Lege zuerst fest, was im Bild zu sehen ist, was das Motiv tut und wie sich die Kamera bewegt. Ergänze dann Umgebung, Licht und Merkmale, die gleich bleiben sollen. Widersprechen sich zwei Vorgaben, entscheide vor dem Generieren, welche Vorrang hat. Zusätzliche Adjektive lösen diesen Konflikt nicht.
Die folgende Struktur eignet sich für Text zu Video und lässt sich an die bildgestützten Abläufe in Veo3o1 anpassen.
Sechs Bausteine für den Prompt
Schreibe in dieser Reihenfolge:
- Motiv – die wichtigste Person, das Objekt, Tier oder die Szene.
- Handlung – eine zentrale Bewegung oder ein Ereignis.
- Umgebung – Ort, Tageszeit, Wetter und relevante Details.
- Kamera – Einstellungsgröße, Winkel und eine Bewegung.
- Licht und Stimmung – die visuelle Atmosphäre.
- Vorgaben – Merkmale, die fest bleiben, oder Elemente, die fehlen sollen.
Beispiel:
Eine handgemachte Keramiktasse steht auf einem dunklen Holztisch, während Dampf aufsteigt und Morgenregen am Fenster dahinter hinabläuft. Nahe Produktaufnahme auf Tischhöhe, langsame Kamerafahrt nach vorn, weiches kühles Tageslicht mit warmer Spiegelung in der Glasur, stabile Tassenform, kein hinzugefügter Text.
Der Prompt ist konkret, ohne zehn Einstellungen zugleich beschreiben zu wollen.
Motiv: festlegen, was im Mittelpunkt steht
Beginne mit einem eindeutigen Hauptmotiv. „Eine belebte Stadt“ lässt viele Prioritäten offen; „eine Fahrradkurierin in gelber Regenjacke“ legt ein eindeutiges Hauptmotiv fest.
Bei Bildinputs stellst du die Verbindung ausdrücklich her:
Die Person aus den Referenzbildern …
Wiederhole anschließend nur entscheidende Identitätsmerkmale wie Kleidungsfarbe, Frisur, Verpackungsform oder Material. Der Leitfaden zur Figurenkonsistenz zeigt, wie diese Angaben mit Referenzen zusammenspielen.
Handlung: ein zentrales Verb
Kurze Clips profitieren von einer klar erkennbaren Aktion. Verben wie „geht“, „dreht sich um“, „öffnet“, „steigt auf“ oder „rotiert“ geben der Einstellung eine klare Richtung. Mehrere aufeinanderfolgende Handlungen können verkürzt, ausgelassen oder vermischt werden.
Schwach:
Ein Koch bereitet Essen zu, serviert, spricht mit Gästen, und das Restaurant wird zu einer Dachparty.
Stärker:
Ein Koch stellt das fertige Gericht auf den Tresen, während Dampf in das warme Küchenlicht aufsteigt.
Braucht die Geschichte mehrere Stationen, erzeuge getrennte Einstellungen und verbinde sie im Schnitt.
Umgebung: nur wirksame Details
Nenne Hintergründe, die Licht, Bewegung oder Bedeutung beeinflussen. „Bei Sonnenuntergang an einer windigen Küste“ ist hilfreicher als eine lange Liste von Gegenständen ohne Bezug zum Motiv.
Die Signale sollten zusammenpassen. „Heller Mittag“, „dunkles Kerzenlicht“ und „Neonnacht“ im selben kurzen Prompt geben widersprüchliche Lichtrichtungen vor, sofern gerade keine Verwandlung erzählt werden soll.
Kamera: Größe vor Bewegung
Kamerasprache wird klarer mit einer Reihenfolge:
- Einstellungsgröße: Totale, Halbnahe, Nahaufnahme, Makro;
- Winkel: Augenhöhe, Untersicht, Vogelperspektive;
- Bewegung: Kamerafahrt nach vorn oder hinten, Schwenk, Neigung, Umkreisung, Mitfahrt;
- Tempo: langsam, zurückhaltend, schnell, handgeführt.
Beispiel:
Halbnahe auf Augenhöhe, langsame seitliche Verfolgungsfahrt neben dem Läufer.
Eine absichtliche Kamerabewegung ist leichter zu steuern als „Drohne, Zoom, Orbit, Reißschwenk und Handkamera“ in einem Satz.
Bewegung an die Laufzeit anpassen
Veo3o1 bietet bei unterstützten Kombinationen 4, 6 und 8 Sekunden; Referenzbilder verwenden derzeit 8 Sekunden. Eine Vier-Sekunden-Einstellung muss schnell zu ihrem visuellen Punkt kommen. Acht Sekunden erlauben eine langsamere Enthüllung oder allmähliche Fahrt.
Fülle zusätzliche Zeit nicht mit unverbundenen Ereignissen. Verlängere lieber eine bedeutungsvolle Bewegung.
Wichtige Merkmale knapp schützen
Vorgaben sollten sparsam bleiben. Ein kurzer Schluss wie „roter Mantel bleibt unverändert, Produktproportionen stabil, kein Text“ kann häufiges Driften verhindern. Eine lange Negativliste verdrängt dagegen die positive Beschreibung.
Bei Anfangs- und Endbildern beschreibst du den Weg vom ersten zum zweiten Bild. Bei Referenzbildern erklärst du, wie sich das vorgegebene Motiv in einer neuen Einstellung verhält. Der Vergleich der Eingabemodi erläutert den Unterschied.
Drei wiederverwendbare Vorlagen
Produktaufnahme
[Produkt] auf [Fläche/Umgebung]. [Eine Produkt- oder Umgebungsbewegung]. [Größe und Winkel], [eine Kamerabewegung]. [Licht und Stimmung]. [Form/Farbe/Material] unverändert, kein zusätzlicher Text.
Figurenaufnahme
[Figurenidentität] [eine Handlung] in [Umgebung]. [Größe und Winkel], [Kamerabewegung]. [Licht und Stimmung]. [Kleidung/Gesicht/Haar] konsistent halten.
Einführende Einstellung
Ein [Ort] bei [Zeit/Wetter] mit [einer relevanten Umgebungsbewegung]. Weite [Winkel]-Einstellung, [Kamerabewegung], [Licht und Atmosphäre], realistische Größen und zurückhaltende Bewegung.
Wie im Schnitt iterieren
Speichere Prompt und Einstellungen jedes brauchbaren Ergebnisses. Ändere pro Versuch nur eine Variable: erst Handlung, dann Kamera, dann Licht. Ein optionaler Seed erleichtert Vergleiche, ersetzt aber keine klare Anweisung und garantiert kein identisches Ergebnis.
Prüfe vor der Generierung:
- Gibt es ein Hauptmotiv?
- Passt die Handlung in die gewählte Dauer?
- Hat die Kamera eine klare Aufgabe?
- Stimmen die Lichtangaben überein?
- Beschreiben Referenzen und Prompt dieselbe Identität?
- Passt das Seitenverhältnis zum Ziel?
- Sind die angezeigten Credits für diese Phase angemessen?