Die meisten schlechten KI-Videos entstehen aus gutem Deutsch. Jemand schreibt einen schönen Satz, der eine Szene beschreibt, das Modell rendert einen schönen Satz, der eine Szene beschreibt – und heraus kommt ein bewegtes Stockfoto: hübsch, starr, unbrauchbar.
Der Ausweg ist eine andere Haltung. Hör auf zu beschreiben. Fang an zu führen. Eine Regisseurin sagt ihrem Team nicht „eine schöne, cinematische Küchenszene". Sie ruft eine Einstellungsgröße, eine Kamerabewegung, eine Lichtquelle und eine Aktion aus. Darauf reagiert Hailuo.
Die Formel aus sieben Teilen
Geh sie in dieser Reihenfolge durch. Du brauchst nicht immer alle sieben, aber die ersten vier sind so gut wie Pflicht.
- Motiv: wer oder was, genau genug beschrieben, um zwischen Aufnahmen gleich zu bleiben.
- Aktion: eine Bewegung. Eine.
- Schauplatz: wo, und wann.
- Kamera: Einstellungsgröße plus Bewegung.
- Licht und Look: woher das Licht kommt und welche Anmutung es erzeugt.
- Ton und Dialog: was du hören willst, gesprochene Zeilen in Anführungszeichen.
- Ausschlüsse: was aus dem Bild bleiben soll.
Teil für Teil
Motiv
Vage: eine Frau. Besser: eine Frau Mitte fünfzig, kurze graue Haare, marineblaue Arbeitsschürze.
Konkrete Substantive geben dem Modell etwas, woran es sich zwischen Einstellungen festhalten kann. Wenn eine Figur mehrere Generierungen überstehen muss, beschreib sie einmal, sichere den Satz und verwende ihn wortgleich wieder. Oder besser: Häng ein Referenzbild an und beschreib sie gar nicht mehr.
Aktion
Hier brechen die meisten Prompts. „Sie nimmt die Tasse, geht zum Fenster und schaut in den Regen" sind drei Bewegungen. In einem Sechs-Sekunden-Clip versucht das Modell alle drei, hetzt durch alle drei und trifft keine.
Nimm die, auf die es ankommt: Sie führt die Tasse zum Mund und hält inne. Den Gang generierst du als zweite Einstellung, wenn du ihn brauchst.
Schauplatz
Ort und Tageszeit, knapp. Ein vollgestelltes Homeoffice in der Dämmerung. Eine nasse Straße um zwei Uhr nachts. Die Tageszeit leistet enorm viel, weil sie das Licht impliziert, bevor du überhaupt etwas über Beleuchtung gesagt hast.
Kamera
Zwei Bestandteile: wie nah, und wie es sich bewegt.
| Statt | Sag |
|---|---|
| cinematic | Nahaufnahme, langsame Fahrt nach vorn |
| dynamisch | Handkamera, folgend hinter dem Motiv |
| episch | Totale, langsam aufsteigender Kran |
| dramatischer Winkel | Untersicht, statisch, das Motiv füllt das linke Drittel |
| schönes Bild | Over-Shoulder, geringe Schärfentiefe |
Die linke Spalte ist eine Stimmung. Die rechte ist eine Anweisung. Nur eine von beiden lässt sich ausführen.
Licht und Look
Nenn die Quelle, nicht die Stimmung. Hartes Mittagslicht durch eine Vertikaljalousie. Eine einzige Lampe im Bild, alles andere fällt in den Schatten. Bedeckt, flach, keine Schatten. Wenn du Kino-Anmutung willst, nenn ein Filmmaterial oder eine Ära, statt noch einmal „cinematic" zu schreiben.
Ton und Dialog
Hailuo erzeugt Stereomusik, Atmo und Stimmen im selben Durchlauf wie das Bild, auf die Aktion gelegt. Ton ist also eine Eingabe des Prompts und kein Problem für später.
- Atmo: Ruhiger Raumton, ferner Verkehr, das Brummen eines Kühlschranks.
- Musik: Sparsames Klavier, langsam. Oder, genauso nützlich: keine Musik.
- Dialog: Zeile in Anführungszeichen, und sag, wer sie spricht. Sie sagt: „Du bist früh dran."
Halt gesprochene Zeilen kurz. Zehn Wörter in einem Sechs-Sekunden-Clip wirken gehetzt.
Ausschlüsse
Sag, was du nicht willst – vor allem die Dinge, die Modelle gern ungefragt dazugeben: Kein Text im Bild. Kein Lens Flare. Keine Menschen im Hintergrund. Keine Musik.
