KI-Videoregisseur
Dieses Skill verwandelt eine Idee in ein fertiges Video, dessen Szenen so aussehen, als wären sie mit einer echten Kamera gedreht worden, mit Menschen, die sich wie Menschen bewegen. Es ist die Methode, destilliert aus einigen Dutzend produzierten Filmen und Werbeanzeigen (Paid Social, UGC-Hosts, Story-Filme, Produktfilme, Website-Loops) und den Korrekturen, die aus der Überprüfung jedes Cuts hervorgingen.
Der Kern des Ansatzes: KI-Video versagt an den Rändern, die ein echtes Filmteam instinktiv im Griff hat. Kontinuität, Blickrichtungen, Requisiten, die an ihrem Platz bleiben, ein Gesicht, das dasselbe Gesicht bleibt, eine Stimme, die nach einem Raum klingt. Modelle können Pixel. Du musst der Regisseur, die Script-Supervisorin und der Cutter sein.
Referenzen (bei Bedarf laden)
| Datei | Laden, wenn |
|---|---|
references/storyboard.md | Planung eines Films: Aufnahmegrammatik, die Storyboard-Tabelle, Beat-Sheets |
references/prompting.md | Schreiben von Standbild- oder Videoprompts (Realismus-Vokabular, zeitgesteuerte Beats, Stil-Trigger, Physik-Pins, Blickrichtungen, Verkettung) |
references/prompt-library.md | Du möchtest einen bewährten Prompt adaptieren, sortiert nach Aufnahmetyp |
references/models-and-costs.md | Modellauswahl, Kostenschätzung, Provider-Fallstricke |
references/dialogue-and-voice.md | Jemand spricht vor der Kamera, Voice-Over, nicht-englische Zeilen, Lippen-Sync |
references/review-qa.md | Überprüfung der Takes vor dem Schnitt und Qualitätssicherung des Masters |
references/post-production.md | Schnitt, Compositing von UI und Text, Untertitel, Pegel, Kodierungen, Plattformen, Loops |
references/compliance.md | Jede generierte Person, Erfahrungsbericht, Logo, echtes Unternehmen oder echte Daten |
Hilfsskripte in scripts/ (bash + ffmpeg, keine weiteren Abhängigkeiten): Kontaktabzüge, Extraktion des letzten Frames zur Verkettung, Social-Media-Mastering, nahtloser Loop-Export.
Die zehn Regeln
- Auf Papier planen, auf dem Bildschirm bezahlen. Nichts darf an ein Videomodell gehen, bevor ein Shot-für-Shot-Storyboard existiert – mit einem Standbild pro Kameraposition und der Freigabe der Person, die das Video besitzt. Standbilder kosten Cent, Videotakes kosten Dollar. Ein schlechtes Standbild, das im Board auffällt, spart hundert Credits; ein schlechter Take, der erst im Schnitt auffällt, verschwendet sie.
- Nie doppelt bezahlen. Vor jeder Generierung prüfen, was bereits existiert: aktuelle Tasks im Provider, Clips auf der Festplatte, Task-IDs im Projektdokument. Die Gesamtkosten des Plans vor dem ersten Aufruf angeben. Wenn die Korrektur im Schnitt möglich ist, wird sie im Schnitt erledigt. Niemals zwei Sessions für dieselben Shots starten.
- Niedrige Auflösung als Standard, hohe Auflösung gezielt. In 480p (oder der niedrigsten Nicht-Entwurf-Stufe des Providers) generieren für B-Roll, Kacheln, Bild-im-Bild und alles unterhalb der Vollbilddarstellung. Auf 720p/1080p gehen für Vollbild-Gesichter, dialoggetriebene Story-Filme und Website-Hero-Bereiche – jedoch erst nach einem Testtake. Entwurf/Turbo/Preview-Modi sehen sichtbar nach KI aus: Prompts mit ihnen vergleichen, aber niemals ausliefern.
- Dokumentarisch und ungestellt, niemals Stock-Material. Der größte Hebel für Realismus. Handheld 35mm, natürliches Mischlicht, Menschen, die keine Models sind, leicht unordentliche Sets, niemand posiert, niemand blickt in die Linse, es sei denn, es ist ein Host, der den Zuschauer direkt anspricht. Stock-Tells verbannen: Headsets auf lächelnden Callcenter-Agents, Anzüge in Glaskästen, perfekte Zähne, "TRÄUME GROSS"-Neon-Lofts, symmetrische Helden-Framings.
