# KI Video Prompts: Wie Sequenzen wirklich zusammenhängen URL: https://auxworld.app/de/journal/ki-video-prompts-struktur-sequenzen Type: blog Locale: de Published: 2026-07-28 Updated: 2026-08-09 --- > Strukturierte KI Video Prompts garantieren Kontinuität über mehrere Clips hinweg. Entdecke die World Key Methode und effektive Kamera-Techniken. ## KI-Video-Prompts schreiben, die über Clip zwei hinaus halten KI video prompts – die meisten sind für einen einzelnen Clip geschrieben. Meine müssen sechs überstehen. Das ist der Job, wenn dein Prompt auch eine spielbare Welt beschreiben muss: das Licht in Clip eins muss zum Licht in Clip vier passen, oder das Ganze sieht wie kaputte Kontinuität aus, nicht wie ein Ort. Hier ist die exakte Struktur, die ich für KI video prompts verwende – was sich ändert, wenn ich denselben Brief durch Kling laufe, und welche Gewohnheiten mir still und leise ein Drittel meiner Generation-Credits gekostet haben. ## Warum die meisten KI-Video-Prompts nach Clip zwei zusammenbrechen Ich hatte sechs kinematografische Shots für eine Welt zu generieren: eine etablierende Totale, einen mittleren Schwenk, ein Close-up auf dem Wasser, drei Character-Beats. Sechs separate Prompts, jedes Mal neu geschrieben, so wie dir jeder Guide sagt, dass du sie schreiben sollst. Bei Clip drei wurde der Nebel dünner. Bei Clip fünf war das Licht von Dämmerungs-Blau zu etwas näher an Mittag übergegangen. Niemand hatte dem Modell gesagt, dass es das Wetter ändern sollte. Ich habe es nur jedes Mal etwas anders beschrieben, und etwas anders, sechs Mal in Folge, addiert sich zu einem anderen Planeten. Die Lösung war kein besserer Prompt. Es war ein gesperrter Block, den ich am Anfang jedes Clips in der Sequenz einfüge, unverändert: `World key (verbatim in jedem Clip wiederholen): neblige Hochtal-Landschaft, Dämmerung, cool blauviolettes Licht, dünner Bodennebel, entfernte Bergsilhouette, zurückhaltende Farbabstimmung, kein Lens Flare`Alles nach dieser Zeile ist frei veränderbar: Subject, Action, Kamera. Der World Key nicht. Sobald ich anfing, Kontinuität als fest eingeplante Ressource statt als Hoffnung zu behandeln, sank meine Rate unbrauchbarer Clips in einer Sechser-Sequenz von ungefähr 4 von 10 auf etwa 1 von 10. Das klingt klein, bis du die Credits zählst. Eine Sechser-Clip-Sequenz mit 40 Prozent Fehlerquote bedeutet, dass du zwei bis drei Shots regenerierst, jedes Mal, zusätzlich zu den sechs, die du bereits bezahlt hast. Bei 10 Prozent Fehlerquote fahren die meisten Sequenzen sauber beim ersten Durchlauf. Der Prompt wurde kürzer. Der Output wurde vorhersehbarer. Dass diese beiden Dinge zusammen passieren, ist das, das man bemerken sollte. ## Die fünf Ebenen, die Veo wirklich belohnt [Googles eigener Prompting-Guide für Veo 3.1](https://cloud.google.com/blog/products/ai-machine-learning/ultimate-prompting-guide-for-veo-3-1) zerlegt einen starken Prompt in fünf Teile: Subject und Action, Kamera, Umgebung und Beleuchtung, Stil und Stimmung, und Audio – mit Dialogtext, Sound Effects und atmosphärischen Geräuschen, jeweils als eigene Zeile. Skip die Audio-Ebene und du bekommst einen stummen Clip, der sich unvollständig anfühlt, auch wenn die Bilder stimmen. Hier ist ein Prompt, der auf dieser Struktur aufgebaut ist, und eine Szene beschreibt, die ich tatsächlich generiert habe: `Kamera: langsamer Dolly rein, Hüfthöhe, flache Schärfentiefe Subject: ein Roboter-Barkeeper poliert ein Glas hinter der