Ein Prompt, neu geschrieben
Vorher:
- Eine cinematische Einstellung eines Mannes, der in einem Café Kaffee trinkt, wunderschöne Beleuchtung, hochdetailliert, 4k, Meisterwerk
Nachher:
- Nahaufnahme eines Mannes Anfang dreißig in anthrazitfarbener Jacke, am Fenstertisch eines fast leeren Cafés. Er setzt die Tasse ab und blickt aus dem Bild nach links. Kamera statisch, geringe Schärfentiefe. Morgensonne fällt durchs Fenster und streift den Tisch, warme Lichter, tiefer Schatten auf der abgewandten Gesichtshälfte. Atmo: Zischen der Espressomaschine, gedämpftes Murmeln, keine Musik. Kein Text im Bild.
Dieselbe Idee, aber die zweite Fassung legt Einstellungsgröße, eine einzige Aktion, eine Blickrichtung, Lichtquelle samt Richtung, ein Tonbett und einen Ausschluss fest. Jede dieser Sachen würde sonst das Modell für dich entscheiden.
Prompts über mehrere Einstellungen
Für Sequenzen schreib jede Einstellung als eigenen Block, mit eigener Kamera und eigener Aktion, und halte die Motivbeschreibung überall wortgleich. Gib der Sequenz einen Bogen: Die Einstellungen sollen steigern, nicht wiederholen.
- Einstellung 1 — Totale. Die Werkstatt, Licht aus, ein Fenster. Statisch.
- Einstellung 2 — Halbnah. Dieselbe Frau in der marineblauen Schürze schaltet die Werkbanklampe an. Langsame Fahrt nach vorn.
- Einstellung 3 — Großaufnahme ihrer Hände, die ein Werkzeug ablegen. Statisch, knappe Schärfe.
Drei Einstellungen, je eine Bewegung, die vom leeren Raum bis zu den Händen steigern. Das liest sich wie eine Szene. Drei Varianten von „sie arbeitet in der Werkstatt" lesen sich wie drei Versuche derselben Einstellung.
Referenzen schlagen Adjektive
Worte setzen den Look, Referenzen setzen das Konkrete. Hailuo 03 nimmt bis zu 50 Referenzen in einer Generierung, gemischt wie du willst: Bilder, Videoclips und Audio.
Wenn du eine Beschreibung dreimal umgeschrieben hast und Gesicht, Produktetikett oder Markenfarbe immer noch wandern, ist das das Signal, eine Datei anzuhängen statt nach dem nächsten Adjektiv zu greifen.
Fünf Fehler, die Credits verbrennen
- Adjektive stapeln. „Cinematic, hyperdetailliert, preisgekrönt, 8k" bringt nichts und schiebt die echten Anweisungen nach hinten.
- Mehr als eine Aktion. Die häufigste Ursache für zerfallene Bewegung.
- Ein Foto beschreiben statt einer Einstellung. Wenn dein Prompt als Bildunterschrift funktionieren würde, steckt keine Kamera drin.
- Drift mit Worten bekämpfen. Konsistenzprobleme sind ein Referenzproblem, kein Formulierungsproblem.
- Entwürfe in voller Auflösung rendern. Iterier in 768p auf einem schnellen Modell und lass den Gewinner-Prompt dann in 2K laufen.
Häufige Fragen
Wie lang sollte ein Hailuo-Prompt sein?
Lang genug für Motiv, Aktion, Schauplatz und Kamera – typischerweise zwei bis vier Sätze. Was darüber hinausgeht, sind meist Adjektive, keine Information.
Kann ich Dialog in einen Prompt schreiben?
Ja. Zeile in Anführungszeichen und dazuschreiben, wer spricht. Dialog wird mit dem Bild erzeugt und lippensynchron ausgegeben – halt ihn also kurz genug für den Clip.
Funktionieren negative Anweisungen?
Ja. „Kein Text im Bild", „keine Musik" und „kein Lens Flare" lohnen sich immer dann, wenn ein Modell hartnäckig etwas dazugibt, das du nicht willst.
Warum sieht meine Figur in jedem Clip anders aus?
Weil Worte kein Gesicht festnageln können. Häng allen Generierungen der Sequenz dasselbe Referenzbild an.
Muss ich für verschiedene Modelle anders schreiben?
Die Formel gilt für Hailuo 03, 2.3, 2.3 Fast und 02. Was sich ändert, ist der Spielraum: 03 nimmt deutlich mehr Referenzen und einen längeren Clip, verträgt also einen dichteren Mehr-Einstellungs-Prompt.
In welcher Auflösung sollte ich prompten?
Geschrieben wird in jeder Auflösung gleich. Entwürfe in 768p, um Credits zu sparen, dann den Prompt, der funktioniert hat, in 2K wiederholen.