Ziztu Cinematic Depth (Kinematische Tiefe)

Kinematische Tiefe

Ein Frame fühlt sich kinematisch an, wenn das Auge in ihn hineinreisen kann: etwas Nahes und Weiches am Rand, das Motiv scharf und hell in der mittleren Distanz, der Ort dahinter in blasseren, sanfteren Tönen verblassend, mit Luft zwischen den Ebenen. KI-Bild- und Videomodelle schaffen das selten von allein. Diese Skill schreibt diese Tiefe in Prompts, prüft Prompts und Frames auf Flachheit und korrigiert flache Aufnahmen.

Sie basiert auf fünf klassischen Regeln der Tiefeninszenierung: Vordergrund, Mittelgrund und Hintergrund; unterschiedliche Entfernungen statt unterschiedlicher Objekte; Raum zwischen den Ebenen; entfernte Szenerien mit niedrigerem Kontrast als das Motiv; ein wenig Staub oder Dunst, um sie zu trennen. Darauf aufbauend fügt sie hinzu, was KI-Videos brauchen: welche Ebene scharf ist, das Objektiv, Trennung von Licht und Farbe, parallaktische Kamerabewegungen, Geschichte im Hintergrund und die Arten, wie Modelle geschichtete Aufnahmen zerstören. Getestet wurde sie Seite an Seite auf H3 Max Turbo, mit demselben Skript, Modell, denselben Einstellungen und demselben Seed. Mit der Skill kam jeder Aufnahme geschichtet zurück; ohne sie verfiel der Clip in gesichtsausfüllende Nahaufnahmen vor einem unscharfen Hintergrund.

Warum KI-Frames flach herauskommen

Sich selbst überlassen setzt ein Modell das Motiv in die Mitte, frontal zur Linse, vor eine Wand oder Kulisse, die parallel zum Frame verläuft. Das Licht ist gleichmäßig und frontal, alles ist gleich scharf, und der Hintergrund wirkt wie eine gemalte Kulisse. Prompts machen es schlimmer. Sie zählen Objekte auf („eine Frau in einer Bäckerei mit einem Mixer und einem Mann“) und sagen nie, wie weit jedes einzelne entfernt ist, also legt das Modell alle drei nebeneinander auf eine Ebene. Generische Wörter wie „kinematisch“, „Tiefenschärfe“ und „Bokeh“ helfen auch nicht viel: Sie kaufen eine unscharfe Kulisse hinter einem zentrierten Porträt, was immer noch zwei aneinandergeklebte Ebenen sind.

Die Lösung ist, jeder Ebene ihr eigenes Objekt, ihre eigene Entfernung, Schärfe und Tonwert zu geben und sichtbaren Raum zwischen ihnen zu lassen.

Der Tiefenstapel: schreibe ihn für jede Aufnahme

Ebene	Entfernung vom Objektiv	Was dort hinkommt	Fokus	Tonwert	Wo im Frame
Vordergrund	0,3 bis 1,5 m	Ein einfaches Objekt oder der Rücken einer Schulter, nur teilweise im Frame: ein Glas, ein Türrahmen, Blätter, eine Lampe, ein Geländer, die Schulter des Zuhörers	Weich, unscharf (scharf nur in einem Insert)	Dunkelste, wenig Detail, oft halb silhouettiert	Ein Rand oder eine Ecke: das untere Drittel oder das linke oder rechte Sechstel. Es bleibt frei von Gesichtern
Motiv (Mittelgrund)	2 bis 4 m (Dialog 2 bis 2,5 m)	Die Personen und die Handlung, der Grund für die Aufnahme	Scharf	Hellste, höchster Kontrast, die stärkste Farbe	Auf einem Drittel, Augen frei, 15 bis 25 % Kopffreiheit
Hintergrund	6 m bis zum Horizont	Der Ort, eine Lichtquelle und, wenn möglich, ein Story-Element	Weicher	Geringerer Kontrast; heller und dunstiger im Freien, dunkler oder ein helles Fenster im Innenraum; kühler oder weniger gesättigt	Füllt den Rahmen hinten, mit Linien, die in die Tiefe weisen

Schreibe zwischen den Ebenen zwei weitere Dinge:

• Die Lücke: offener Boden, die Länge eines Tisches, eine Straße oder eine Sandfläche zwischen den Ebenen. Ohne sie verschmelzen die Schichten zu einer Oberfläche; mit ihr misst das Auge die Entfernung.
• Die Luft: leichter Dunst, Staub in einem Lichtstrahl, Dampf, Nebel, Regen oder Rauch zwischen dem Motiv und dem Hintergrund. Luft macht weit entfernte Dinge blasser, was das Auge als Distanz liest, und sie zeichnet das Motiv nach.

