Video Generation Workflow
Die Goldenen Regeln
Fehler im Bild = Fehler im Video
Sieht das Referenzbild unsauber aus oder hat zu wenig Details, wird das Video genauso aussehen. Sauber arbeiten zahlt sich hier direkt aus.
Erst 480p checken, dann erst 720p rendern
Erst in 480p testen, ob Prompt und Szene funktionieren. Klappt es nicht, lieber in 480p anpassen statt direkt in 720p weiterzuprobieren.
Keine Metaphern im Prompt
Die Modelle verstehen bildliche Sprache schlecht. Konkret und direkt beschreiben, was zu sehen sein soll.
Konkrete Vorstellungen müssen visualisiert werden
Hast du ein bestimmtes Framing oder eine bestimmte Einstellung im Kopf, gestalte sie vorher als Bild. Verlass dich nicht darauf, dass der Prompt allein das trifft.
"Kein Slow-Mo" explizit dazuschreiben, wenn relevant
Ohne diesen Hinweis rutschen manche Modelle gerne ins Slow-Motion, auch wenn das gar nicht gewollt ist.
Keine Perfektion & Reproduzierbarkeit versprechen!
Die Ergebnisse sind nicht immer gleich und selten perfekt beim ersten Versuch. Das offen kommunizieren, statt etwas zu versprechen, das sich nicht halten lässt.
01 Assets vorbereiten
Charaktere
Zeig deine Charaktere aus verschiedenen Winkeln und im passenden Setting, im Realitätsgrad, den du am Ende haben willst. Je besser diese Bilder sind, desto näher kommt das fertige Video an das ran, was du dir vorstellst. Exportier die Bilder als Collage, dann greifen die Modelle beim Generieren zuverlässig auf alle Referenzen des Charakters zu.
Prompts
Props & Locations
Objekte, die immer wieder vorkommen, und Orte solltest du vorher visualisieren. Mint kann Hintergründe automatisch erzeugen, für mehr Kontrolle nehme ich trotzdem meistens Cream, Seedream funktioniert hier richtig gut. Die Hintergründe müssen dabei nicht mal scharf sein.
Prompts
Videopaket Calmasan
Charakter
Objekte
Locations
02 BILDER GENERIEREN
Storyboard Bilder lohnen sich aus zwei Gründen. Erstens lassen sie sich super mit Kunden absprechen, weil eine Bildvisualisierung günstiger und schneller ist als ein Video und dabei oft schon einiges an Diskussion vorwegnimmt. Zweitens macht es Sinn, konkrete Einstellungen vorher festzulegen, wenn du die genau so haben willst. Achtung: AI Artefakte oder sonstige Fehler im Bild landen genauso im Video.
Für die Bilder kannst du Mint nehmen, ich bin am Ende aber meistens auf Cream ausgewichen, weil ich da den Detailgrad bekomme, den ich möchte. Meist mit Nano Banana 2 oder GPT 2.
Prompts
Storyboard muscle active
03 PROMPT SCHREIBEN
Die Video Prompts schreibt Mint auf Basis vom hochgeladenen Skript vor. Weil sich bei Tetesept relativ viel geändert hat und die Prompts von Mint nicht immer gut sind, habe ich sie meistens nochmal mit Claude überarbeitet, über den Prompt Skill, der die einzelnen Modelle und ihren Prompt Aufbau kennt.
Skill: video-prompt-engineering - ist für die Organisation freigegeben
Referenzen funktionieren beim Video anders als beim Bild, deshalb füge ich sie manuell ein oder sage Claude direkt, welche eingebaut werden sollen. Ein Punkt, den man leicht übersieht: Referenzen können beim Neu Generieren verschwinden, also lieber nochmal kontrollieren. Alte Prompts findest du übrigens, wenn du auf das jeweilige Video klickst.
04 + 05 480p Videos + Prompts anpassen
Die Videos für die Storyline entstehen meistens in Mint, außer es klappt gar nicht. Oft reicht es, die Referenzen und das vorherige Video als Kontext mitzugeben, manchmal aber eben nicht, da musst du einfach ein bisschen testen.
