Für ein längeres Video erzeugst du jede Einstellung einzeln und fügst sie im KI-Video-Editor zusammen. Er fragt dich vorher nach Format, Länge, Tempo und Untertiteln, schlägt einen Schnitt vor und zeigt dir die Vorschau kostenlos im Browser. Bezahlt wird erst beim Export.

Ein Hinweis zum Datenschutz, weil Airpic sonst mit GPUs in der EU arbeitet: Dieses Werkzeug läuft nicht in der EU. Dein Text und ein eventuelles Referenzbild gehen an den Anbieter des Videomodells und an den Dienst, der den Prompt schreibt. Airpic speichert das Video nicht: Es wird 1 Stunde nach dem Download gelöscht, spätestens nach 24 Stunden. Beschreib deshalb keine echten Personen ohne deren Einverständnis.

Hast du schon ein Foto, das sich bewegen soll, ist es oft der kürzere Weg, ein Foto mit KI zu animieren. Aus einem langen eigenen Video machst du mit Shorts aus einem Video erstellen Clips im Hochformat mit Untertiteln. Für eine neue Szene aus dem Nichts fängst du hier an: Video aus Text erstellen.

FAQ

Weiterlesen