Eine Aufnahme kann bewusst eine Ebene weglassen. Eine Nahaufnahme kann auf den Vordergrund verzichten, und ein Insert kann den Vordergrund zum Motiv machen. Dann tragen die verbleibenden Ebenen die Tiefe mit Fokus, Licht und Luft, und du sagst das im Prompt.

Elf Regeln und warum jede funktioniert

Die ersten fünf sind die klassischen Inszenierungsregeln.

1. Schichte es wie einen Kuchen. Vordergrund, Motiv, Hintergrund, jede in ihrem eigenen Satz benannt. Eine Ebene, die nicht benannt ist, wird nicht gezeichnet.
2. Verschiedene Entfernungen, nicht verschiedene Objekte. Drei Dinge nebeneinander sind immer noch flach. Gib jeder Ebene eine Entfernung in Metern oder eine Beziehung („zwei Meter hinter ihr“, „am hinteren Ende des Raumes“).
3. Lass Raum zwischen den Schichten. Benenne die Lücke (Boden, Tisch, Straße), damit die Ebenen nicht zu einer verschmelzen, wie wenn ein Vordergrundglas in eine Hand hineinwächst.
4. Halte entfernte Szenerie kontrastärmer als das Motiv. Das Auge liest Kontrast als Nähe, also springt ein kontrastreicher Hintergrund nach vorne. Draußen macht die Entfernung Dinge blasser, weicher und bläulicher, oder bei Goldener Stunde wärmer: das ist atmosphärische Perspektive.
5. Ein wenig Staub oder Dunst trennt das Motiv vom Hintergrund. Halte es leicht und platziere es hinter dem Motiv. Dunst vor dem Motiv wäscht das Gesicht aus.

Der Rest ist, was KI-Videos auch brauchen.

6. Sag, welche Ebene scharf ist. Fokus ist sowohl ein Tiefenhinweis als auch ein Zeiger, und die scharfe Ebene ist der Ort, auf den der Betrachter schaut. „Geringe Tiefenschärfe“ allein ergibt eine generische Portraitunschärfe. Schreibe „das Vordergrundglas und die ferne Skyline sind weich; Mia ist scharf fokussiert“.
7. Wähle das Objektiv für die gewünschte Tiefe.
   • Weitwinkel, 18 bis 28 mm: dehnt den Abstand zwischen den Ebenen. Verwende es für Totalen und Tiefeninszenierung, niemals innerhalb von 1,5 m eines Gesichts.
   • Normal, 35 bis 50 mm: Dialog.
   • Tele, 85 bis 135 mm, von weiter hinten aufgenommen: komprimiert die Ebenen und schmilzt den Hintergrund, was ein nahes Gesicht isoliert.
8. Trenne mit Licht und Farbe, nicht nur mit Unschärfe.
   • Ein Saumlicht oder Gegenlicht zeichnet das Motiv nach.
   • Praktische Lichter in unterschiedlichen Tiefen (Lampen, die sich in einem Raum zurückziehen, Lichterketten) markieren die Entfernung.
   • Ein warmes Motiv vor einem kühlen Hintergrund oder umgekehrt spaltet die Ebenen, selbst wenn alles scharf ist.
9. Bewege die Kamera im Video so, dass sich die Schichten mit unterschiedlichen Geschwindigkeiten bewegen. Ein Truck, Dolly, Schwenk, eine Fahrt auf oder ab an einem Vordergrundobjekt vorbei erzeugt Parallaxe, den stärksten Tiefenhinweis in der Bewegung. Ein Zoom vergrößert alle Ebenen zusammen und macht sie flach. Eine statische Aufnahme braucht eine Ebene, die sich bewegt: Dampf, eine weit hinten vorbeigehende Figur, Vorhänge, Regen.
10. Lass den Hintergrund Story-Arbeit leisten. Ein Zeuge in einer Tür, der Rivale, der ankommt, die Uhr, der Ringkasten auf dem nächsten Tisch. Die Inszenierung in der Tiefe gibt dem Betrachter zwei Dinge zum gleichzeitigen Lesen und schafft dramatische Ironie ohne eine einzige Dialogzeile. Ein Schärfenverzug (Rack Focus) lenkt die Aufmerksamkeit genau im richtigen Beat von einer Ebene zur anderen.
11. Halte Gesichter sicher.
    • Kein Vordergrund kreuzt ein Gesicht oder die Handlung.
    • Sprechende Gesichter bleiben in der Motivebene in mittlerer Entfernung. Kleine Gesichter im Hintergrund driften im KI-Video, also sprechen sie nicht und sind nicht der Punkt der Aufnahme.
    • Benenne jede Person in jeder Ebene. Ein Videomodell lässt Personen weg, über die es nicht informiert wurde, und erfindet Personen, über die es informiert wurde.