verschlissenen Holztheke Action: er stellt das Glas ab und sieht auf, als sich die Tür öffnet Umgebung: ein neblig-düsterer Jazz-Club in Detroit, 1920er, warme String Lights, feiner Dunst Stil: 1940er Film-Noir-Farbabstimmung, feines Korn Audio: Umgebungsgeräusche, gemurmelte Unterhaltung und eine gedämpfte Trompete`Das ist keine Keyword-Liste. Es sind fünf kurze Anweisungen, auf die das Modell unabhängig voneinander reagieren kann, was wichtiger ist, als es klingt. Google zitiert einen Kunden, die Audio-App Pocket FM, die nach der Einführung strukturierter, Veo-generierter Videos in ihr Produkt einen 30- bis 40-prozentigen Anstieg der Retention meldet. Ich kann diese Zahl selbst nicht überprüfen, aber die zugrunde liegende Behauptung, dass Struktur besser als ein längerer Adjektiv-Berg ist, deckt sich mit dem, was ich Clip für Clip sehe. ![KI-generierte kinematische Standbildaufnahme eines neblig-düsteren Jazz-Clubs mit einem Roboter-Barkeeper](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/auxworld/2026-08/204f21-inline1-jazzclub.webp) ## NPC-Dialog schreiben, ohne die Szene zu zerstören Die Audio-Ebene ist, wo die meisten welt-fokussierten Prompts auseinanderfallen, weil ein Dialog wie ein Character klingen muss, nicht wie ein Text-to-Speech-Reader. Anführungszeichen sind hier wichtiger als irgendwo sonst im Prompt. Schreibe den Satz dem Character zu, beschreibe die Sprechweise, und halte es kurz: `Audio: der Barkeeper sagt: "Wir bekommen hier nicht viele Fremde", in einem flachen, gleichgültigen Ton. Umgebungsgeräusche: ferner Donner, Gläser klirren.`Zwei Zeilen, nicht ein Absatz. Eine einzelne lange Dialog-Zeile hat die Tendenz, verstümmelt oder abgeschnitten zu werden. Zwei kurze Replikationen, jeweils mit eigener Lieferanweisung, kommen näher an das heran, das du dir tatsächlich vorgestellt hast. Wenn eine Szene eine dritte Dialog-Zeile braucht, ist das üblicherweise ein Zeichen, dass es stattdessen zwei Clips sein sollte, zurück zur Zwei-neue-Elemente-Regel vom World Key. ## Kamera-Sprache ist der Hebel, nicht die Adjektive Swap "cinematic" mit "breathtaking" in einem Prompt und fast nichts ändert sich im Output. Swap "statische Totale" mit "langsamer Dolly rein" und das gesamte emotionale Register des Clips verschiebt sich, weil das Modell diese Anweisung tatsächlich als physische Kamera-Bewegung verarbeitet, nicht als Dekoration. Die Verben, die durchgehend über Veo und Kling hinweg funktionieren: Dolly rein oder raus, Schwenk, Crane, Steadicam-Folge, handheld, aerial oder Drohne. Brennweiten-Wahl ist auch wichtig. Ein 16-mm-Objektiv liest sich breit und leicht verzerrt, gut für Skala. Ein 85-mm komprimiert den Hintergrund und schmeichelt einem Close-up-Subject. Keines von beiden braucht drei gestapelte Adjektive davor, um seinen Job zu tun. Kling behandelt das anders als Veo auf eine spezifische Art, die es wert ist, vor der Wahl eines Tools zu wissen: es ist deutlich stärker bei glatter Mensch- und Character-Bewegung über längere Clips, wo Veo beim natürlichen Licht und der Prompt-Adhäsion bei Umgebungsaufnahmen gewinnt. Wenn deine Welt viel NPC-artige Bewegungen im Bild hat, ist das der Tradeoff, den du selbst testen solltest, statt ihn anzunehmen. Ich fahre etablierende und Umgebungsaufnahmen durch Veo und character-reiche Beats durch Kling, und dann stimme ich den World Key über beide ab. Es ist mehr Setup als eine Tool zu wählen und dabei zu bleiben, aber die Übergangsstellen