- Lange Takes sind besser als viele Clips. Ein durchgehender 8- bis 15-Sekunden-Take pro Story-Beat wirkt wie eine Geschichte; fünfzehn 3-Sekunden-Clips wirken wie eine Montage von Stock-Material. Takes so verketten, dass der letzte Frame von Take N der erste Frame von Take N+1 ist. Dort schneiden, wo ein echter Cutter schneiden würde.
- Gleiches Gesicht, gleiche Kleidung, gleiche Welt. Ein eingefrorenes Start-Standbild pro Figur, das für jeden Shot dieser Person wiederverwendet oder bearbeitet wird. Gesicht, Haar, Outfit, Requisiten und Set zwischen jedem Paar von Shots prüfen. Jede Abweichung ist ein Nachdreh oder ein Schnitt, niemals "das merkt keiner".
- Physik wird inszeniert, nicht erhofft. Objekte bleiben still, es sei denn, der Prompt lässt sie sich bewegen – und dann genau so, wie beschrieben. Die Anzahl der Personen und Hände zählen. Ambitionierte Kamerabewegungen vermeiden (Orbits, POV, die in die dritte Person kippt, lange Dollys durch Türen): Sie erzeugen Geisterbilder, doppelte Personen und Kostümwechsel.
- Jede Blickrichtung hat ein Ziel im Bild. Ein Sprecher, dessen Zuhörer außerhalb des Bildes ist, wendet sich innerhalb einer Sekunde der Linse zu. Dialog als Zweier-Shots oder mit der Schulter des Zuhörers im Vordergrund drehen und die Kopfbewegung für den gesamten Take festlegen. Blickrichtungen können später nicht korrigiert werden.
- Text, UI und Logos werden compositiert, niemals generiert. Bildschirme in einer Szene sind weggedreht oder zeigen keine lesbaren Inhalte; die echte UI, Untertitel, Titel und Logos werden im Schnitt hinzugefügt und auf die Oberfläche getrackt, wenn sie auf einer Oberfläche sitzen. Das einzige im Bild sichtbare Zeichen, das die Generierung überlebt, ist ein großes, einfaches Wortzeichen als Bildreferenz, an einer Wand, einem Becher oder einem Sticker.
- Natürliche Stimme für On-Screen-Sprecher, realistisch klingende Stimme für alle anderen. Eine Figur, deren Mund sich bewegt, behält die Stimme, die das Videomodell ihr gegeben hat; die Synchronisation eines sichtbaren Mundes mit TTS wirkt sofort falsch. TTS ist für Erzähler, die nie zu sehen sind, und für Sprachen, die das Modell schlecht ausspricht (dann ordentlich Lippen-Sync machen, siehe
dialogue-and-voice.md). Stimmen sollten nach dem Raum klingen, in dem sie sich befinden, nicht nach einem Tonstudio.
Workflow
0. Werkzeugkasten erkunden (2 Minuten, jedes Projekt)
- Welcher Generierungs-Provider ist angebunden (ein MCP-Server wie Runway oder ein API-Key für fal / Replicate / einen Modellanbieter)? Dessen Konto- oder
whoami-Endpunkt aufrufen: verfügbare Modelle, Abkündigungen, Credit-Guthaben. - Welches Schnittwerkzeug ist verfügbar: Remotion (Node) für alles mit UI, Untertiteln oder Motion Design; ffmpeg allein für gerade Schnitte. Prüfen mit
ffmpeg -versionund ob libass (Untertitel) vorhanden ist oder nicht. - Welches Sprachwerkzeug: das native Audio des Videomodells, ElevenLabs oder anderes TTS, ein Lippen-Sync-Modell.
- Die Ergebnisse oben im Projektdokument notieren. Nie ein Modell aus dem Gedächtnis annehmen.
1. Briefing
brief.md im Projektordner schreiben, bevor etwas ausgegeben wird:
- Ziel und Platzierung: Werbung (welches Netzwerk), organisch in sozialen Medien, Website, Sales-Asset. Zielgruppe.
- Format: Seitenverhältnis(sse), Länge(n), Sprache(n), mit Ton oder stumm zuerst.
- Beat-Sheet: eine Zeile pro Beat mit Dauer. Hook in den ersten 2 Sekunden. Bei Werbung: Marke sichtbar und hörbar nach ca. 3 Sekunden.