Generier grundsätzlich zuerst in 480p. Fehler passieren immer wieder, und wenn du direkt in 720p ausprobierst, hast du bei einem einzigen Video ganz schnell 100 € an Credits verbrannt. Funktioniert nur ein Teil vom Prompt nicht, kannst du ihn auch einfach aufsplitten, statt alles neu zu generieren.
Die Videos müssen nicht perfekt sein. Lad dir alle Varianten runter, speicher sie ab (wirklich wichtig) und probier in Premiere aus, ob sie sich gut aneinanderschneiden lassen. Den Prompt selbst justiere ich dann so lange mit Claude nach, bis es passt. Manchmal funktionieren lange Prompts besser, manchmal kurze, das ist Ausprobieren.
Prompts
05 720p VIDEOS
Sobald du mit einem Prompt oder einem geschnittenen Video zufrieden bist, kannst du in höherer Qualität exportieren lassen.
Dafür gibt es zwei Wege:
Entweder du wiederholst den Prompt einfach in höherer Qualität, das gibt dir nochmal die Chance, ein paar Dinge zu verbessern, führt aber nicht zu einem exakt identischen Ergebnis.
Oder du lädst das Video, die Referenzen oder einen angepassten Prompt in CreamAI hoch, dann bekommst du praktisch das gleiche Video nur in besserer Qualität, und auch Charaktere werden dabei oft sauberer adaptiert.
Prompts
Modell spezifische informationen
Recherche wurde mit KI ausgeführt und dient nur als Überblick
Seedance 2.5
Seedance 2.5 ist ByteDances aktuelle Top‑Version und generiert native 30‑Sekunden‑Clips in 1080p mit Audio in einem Durchlauf, basierend auf bis zu mehreren Dutzend Text‑, Bild‑, Video‑ und Audio‑Referenzen. Es ist explizit als produktionsreifes System für multimodale Workflows ausgelegt – du kannst komplexe Szenen aus Ideen, Moodboards, Footage und Sounddesign komponieren und anschließend per Region‑Editing (z. B. nur den Hintergrund oder ein Objekt verändern) verfeinern.
😍 Extrem lange Clips (30 s) mit nativer Audio‑Generierung.
😍 Sehr hohe Referenz‑Kapazität und multimodale Kontrolle (Text, Bilder, Video, Audio).
😍 Präzises, regionbasiertes Editing und deutlich verbesserte Prompt‑Adhärenz gegenüber 2.0.
🫠 Hohe Komplexität im Prompting und Referenz‑Management, dadurch deutliche Lernkurve.
🫠 Erste unabhängige Benchmarks sehen 2.5 bei einfachem Text‑zu‑Video hinter Omni Flash und knapp hinter Seedance 2.0, vor allem was reine T2V‑Qualität betrifft.
🫠 Rechenintensiv und damit kostspieliger bei vielen Iterationen als leichtere Modelle.
Seedance 2.0
Seedance 2.0 bleibt trotz 2.5 ein Referenzmodell für multimodale Kontrolle: bis zu 15 s in 1080p, mit bis zu 9 Bildern, 3 Videos, 3 Audios plus Text als Eingaben und einem @‑Referenzsystem, das sehr fein steuert, welche Datei für Charakter, Kamera, Rhythmus oder Umgebung zuständig ist. Es unterstützt sowohl Text‑, Bild‑, Video‑ und Audio‑Referenzen als auch Bearbeitung bestehender Clips (Charakter‑Swap, Szenenerweiterung, Stiltransfer).technology+2
😍 Unvergleichliche kreative Kontrolle durch multimodales Referenzsystem mit @‑Mentions.
😍 Längere Dauer (bis 15 s) bei guter physikalischer und zeitlicher Konsistenz.
😍 Sehr starke Audio‑Fähigkeiten inkl. hochgeladenem Audio zur Beat‑Synchronisation.