zeigen weniger als du erwarten würdest, sobald die Beleuchtungs-Sprache gesperrt ist. ![Luftaufnahme einer Wüstenschlucht bei goldener Stunde, generiert aus einem KI-Video-Prompt](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/auxworld/2026-08/556588-inline2-canyon.webp) ## Was zu vermeiden ist: die Gewohnheiten, die deine Credits vergeuden Drei Dinge, die ich aufgehört habe zu tun, in Reihenfolge, wie viel sie mich kosteten. Keyword-Salat-Prompts. Ein Komma-geteilter Haufen wie "episch, kinematografisch, 8k, im Trend, Meisterwerk" tut weniger als ein klarer Satz über das, was im Bild passiert. Das Modell hat nichts, worauf es bei einem Wort wie "episch" reagieren kann. Es hat viel, worauf es bei "die Kamera fährt hoch, während die Brücke ins Sicht kommt" reagieren kann. Vage negative Prompts. "Keine schlechte Qualität" sagt dem Modell nichts Nützliches. "Kein Lens Flare, keine Bewegungsunschärfe auf dem Vorder-Subject" sagt ihm genau, was es unterdrücken soll. Spezifische Negative funktionieren. Vage Negative verbrennen eine Generation und ändern nichts. Die ganze Welt von Grund auf für jeden Clip umschreiben. Das ist der gleiche Fehler wie das Kontinuitätsproblem oben, zeigt sich nur als vergeudetes Budget statt sichtbarer Drift. Jede vollständige Umschrift ist eine frische Chance für das Modell, die Farbpalette zu driften, und jeder gedriftete Clip ist eine Generation, die du werfen wirst. Mehr als zwei neue Elemente pro Shot stapeln. Füge einen neuen Character, eine neue Wetterbedingung und eine neue Kamera-Bewegung im selben Prompt hinzu, und das Modell muss raten, welches du am meisten magst. Ändere eine Sache, beobachte was passiert, dann ändere die nächste. ![Ein Monitor zeigt eine verschwommene, überverarbeitete KI-Video-Wiedergabe mit ausgewachten Farben](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/auxworld/2026-08/a159e5-inline3-failedrender.webp) ## Eine Welt über sechs Clips hinweg konsistent halten Der World-Key-Trick funktioniert, aber es ist ein manueller Patch für ein Problem, bei dem die Industrie aktiv Werkzeuge baut. Highgsfields Soul-Feature zum Beispiel ist speziell dafür gebaut, die visuelle Identität eines Characters über separate Generationen hinweg konstant zu halten, eine schwierigere Version des gleichen Kontinuitätsproblems, das ich von Hand mit einem eingefügten Textblock löse. Ich habe noch kein Tool gefunden, das Umgebungs-Kontinuität so sperrt, wie ich es für eine volle Welt wollen würde, sechs Clips, ein kohärenter Ort. Bis eines existiert, liegt die Disziplin beim Prompt-Schreiber: gleicher World Key, gleiche Beleuchtungs-Sprache, gleiche Zurückhaltung bei wie vielen neuen Elementen du pro Clip einführst. Zwei neue Elemente pro Shot, Maximum. Führe ein drittes ein und normalerweise bricht etwas anderes. Es gibt eine Version davon, die über sechs Clips hinaus skaliert. Wenn eine Fork einer Welt von jemandem anderem aufgegriffen wird, einem Mitarbeiter, einem zweiten Creator, der deine Basis remixet, reist der World Key mit der Fork. Sie erben die Beleuchtungs-Sprache, ob sie den Begriff wissen oder nicht, weil sie direkt am Anfang jeden Prompts in der Sequenz sitzt. Das ist der tatsächliche Wert, es aufzuschreiben statt es in deinem Kopf zu behalten: jemand anderes kann genau dort weitermachen, wo du aufgehört hast, ohne einen Anruf zum Sync, was "das Licht" aussehen soll. ![Drei Monitore zeigen die gleiche KI-generierte Talwelt aus verschiedenen