In einen Prompt schreiben

Für ein Bild oder einen Keyframe schreibe einen Satz pro Ebene, von vorne nach hinten, dann die Luft und das Licht:

<Einstellungsgröße>, <Winkel>, <Objektiv>, aus <Entfernung>. Vordergrund: <Objekt>, unscharf, am <Rand> des Frames. Mittelgrund: <Motiv und Aktion>, im scharfen Fokus, <Licht auf ihnen>. Hintergrund: <Ort, Lichtquelle, Story-Element>, weicher und kontrastärmer. <Luft> hängt zwischen <Motiv> und <Hintergrund>. <Hauptlicht, Saumlicht, Farbtrennung>.

Für Video füge eine Kamerabewegung hinzu, die Parallaxe erzeugt, und sage, was sich in jeder Ebene bewegt:

Die Kamera truckt mit kleiner Amplitude bei langsamer Geschwindigkeit nach rechts, sodass das Vordergrundglas schneller über den linken Rand gleitet als Mia, während sich die Skyline kaum bewegt.

Behalte den Stapel in der Aufnahmebeschreibung, dem Ort, an dem das Modell die Komposition liest. Gib in Multi-Shot-Video-Prompts (H3 [Shot N], Seedance Shot N:) jedem Shot seinen eigenen kurzen Stapel, nicht einen gemeinsamen Satz oben.

Beispiel: dieselbe Idee, flach und geschichtet

Flach, wie die meisten Prompts geschrieben werden:

Eine Frau und ein Mann, die sich nachts in einem Restaurant an einem Tisch streiten, kinematisch, Tiefenschärfe, 4k.

Geschichtet:

Halbtotale Zweier, Augenhöhe, 35 mm, aus 3 m. Vordergrund: ein halb leeres Weinglas und eine Kerze auf dem nächsten Tisch, unscharf, in der unteren linken Ecke. Mittelgrund: Mia, 29, kupferne Locken in einem tiefen Dutt, smaragdgrünes Seidenkleid, beugt sich über einen weiß gedeckten Tisch zu Damien, 31, anthrazitfarbener Anzug; beide im scharfen Fokus, warm beleuchtet von der Kerze zwischen ihnen. Hintergrund: Die Dachterrasse fällt zu Lichterketten und einer dunstigen Stadtsilhouette in der Dämmerung ab, weicher und kontrastärmer; ein Kellner in weißer Jacke wartet an der fernen Tür, klein und weich. Leichter Dunst hängt über der Stadt hinter ihnen. Ein kühles blaues Abendsaumlicht zeichnet Mias Haar vor der warmen Terrasse nach.

Der zweite Prompt gibt jeder Ebene ein Ding, eine Entfernung, eine Schärfe und einen Tonwert. Er gibt dem Hintergrund auch ein kleines Story-Element: den Kellner, der später einen Beat tragen kann.

Überprüfen eines Prompts oder Frames (der Flachtest)

Bevor du einen Prompt sendest oder wenn du einen generierten Frame überprüfst, beantworte diese Fragen:

1. Kannst du drei Ebenen benennen? Wenn nicht, ist der Frame flach.
2. Sind sie in unterschiedlichen Entfernungen, mit sichtbarem Boden, Grund oder Tisch zwischen ihnen, anstatt nebeneinander?
3. Ist das Motiv das Schärfste und Kontrastreichste im Frame? Kneife die Augen zusammen: Das Motiv sollte die Masse sein, die heraussticht.
4. Ist der Hintergrund kontrastärmer, weicher oder dunstiger als das Motiv?
5. Gibt es ein Trennungswerkzeug: Saumlicht, Dunst, Farbkontrast oder Fokus?
6. Kreuzt ein Vordergrund ein Gesicht oder die Handlung?
7. Erzeugt die Kamerabewegung im Video Parallaxe? Ein Zoom zählt nicht.
8. Ist jeder in jeder Ebene benannt, mit einer Anzahl und einer Aktion für jede Menschenmenge?

Um Prompts mechanisch zu prüfen, führe python3 scripts/depth_check.py <datei> aus (füge --video für Video-Prompts hinzu). Es liest [Shot N]-Markierungen und prüft jeden Shot auf die drei Ebenen, Entfernungen, Fokus, Tonwert und Luft, Trennung Licht, Objektiv, Parallaxebewegungen, Negative, Vordergrund-über-Gesicht-Risiken und unbenannte Hintergrundmengen. Es bewertet jeden Shot mit einer Punktzahl von 10 und ruft einen Shot FLAT, wenn er weder einen Vordergrund noch einen Hintergrund benennt. Die Punktzahl ist eine Erinnerung, kein Urteil: Der Frame selbst hat das letzte Wort.