🫠 Hohe Komplexität und Referenzabhängigkeit; gute Ergebnisse setzen gutes Ausgangsmaterial voraus.
🫠 Für reines „Prompt‑rein, Clip‑raus“ oft überdimensioniert gegenüber einfacheren Modellen.
🫠 Tendenziell teurer und langsamer als leichter optimierte Short‑Clip‑Generatoren.
MiniMax H3
MiniMax H3 ist ein omni‑modales Foundation‑Modell mit gleichen Rechten für Text, Bild, Video und Audio im Kontext und generiert bis zu 15‑Sekunden‑Clips mit nativem Stereo‑Audio bei Auflösungen bis 2K. Es eignet sich besonders für text‑, bild‑ und referenzgestützte Kurzclips, etwa Produktshots mit Sounddesign oder Cinematic Moments, die aus einem Key‑Visual animiert werden.
😍 Volles Multimodal‑Verständnis (Text/Bild/Video/Audio) mit native Stereo‑Audio bis 2K.
😍 Starke Image‑to‑Video‑Fähigkeiten und konsistente Audio‑Bild‑Kopplung für 5–15‑Sekunden‑Clips.
😍 Offene Gewichte und API‑Verfügbarkeit erleichtern Integration in eigene Tools.
🫠 Kürzere maximale Dauer als Seedance 2.5; eher auf Kurzclips ausgelegt.
🫠 Weniger explizite, templateartige Editing‑Features als Seedance (kein @‑System, weniger Video‑Editing‑Fokus).
🫠 Ökosystem und Praxisberichte sind noch jünger als bei Seedance/Kling, wodurch weniger Best‑Practice‑Muster verfügbar sind.
MiniMax H3 MAX
MiniMax H3 Max ist ein nachtrainierter Variant von H3, der speziell auf stärkere Prompt‑Adhärenz und bessere Ästhetik optimiert ist und Clips bis 15 s in 480p, 768p oder nativ 1080p erzeugt. Es unterstützt Text‑, Bild‑ und Referenz‑Workflows (End‑Frame, getaggte Referenzen) und zielt auf visuell „schöne“ Outputs auch bei komplexen Prompts.
😍 Deutlich verbesserte Prompt‑Treue und Ästhetik gegenüber Basis‑H3.
😍 Flexible Modi (Text‑, Image‑ und Reference‑to‑Video) mit End‑Frame‑Kontrolle.
🫠 Referenzauflösungen sind auf 768p begrenzt; damit weniger Spielraum bei High‑Res‑References.
🫠 Bleibt ein Kurzclip‑Modell (bis 15 s) ohne spezialisiertes Produktions‑Tooling wie Seedance 2.5.
🫠 Für komplexe Multi‑Asset‑Composites weniger dokumentierte Steuermechanismen.
Gemini Omni Flash
Gemini Omni Flash ist Googles Video‑Modell, das stark auf physikalische und kulturelle Logik sowie schnelle Ideation ausgelegt ist und derzeit Clips bis ca. 10 s bei 720p in Adobe Firefly und über eine Public‑Preview‑API generiert. Es akzeptiert Textprompts plus Bilder und kann auch bestehende Clips als Referenz für Bearbeitung nutzen, ist aber vor allem als dialogbasierter Kurzvideo‑Editor konzipiert.
😍 Sehr gutes Verständnis von Schwerkraft, Energie, Fluidität und „World Logic“, wodurch Clips trotz kurzer Dauer glaubwürdig wirken.
😍 Optimiert für schnelle Iteration, Storyboarding und Konzept‑Exploration innerhalb von Firefly‑Workflows.
😍 Public‑Preview‑API und Adobe‑Integration machen es leicht zugänglich für Kreative.
🫠 Maximal ca. 10 s Dauer und 720p Output – damit weniger geeignet für finalen Broadcast‑Content.
🫠 Keine Unterstützung für hochgeladene Audioreferenzen; Audio kann nicht explizit synchron zu externem Sound gemappt werden.
