redirhan/kisa-video-kurallari

Kısa Video Kural Kitabı

Diese Datei trifft Entscheidungen einmalig und mit Begründung. Anstatt in jedem Video die Regeln neu zu durchdenken, lies dies, aktualisiere es mit Nutzerkommentaren. Die Zahlen stammen aus der Vermessung von 52 viralen Kurzvideos der letzten 12 Monate (Türkisch und Englisch, überwiegend sprechende Köpfe) und 12 Montage-Tutorials. Regeln mit der Kennzeichnung „Gemessen“ sind Messwerte; Regeln mit der Kennzeichnung „Aus Tutorials“ sind gemeinsame Behauptungen von mindestens 3 Trainer:innen.

Der kreative Leiter ist der Nutzer. Bevor du mit der ersten Montage beginnst, schlage die Strategie in einfacher Sprache vor (welche Aufnahmen, Hook, Betonungen, Stil) und warte auf die Zustimmung. Deine eigene Bewertung bedeutet nicht „fertig“; frage nach der Bewertung des Nutzers.

Arbeitsablauf (sprechender Kopf)

1. Lies das Material: Erstelle ein zeitgestempeltes Transkript (z.B. whisper.cpp -ojf oder WhisperX). Bereite eine komprimierte Textansicht vor, die Sätze und Pausen zeigt.
2. Schau nur an die schwierige Stelle: Wiederholungsaufnahmen, eine lange Pause, ein Schnittpunkt. Anstatt das Video von Anfang bis Ende anzusehen, untersuche ein paar Frames dieses Abschnitts und die Wortzeiten.
3. Schreibe ein Briefing: Welche Aufnahmen, welche Zeile ist der Knaller, welche Wörter werden betont. Der Rest ist mechanische Arbeit.
4. Führe aus: Mit deinem eigenen Werkzeug (NLE, ffmpeg, Remotion, HyperFrames, CapCut…). Schreibe niemals in die Quelldateien; lege die Ausgaben in einen separaten Ordner.
5. Messe und korrigiere: Vergleiche den Render mit Referenzen derselben Art (Schnittfrequenz, Untertitelhöhe, Lautstärke). Korrigiere zuerst den teuersten Unterschied, maximal 3 Runden; benenne dann den Rest deutlich.

Aufnahmeauswahl (Aufgabe des Regisseurs; der Code präzisiert nur)

• Wähle aus dem Transkript, nicht durch Vor- und Zurückspulen des Videos. Die beste Aufnahme für jeden Satz = die flüssige, meistens der nächste Versuch. Entferne „Ähm“, halbe Anfänge und wiederholte Wörter.
• Schnitte sitzen auf dem Wort: ~0,12 Sekunden vor dem ersten Wort, ~0,25 Sekunden nach dem letzten Wort; dringe niemals in ein benachbartes Wort ein. Zwei aus demselben Fluss geschnittene Teile treffen sich in der Mitte der Lücke.
• Markiere die Zeile, die den eigentlichen Punkt sagt, als Knaller (engster Bildausschnitt, ggf. Sound-Hit).
• Die Länge bestimmt das Material: Referenzen für sprechende Köpfe 20–150 Sekunden, Median 67 Sekunden (gemessen).

Hook (erste 3 Sekunden)

• Sprechen und Untertitel beginnen ab dem ersten Frame; kein stummer Eröffnungsplan. Erster Schnitt ~1–3 Sekunden.
• Bei Interviewausschnitten funktioniert ein fester Frage-/Titelkasten in den ersten Sekunden gut. Er soll verschwinden, bevor etwas anderes an seine Stelle tritt.
• Gemessen: Das häufigste Hook-Werkzeug ist dieser Titel. Bei 6 von 14 sprechenden Köpfen vorhanden (6–12 Sekunden lang roter Kasten mit weißen Großbuchstaben oder Text in Satzform, weiße Pillenform oder Videobreite-Titel).
• Gemessen: Bei türkischen Videos beträgt der Median des ersten Schnitts 3,6 Sekunden, es gibt keinen Schnitt innerhalb des Hooks. Der türkische Hook wird nicht durch einen Schnitt, sondern durch den Titel getragen.
• Aus Tutorials: In den ersten 3 Sekunden erhält der Zuschauer gleichzeitig Bewegung (ein Schubs, ein sich setzendes Element, eine physische Aktion), Ton und den Hook-Satz auf dem Bildschirm. Der Hook-Satz spricht den Zuschauer an oder gibt eine konkrete Behauptung/Zahl und deutet das Ergebnis an. Nach dem Hook soll das Tempo gleich bleiben; es soll keinen Abschnitt geben, in dem die Montage plötzlich dünner wird.