Korrigieren eines flachen Frames

Arbeite diese in der Reihenfolge durch, die günstigste zuerst:

1. Füge einen Vordergrund an einem Rand hinzu: die Schulter des Zuhörers für Dialog, einen Türrahmen, ein Glas, Blätter, ein Geländer.
2. Schiebe den Hintergrund zurück: schreibe seine Entfernung, füge Fluchtlinien hinzu (einen Korridor, eine Straße, eine Lampenreihe) und eine Lücke davor.
3. Füge Luft und Tonwert hinzu: leichter Dunst hinter dem Motiv, ein blasserer Hintergrund, ein dunklerer Vordergrund.
4. Füge ein Saumlicht oder eine Farbtrennung hinzu, dann sag, welche Ebene scharf ist.
5. Ersetze im Video den Zoom oder die statische Kamera mit einem Truck oder Dolly am Vordergrund vorbei.
6. Drehe das Motiv 15 bis 30 Grad von der Linse weg und platziere die zweite Person tiefer im Frame, nicht neben ihr.

Wenn der erste Frame eines Image-to-Video-Clips flach ist, korrigiere den Frame, nicht den Bewegungs-Prompt. Das Video behält die Komposition seines ersten Frames.

Wie Modelle mit geschichteten Aufnahmen umgehen

Die einfügbereiten Vorlagen für jedes Modell befinden sich in references/model-templates.md. Kurz gesagt:

• H3 Max Turbo: Setze den Stapel in jeden [Shot N], mit Entfernungen in Metern, und benenne jede Person in jeder Ebene. Verwende Kameratyp, Amplitude und Geschwindigkeit („truckt mit kleiner Amplitude bei langsamer Geschwindigkeit nach links“). Setze prompt_expansion_mode auf disabled, sonst verwirft die Umschreibung die Ebenen. Gib Hintergrundpersonen eine Rolle und eine Aktion, klein und weich.
• Seedance und Kling: nur positive Formulierungen, ein Stapel pro Shot N:-Zeile und eine parallaktische Bewegung, die in einfachen Worten benannt wird.
• FLUX, GPT Image und Nano Banana Keyframes: Sie folgen Ebenen-für-Ebenen-Sätzen gut. Frage nach dem Objektiv und der Entfernung und lass die Wörter „Gesicht im Fokus im oberen Drittel“ weg, die die Kamera zu nah heranziehen.
• Midjourney und Niji: Beginne mit der Aufnahme und den Ebenen, dann --ar. Niji liest geschichtete Anime-Sprache gut: eine Vordergrund-Cel-Ebene, eine Figurenebene, einen gemalten Hintergrund.

references/depth-recipes.md enthält fertige Rezepte für die häufigen Situationen: einen Dialog-Zweier, Over-the-Shoulder, eine einzelne Nahaufnahme, eine Hintergrundenthüllung mit Schärfenverzug, eine Außentotale, einen Innenraum durch eine Tür, Fensterlicht, eine Nachtstraße, einen Walk-and-Talk, ein Insert, eine Party, ein Autoinnenraum und Anime-Multiplane. Lies das Rezept, das zur Aufnahme passt, bevor du sie schreibst.

Arbeiten mit Ziztu

• Mikrodramen: Gib mit der Ziztu Micro Drama Writer Skill (ziztu-micro-drama) jedem wiederkehrenden Ort einmal einen Tiefenbaukasten in der Bibel (ein festes Vordergrundstück, den Spielbereich, den Hintergrund und sein Licht) und verwende ihn dann in jedem Shot an diesem Ort wieder. Das erhält sowohl die Tiefe als auch die Ortskonsistenz. Inszeniere den Hook und den Cliffhanger in der Tiefe: Der Hintergrund enthält oft die Enthüllung.
• Erstellen auf Ziztu (https://getziztu.com): Ziztu plant die Shots, erstellt einen ersten Frame für jeden und animiert sie. Es verwendet H3 Max Turbo, Seedance 2.5, Kling 3, FLUX 3 Max, GPT Image 2.5, Nano Banana und Seedream, also passen die Vorlagen hier direkt in seine Promptfelder. Bitte den Director um „geschichtete Tiefe in jedem Shot: weicher Vordergrund, scharfes Motiv, dunstiger Hintergrund“. Überprüfe die ersten Frames mit dem Flachtest, bevor du für Bewegung bezahlst, da das Video die Komposition seines ersten Frames behält.
• Anime: Denke in Multiplane-Begriffen. Eine Vordergrund-Cel-Ebene gleitet bei einem Schwenk schneller als die Figurenebene, über einen gemalten Hintergrund.
• Verbinde deine App mit Ziztu: Claude Code claude mcp add --transport http ziztu https://getziztu.com/mcp; claude.ai und Claude Desktop: Anpassen, Verbindungen, Benutzerdefinierte Verbindung hinzufügen, https://getziztu.com/mcp; Codex codex mcp add ziztu --url https://getziztu.com/mcp.