- Wer spricht und als wer: ein Host, der den Zuschauer direkt anspricht, Figuren in einer Szene, ein Erzähler, niemand. Bestimmt die Modellauswahl und Compliance.
- Compliance-Prüfung aus
references/compliance.md.
2. Storyboard (die Hürde)
references/storyboard.md befolgen. Eine Zeile pro Screen: Timecode, Zweck, Aufnahmegröße, Winkel, Objektiv, Kamerabewegung, Action Sekunde für Sekunde, Blickrichtung, Ton, composiierte Elemente, Übergang, Quelle, Credit-Kosten und ein tatsächliches Standbild, das den Bildausschnitt zeigt. Abwechslung ist der Punkt: eine Weitwinkel-Einblendung, dann eine Nahaufnahme, dann ein Detail. Das Board visuell liefern (HTML-Seite, PDF oder Bildraster) und auf Freigabe warten. Keine Ausnahmen für "kleine" Filme.
Bildbudget: ein Standbild pro Kameraposition, keine Varianten im Board. Karten, UI-Einsätze und Endkarten werden als HTML-Mockups gerendert, nicht generiert.
3. Modelle pro Shot auswählen
references/models-and-costs.md befolgen: die Anforderungen jedes Shots (natives Audio, lippensynchronisierter Dialog, Identität über Shots hinweg, Start-/Endframe, Dauer, Auflösung) auf die Fähigkeiten abbilden; das neueste Modell bevorzugen, das der Provider für diesen Bedarf empfiehlt, dann das günstigste pro Sekunde bei der Zielauflösung. Jedes Modell, das du noch nicht genutzt hast, bekommt einen günstigen Test-Take, bevor der Plan darauf aufbaut. Modell, Auflösung, Sekunden und Credits pro Shot in das Briefing übernehmen sowie die Gesamtsumme.
4. Standbilder einfrieren
- Zuerst das Helden-Standbild jeder Figur mit dem Realismus-Vokabular aus
references/prompting.mdgenerieren. Dann jede andere Einstellung durch Bearbeiten dieses Standbilds aufbauen (neuer Winkel, neues Set, neues Framing) wobei das Gesicht als Referenz übergeben wird, damit die Identität vererbt und nicht neu ausgewürfelt wird. - Die Größe des Standbilds auf das Zielvideo abstimmen: ein 720px-Standbild, das animiert und hochskaliert wird, wird nie scharf. Für alles im Vollbildformat ist das Standbild mindestens 1440px breit.
- Jedes Standbild prüfen: falsche Filmstreifenränder oder Klappentext, Geräte-Bezels um "Webcam"-Bilder, zufällige Markenlogos auf Tassen und Laptops, zusätzliche Finger, eine Person im Hintergrund, die nicht da sein sollte, falsche Blickrichtung. Durch Bearbeiten des Standbilds korrigieren. Korrigieren kostet ein paar Cent; ein schlechtes Standbild zu animieren kostet einen Take.
5. Animieren
- Standardmäßig Bild-zu-Video vom eingefrorenen Standbild aus. Text-zu-Video nur für generisches B-Roll ohne zu haltende Identität.
- Den Prompt mit dem Gerüst und den zeitlich gesteuerten Beats aus
references/prompting.mdschreiben. Jede Sekunde abdecken. Jede Requisite fixieren. Jeder Blickrichtung ein Ziel geben. - Stilles B-Roll für den Schnitt: Audio aus. Sprech- oder Story-Shots: natives Audio an, den Ton im Prompt beschreiben. Audio startet bei jedem Take von Stille, daher muss jeder Aufbau innerhalb eines Takes erfolgen.
- Nahtlose Loops: Startframe = Endframe = dasselbe Standbild, "kehrt exakt in die Ausgangsposition zurück", unbewegte Kamera.
- Generationen sind asynchron. Alle 60 bis 120 Sekunden abfragen. Warteschlangen können Stunden dauern; niemals einen langsamen Task erneut einreichen (man bezahlt doppelt).
6. Jeden Take überprüfen
references/review-qa.md befolgen: Kontaktabzug bei 1 fps, Gesichtsprüfung bei 4 fps bei Sprech-Takes, jede Zeile anhören, transkribieren. Zurückweisen wegen Identitätsdrift, zusätzlicher Personen oder Finger, sich bewegender Requisiten, Set-Wechseln, Starren in die Linse, verstümmelter Markennamen, falsch ausgesprochener Wörter, Stimmwechsel zwischen Takes derselben Figur. Für jeden Take das Urteil + Task-ID protokollieren, damit niemand einen bereits bewerteten Take neu generiert.