Untertitel und Betonung

• 1–3 Wörter pro Zelle. Teile bei Interpunktion und ≥ 0,3 Sekunden Pausen; überschreite niemals einen Schnitt. Keine Zelle kürzer als 0,35 Sekunden (sonst nimmt sie das nächste Wort auf). Bei ≤ 0,25 Sekunden Lücken bleibt die Schrift auf dem Bildschirm (kein Flackern).
• Der Untertitel ist das Transkript: Schreibe niemals, was nicht gesagt wird. Korrigiere nur Erkennungsfehler.
• Betonung wird nach VERSTÄNDNIS gewählt (Zahl, Gewinn, Name), nicht nach einem Rhythmus. Nicht ein einzelnes Wort, sondern der ganze Ausdruck. Obergrenze: ca. 1 Betonung alle 6–8 Sekunden.
• Gemessen: Gute Creator färben das Schlüsselwort INNERHALB des laufenden Untertitels, gleiche Größe, neu ein (gelb/grün). Nur Geldbeträge werden größer, etwa 1,2–1,4-fach. Eine separate, 1,5-fach größere Betonungszelle bleibt größer als alle Referenzen: selten verwenden, für Zahlen aufbewahren.
• Aussehen: fett, einfache serifenlose Schrift; weiße Schrift, schwarze Kontur + weicher Schatten, harter Schnitt. Betonung: fetter, warmes Gelb, ein einzelner, zurückfedernder „Pop“. Kein farbiges Glühen.
• Wähle frei lizenzierte (OFL) Schriftarten: Montserrat, Inter, Poppins, Figtree usw.
• Höhe (vom oberen Bildrand, 0 = oben, 1 = unten): Gesichtsmitte + 0,26, eingeklemmt zwischen 0,45–0,70. Gemessen: Hormozi 0,50; türkische Creator ~0,67, englischsprachige Köpfe 0,56, B-Roll-Erzählvideos 0,72–0,78.
• Der Untertitelstil passt sich dem Videostil an. Ruhige Expert:innen: Satzordnung, 2 Zeilen mit 4–6 Wörtern, weicher Schatten oder weiße Pille. Hohe Energie: 1–4 fette Wörter. Erzählvideos: kleiner, schmale Schrift, weiter unten im Bild. Bei Referenzen beträgt die Zeilenhöhe 0,023–0,04 des Bildes.
• Aus Tutorials: maximal 3 Wörter, untere Mitte des Bildes (Augen im oberen Drittel), kein Ton pro Untertitel, keine Füllwörter. Färbe Schlüsselwörter nach Verständnis (viele Editoren: grün = positiv, rot = negativ, gelb = sonstiges).

Bildausschnitt

• Neuer Bildausschnitt beim Schnitt ist eine STIL-Entscheidung, keine Regel. Gemessen: Bei 8 türkischen sprechenden Köpfen und in ruhigen Expertenvideos mit einer Kamera werden 0 % der Schnitte neu eingerahmt; bei englischen / energiegeladenen Montagen 71–75 % (Hormozi 0,90).
• High-Energy-Kit: Jeder Schnitt kommt mit einer sichtbaren Bildausschnittsänderung: Weit 1,0 / Eng 1,28 abwechselnd, Knaller-Zeile 1,38. Eine Änderung von 1,1 fällt nicht auf. Zoomzentrum = Gesicht. Langsamer Push (×1,08) bei den längsten 4–5 Einstellungen.
• Ruhiges-Experten-Kit: fester Bildausschnitt, Jump Cut ohne Neurahmung (oder Zweikamera-Weit/Eng-Schnitt), bei langen Einstellungen maximal ein langsamer Push (×1,03–1,05).
• Text hinter dem Sprecher (mit Personenmaske / Segmentierung): 1–2 Mal im Video, nur für ein großes Betonungswort, das in den leeren Bereich an der Wand passt. Halte die Maskenfenster kurz (≤ 12 Sekunden).
• Aus Tutorials: Nichts erscheint plötzlich. Jedes Element tritt mit Bewegung ein: schnelles Eintreten / langsames Austreten, kleines Anheben + Einblenden + von unscharf zu scharf. Fotos oder Screenshots setzen sich im Bildausschnitt fest. Bei festen Einstellungen 3–10 % langsamer Push.
• Aus Tutorials (Blickverfolgung): Der Fokuspunkt (Gesicht, neueste Karte, Schlüsselwort) soll während des Schnitts innerhalb von ~10 % seiner alten Position bleiben, besonders im Hook. Nur bewusst brechen.