Kamera-Winkeln](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/auxworld/2026-08/c1699f-inline4-threemonitors.webp) ## Das generierte Schneiden: der Teil, den niemand prompted Kein Prompt repariert Pacing. Sobald du sechs Clips hast, die zusammenhalten, musst du sie trotzdem in etwas Sehenwertes schneiden, Untertitel hinzufügen, wenn das Piece überall sozial geht, und trimme die halbe Sekunde, wo die Modell-Bewegung unheimlich wird, bevor sie sich beruhigt. Das ist eine separate Fähigkeit vom Prompting, und es ist die, die die meisten Guides überspringen, weil sie nach dem interessanten Teil passiert, der technisch getan ist. Es ist auch, wo ein grober Clip-Satz zu einer tatsächlichen Sequenz wird, Untertitel drin, tote Frames raus, die unbeholfen-unkanny halbe Sekunde der Bewegung trimmt, bevor sie sich in etwas Unkannies einlässt. ## Dein erster Entwurf ist ein Rough Cut, keine Diagnose Das erste Mal, wenn ein Clip falsch zurückkommt, ist der Instinkt, den ganzen Prompt umzuschreiben. Nicht tun. Ändere die eine Zeile, die tatsächlich dafür verantwortlich ist, das Kamera-Verb, die Beleuchtungs-Phrase, das einzelne neue Element, das du hinzugefügt hast, und regeneriere. Die meisten davon, das wie ein Prompt-Fehler aussieht, ist ein Wort, das den falschen Job macht. Schreibe den World Key zuerst. Schreibe dann sechs kurze, spezifische Anweisungen, die darin leben, nicht sechs Welten, die zufällig einen Namen teilen. Fork den einen Clip, der am nächsten ist, ändere eine Zeile, und schau, was bricht, bevor du entscheidest, dass der Prompt falsch war. ## FAQ ### Was ist ein World Key und warum reduziert es Fehlerquoten? Ein World Key ist ein gesperrter Block von Umgebungs- und Beleuchtungs-Beschreibungen, den du verbatim in jeden Clip einer Sequenz kopierst. Er verhindert, dass KI-Modelle minimal abdriften, reduziert die Fehlerquote von etwa 40% auf 10%, und spart Credits durch weniger Regenerationen nötig. ### Welche fünf Ebenen braucht ein strukturierter KI-Video-Prompt? Subject und Action, Kamera (als physische Bewegung, nicht Adjektive), Umgebung und Beleuchtung, Stil und Stimmung, und Audio (Dialog, Sound Effects, Ambient). Google's Veo-Guide zeigt, dass Struktur über Adjektive 30-40% bessere Retention-Raten erzielt. Jede Ebene als eigene Zeile, nicht als ein Paragraph. ### Wann sollte ich Veo vs. Kling für KI-Video-Prompts verwenden? Nutze Veo für etablierende Shots und Umgebungsaufnahmen (stärker bei Beleuchtung und Prompt-Adhäsion), und Kling für Character-reiche Beats mit Bewegung. Stimme den gleichen World Key über beide ab für konsistente Sequenzen. Das ist der Workflow für 6-Clip-Serien, die wie ein einziger Ort aussehen. ### Welche Fehler verschwenden die meisten Generation-Credits beim Prompting? Keyword-Salat-Prompts ohne Struktur, vage negative Prompts, die ganze Welt pro Clip neu zu schreiben statt den World Key zu halten, und mehr als zwei neue Elemente pro Shot einzuführen. Ändere eine Sache, beobachte die Ausgabe, dann ändere die nächste. Das ist iterativ prompting, nicht Neufassung. ### Wie kann ich NPC-Dialog in KI-Video-Prompts korrekt schreiben? Schreibe kurze Dialoge mit Anführungszeichen, und attributiere sie dem Character mit einer Lieferanweisung. Zwei kurze Austausche funktionieren besser als ein langer Monolog. Beispiel: 'der Barkeeper sagt: "Wir bekommen hier nicht viele Fremde" in einem gleichgültigen Ton' ist konkreter als ein generischer Dialog ohne Kontext.