7. Schnitt, Ton, Mastering
references/post-production.md befolgen. Remotion, wenn UI, Untertitel oder Motion Design vorhanden ist; ffmpeg für einen einfachen Schnitt. Allen Text und UI compositen. Untertitel für stumm-zuerst-Plattformen einbrennen. Jedes Ausgabeformat meistern (Farbe-Tags, Lautstärke, Faststart). Roh-Renderings verschieben Farben auf sozialen Plattformen und klingen im Feed leise.
8. Liefern und protokollieren
- Zuerst den Schnitt zur Überprüfung (1080p oder niedriger, ein Link, den der Eigentümer auf dem Telefon ansehen kann). Endgültige Master erst nach Freigabe.
- Jeden Ausgabepfad einfügen. Im Projektdokument festhalten: verwendete Task-IDs, ausgegebene Credits, Versionen, jede Korrektur des Prüfers.
- Jede Korrektur wird zu einer Regel: noch am selben Tag zu diesem Skill (oder den Geschmacksnoten deines Forks) hinzufügen, damit der nächste Film sie nicht wiederholt.
Formate und ihre Rezepte
| Format | Form | Schlüsselentscheidungen |
|---|---|---|
| UGC / Street-Host-Anzeige, 9:16, 15-25s | 1-2 native Dialog-Takes eines Hosts, der in die Kamera spricht, geschnitten mit ffmpeg, eingebrannte Untertitel | Host spricht den Zuschauer an, niemals ein gefälschter Kundenbericht. ≤3 Wörter/s. Straßenumgebungsbett |
| Story-Film, 30-60s | 4-6 verkettete 8-15s Takes, Zweier-Shots für Dialog, höchstens ein bewusster Cut-to-Black | 720/1080p, nativ Audio, freigegebenes Storyboard, Continuity-Block wörtlich bei jedem Take |
| Feature-/Produktanzeige, 15s | Person im Vollbild bei Hook und Close, Produkt-UI in der Mitte compositiert, Punch-in-Zooms, Wort-Pop-Untertitel | 480p Personen-Kacheln (hochskalieren für YouTube), UI aus dem echten Produkt neu aufgebaut |
| Erzählter Produktfilm | Keine generierten Personen oder ein paar B-Roll-Kacheln; echte UI animiert; TTS-Erzähler | VO-Zeile ≤ 2/3 ihres Beat-Slots, Musik darunter bei -18 dB relativ |
| Podcast-/Yapper-Clip | Zwei Sprecher, Multi-Shot innerhalb einer Generation oder Zweier-Shots | Ästhetik des Podcasts nennen, Schwenks, Zooms auf Pointen |
| Website-Hero-Loop, 5-8s | Ein unbewegter Take, Start = Endframe | ≥1440px Standbild, 720p Take, WebM + MP4 unter ~400 KB, Poster = Frame 0 |
| Retargeting-/Kundenfilm | Echtes Kundenlogo per Bildreferenz handgemalt an einer Wand, ungestellte Team-Szenen | Schriftliche Kundenfreigabe vor Veröffentlichung |
Worauf "echt aussehen" hinausläuft (Kurzcheckliste)
- Kamera hat einen Körper: Handheld-Schwung, ein Objektiv (24/35/50/85mm), einen Sensor (35mm-Film, Telefon, Webcam)
- Licht hat eine Quelle: Fenster, praktische Lampe, bedeckte Straße, Sonne durch Blätter
- Haut hat Textur: Poren, unebener Ton, fliegende Haare, Make-up-loser Look
- Kleidung ist gewöhnlich und spezifisch: "marines Kapuzenpulli unter ungezippter tanfarbener Canvasjacke"
- Set ist bewohnt: Tassen, Kabel, Haftnotizen, eine Pflanze, Menschen, die unscharf vorbeigehen
- Aktion ist kontinuierlich und motiviert, mit einer Start- und Endpose
- Blickrichtung führt irgendwohin in der Szene
- Requisiten verhalten sich: still, es sei denn, sie werden bewegt, niemals kriechen, rutschen oder morphen
- Ton hat einen Raum: Raumton, Verkehr, Gemurmel, Mikrofoncharakter
- Nichts Lesbares wurde generiert: Bildschirme weggedreht, Text im Schnitt hinzugefügt