🫠 Fokus auf Geschwindigkeit und Ideation, nicht auf maximaler kinematischer Politur wie Veo oder Seedance‑High‑End‑Routen.
Veo 3.1
Veo 3.1 ist Googles kinematisch fokussiertes Modell, das 8‑Sekunden‑Clips mit nativem Audio in 720p, 1080p oder 4K erzeugt und im Gemini‑API‑Ökosystem verfügbar ist. Es priorisiert „Film‑Look“ mit echter 24‑fps‑Bildrate, professioneller Farbabstimmung, Tiefenschärfe und sendungsfähiger Bildqualität.
😍 Sehr hohe visuelle Politur und „Film‑Qualität“ inklusive realistischem Licht, Farbwissenschaft und Tiefe.
😍 Native Audio‑Generierung und gute zeitliche Konsistenz der Objekte über den Clip hinweg.
😍 Integration ins Google‑Ökosystem und stabile API für professionelle Pipelines.
🫠 Kürzeste Dauer im Feld (max. 8 s, feste Stufen 4/6/8 s), was längere Narrativen erschwert.
🫠 Höhere Kosten und längere Generierungszeiten im Vergleich zu Seedance/Kling, besonders bei 4K mit Audio.
🫠 Kein multimodales Referenzsystem mit Video/Audio‑Upload wie Seedance 2.0/2.5; primär Text+Bild‑getrieben.
FLUX 3 Video
FLUX 3 ist das erste Video‑Modell von Black Forest Labs und generiert HD‑Clips zwischen ca. 5 und 20 s in 1080p mit synchron erzeugtem Dialog und Soundeffekten. Es kann Bilder animieren, Video‑Hintergründe, Charaktere und Styles editieren und verarbeitet Bild, Video und Audio gleichzeitig in einem Durchlauf.
😍 Größere Längen‑Spanne (5–20 s) mit in einem Durchlauf generiertem passenden Sound, inklusive Dialog und Effekten.
😍 Gute Image‑to‑Video‑Fähigkeiten (z. B. Key Visuals animieren) und flexible Edit‑Funktionen für Hintergründe, Figuren und Stilwechsel.
😍 Als FLUX‑Modell für viele Nutzer mit Bild‑Workflows vertraut und gut in bestehende FLUX‑Ecosysteme integrierbar.
🫠 Weniger dokumentierte Feinsteuerung für komplexe Multi‑Asset‑Composites als bei Seedance 2.5.
🫠 Noch junges Video‑Ökosystem, daher weniger umfangreiche Benchmarks und Tools für professionelle Produktionsrouten.
🫠 Keine explizite Erwähnung von multimodalem Referenz‑Routing (Text+mehrere separate Video/Audio‑Tracks) wie bei Seedance 2.0.
Kling VIDEO 3.0
Kling 3.0 von Kuaishou fokussiert sich auf natürliche, physikalisch plausible Bewegung aus einfachen Text‑Prompts und optionalen Bildern und erzeugt bis zu 10‑Sekunden‑Clips in 1080p bei 30 fps mit nativem Audio. Es bietet Modi wie Text‑zu‑Video, Bild‑zu‑Video und „Motion Brush“, bei dem du Bewegungen direkt auf Bildern einzeichnest.
😍 Branchenweit sehr starke Bewegungsqualität und physikalische Plausibilität, besonders bei Personen und dynamischen Szenen.
😍 Motion‑Brush‑Tool erlaubt sehr intuitive Kontrolle über Bewegungsbahnen, ohne komplexe Referenz‑Setups.
😍 Gutes Preis‑Leistungs‑Verhältnis und schnelle Iteration, was sich für Social‑Content und schnelle Prototypen eignet.
🫠 Keine Video‑Referenzinputs; Bewegungen können nicht direkt aus hochgeladenem Footage gelernt werden.
🫠 Keine Audioreferenz‑Uploads; Audio wird generiert, aber nicht mit externem Sound synchronisiert.
🫠 Kürzere maximale Dauer (10 s) und weniger kompositorische Kontrolle als Seedance 2.0/2.5.