Ton

• Erst der Ton (Sprechen). Effekte sind nur an etwas Sichtbares gebunden (ein Schnitt, eine sich setzende Betonung).
• Effekt beim Schnitt ist stilabhängig. Gemessen (mit Stem-Trennung): 8 von 14 guten sprechenden Köpfen haben KEINERLEI Effekt auf Schnitte (Hormozi: 12 %, Zufallsniveau 21 %). B-Roll- und gesichtslose Erzählvideos setzen bei 20–80 % der visuellen Änderungen Whoosh / Hit (deutlich über Zufall). Energiegeladene Creator binden den Ton nicht an den Schnitt, sondern an grafische Ereignisse (Zähler, sich in eine Reihenfolge setzendes Element). Hinweis: Bei gemischtem Ton kommen plötzliche Anstiege im Sprechen ohnehin etwa 4 Mal pro Sekunde vor; um Effekte zu zählen, messe nicht den gemischten Ton, sondern den getrennten Stem.
• Schlagton auf Betonung nur im High-Energy-Kit.
• Pegel, bezogen auf die p95-Spitze des Sprechens: UI/Pop −14 dB, Whoosh −12 dB, Hit −8 dB, Meme-Sound −3 dB. Anschwellende Töne setzen ihre Spitze auf den Schnitt, Hits ihren Anfang auf den Schnitt. Maximal 4,5 Effekte in 10 Sekunden, dazwischen ≥ 0,25 Sekunden.
• Meme-Sound kommt niemals über ein Wort.
• Auslieferung: −14 LUFS, True Peak ≤ −1 dBTP (messen, nicht schätzen).
• Musik. Gemessen: Bei 7 von 14 guten sprechenden Köpfen gibt es KEIN Musikbett. Wo vorhanden, liegt die Musik etwa 16 LU unter dem Sprechen (Median, integriert); High-Energy-Betten sind wärmer (10–12 LU darunter), Erzählvideos 16–22 LU darunter. Biete die Version ohne Musik als echte Option an, nicht als Backup.
• Aus Tutorials: Bei einer großen Bewegung (Zoom, Schießen, Peitsche, Szenenwechsel) sitzt der HÖHEPUNKT des Effekts auf dem Höhepunkt der Bewegung. Leichte Klick-/UI-Geräusche auf Text- und Icon-Pops. Riser nur, wenn wirklich eine Eröffnung kommt (Einführung des Ergebnisses), ein Hit direkt nach der Schlüsselzeile. Selten verwendet behält es seine Bedeutung. Die Musik hat eine Aufgabe: Sie bleibt 15–25 dB unter dem Sprechen, steigt am Wendepunkt (Problem → Lösung) an und wird leiser, um das Ende anzukündigen.

Enden und Übergänge (Feldrückmeldung)

• Beenden, während der Sprecher weiterspricht („deshalb“, „weil“, nächstes Wort < 0,7 Sekunden später): bis zum Ende des Gedankens verlängern. Das letzte Stück blendet mit Bild + Ton in 0,6 Sekunden ab.
• Übergangston: ein sanfter Whoosh: tiefe Frequenz, kein harter Angriff, −18 dB relativ zum Sprechen.
• Lange Einstellungen in Wortlücken in Jump-Zoom-Stücke teilen (≤ 4,2 Sekunden, im Hook ≤ 2,6 Sekunden); niemals innerhalb einer Betonungsphrase teilen. Auf diese Schnitte kommt kein Whoosh.
• Aus Tutorials: Große Übergänge nur an großen Stellen (Abschnitts- oder Ortswechsel). Überall sonst: harter Schnitt + J/L-Ton.

Intensität

• Die Montage unterstützt den Inhalt, sie wird nicht zum Star. Ein ruhiges oder persönliches Gespräch bekommt weniger Schnitte und Effekte; schneide nicht um des Schneidens willen. Eine interessante Einstellung kann lang bleiben.
• Die Schnittfrequenz ist typspezifisch: Kurzvideos mit intensiver Grafik in einer Einstellung (MrBeast, Zach King) gewinnen fast ohne Schnitte. Vergleiche nur mit demselben Typ.
• KI-Agenten schneiden wenig und behaupten viel: Sage deutlich, was nicht verifiziert ist.

Verbote

• Schnitt innerhalb eines Wortes; Untertitel, die über das Gesicht oder das Thema gelegt werden; Untertitel, die über einen Schnitt hinweggehen.
• Whoosh bei jedem Schnitt; Effekt lauter als das Sprechen (außer bei einem bewussten Meme-Sound).
• In der Vorlage verbliebener Platzhaltertext („Geben Sie Ihren Text hier ein“): immer ausfüllen und zurücklesen.
• Farbiges Glühen in der Schrift; Schrift, die noch auf dem Bildschirm steht, wenn die nächste Szene kommt.
• Das Bild oder den Ton einer Referenz in die Montage einfügen (Referenzen dienen nur zur Messung).

Stil-Kits (Zusammenfassung)

Kit	Bildausschnitt beim Schnitt	Effekt beim Schnitt	Untertitel	Musik
Ruhiger Experte	nein (oder zwei Kameras)	nein	Satzordnung, 2 Zeilen, 4–6 Wörter	nein oder ~16 LU darunter
Hohe Energie	bei jedem Schnitt 1,0 / 1,28, Knaller 1,38	an grafische Ereignisse gebunden, Hit auf Betonung	1–4 fette Wörter, Zahlen werden größer	10–12 LU darunter
B-Roll-Erzählung	—	20–80 % der visuellen Änderungen	klein, schmal, weiter unten (0,72–0,78)	16–22 LU darunter
Türkischer sprechender Kopf	nein	nein	~0,67 Höhe, Titel-Kasten-Hook	meistens nein