Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Effektive Videoprompts schreiben

Lektion 2 von 12 Aktualisiert am 3. November 2026 Mittelstufe
Auf dieser Seite
  1. Die Kunst des Videoprompts
  2. Die vier Komponenten einer guten Beschreibung
  3. Zwei Ebenen, die spezifisch für Video sind: Kamera und Ton
  4. Drei Prompts, drei Stile
  5. Parameter an Inhalt anpassen
  6. Was einen Prompt zum Scheitern bringt
  7. Kernaussagen

Aktualisiert am 3. November 2026. Basierend auf den Seiten Video Overview und Video Generation von xAI sowie dessen Leitfaden für Bild-Prompts: xAI fordert Sie auf, den gesamten Shot zu beschreiben, einschließlich Kamerabewegung, Licht und Ton. Die Regel „maximal zwei oder drei Sätze” aus der vorherigen Version findet sich auf keiner xAI-Seite; tatsächlich empfiehlt der Bild-Leitfaden vier bis sechs Sätze für ein einzelnes Bild. Diese Lektion behandelt zudem 1080p für Modelle der 1.5-Generation, die neun Seitenverhältnisse und die standardmäßig generierte Audiospur. Quellen: Video Overview · Video Generation · Image Prompting Guide.

Die Kunst des Videoprompts

Die Qualität des generierten Videos hängt direkt von der Präzision Ihres Prompts ab, und ein Videoprompt erfordert mehr als ein Bildprompt. Während eine statische Beschreibung ausreicht, um eine Illustration zu erzeugen, muss ein Videoprompt zudem die Bewegung, die Temporalität und die Dynamik der Szene tragen – und, da die Videoausgabe mit Soundtrack versehen ist, auch das, was man darin hört. Ein Prompt, der eine Szenerie perfekt beschreibt, aber nie sagt, was sich bewegt, riskiert, einen fast eingefrorenen Shot zu produzieren, der technisch animiert, aber visuell leblos wirkt. Diese Lektion lehrt Sie, Ihre Beschreibungen so zu strukturieren, dass Sie das Beste aus den Grok Imagine Video-Modellen herausholen.

Die vier Komponenten einer guten Beschreibung

Ein effektiver Videoprompt formuliert vier Ebenen von Informationen, und Sie bearbeiten jede davon separat.

Die erste ist das Subjekt: das Hauptelement oder die Hauptelemente der Szene, beschrieben mit genügend Präzision, damit das Modell nicht erfinden muss. „Ein Vogel” lässt das Feld weit offen; „ein Kolibri mit irisierenden Blau- und Grünschuppen” fixiert das Erscheinungsbild und macht Ihre Generierungen von einem Versuch zum nächsten konsistenter.

Als Nächstes kommt die Handlung, der entscheidendste Bestandteil im Video. Es reicht nicht, zu sagen, dass sich etwas bewegt; Sie müssen die Bewegung, ihre Richtung und ihre Intensität spezifizieren. „Ein Vogel fliegt” ist eine Absicht, keine Regieanweisung. „Ein Kolibri, der an einer roten Hibiskusblüte füttert, Flügel schlagen schnell” gibt dem Modell eine Geste, ein Ziel und einen Rhythmus.

Die dritte Ebene ist die Umgebung: der Ort, das Licht, das Wetter und die Stimmung. Ein einfaches „in einem Garten” lässt das Modell für Sie die Zeit und die Jahreszeit wählen. „In einem üppigen tropischen Garten, goldenes späten Nachmittagsschein, der durch das Laub filtert”, setzt die Atmosphäre und bestimmt nebenbei die Lichtrichtung auf Ihrem Subjekt.

Schließlich das visuelle Stil, das den Render bestimmt: kinematisch, dokumentarisch, animiert. Ein Satz wie „kinematischer Stil, geringer Schärfentiefe, warme Farben” etabliert einen Werbeton, während „stilisierte 3D-Animation, Pastellpalette” Sie mit derselben Eingabeszene in ein völlig anderes Universum führt.

Die Reihenfolge ist wichtig. Der xAI-Bild-Prompt-Leitfaden, der für statische Bilder geschrieben wurde, ist hier jedoch nützlich, und er beobachtet, dass ein Prompt, der mit Stimmung, Filmkorn oder einer Liste von Verboten beginnt, eine polierte Szene erzeugt, in der das Subjekt lediglich ein Hintergrundnebencharakter ist. Beginnen Sie daher mit dem Subjekt und seiner Handlung und behalten Sie den Stil für das Ende.

Zwei Ebenen, die spezifisch für Video sind: Kamera und Ton

Bei Text-zu-Video fasst xAI seine Anweisung in einem Satz zusammen: Beschreiben Sie den Shot, einschließlich Kamerabewegung, Licht und Ton. Zwei dieser Elemente existieren in statischen Bildern nicht.

Die Kamera wird mit Filmvokabular gesteuert: statischer Shot, langsamer Zoom, Tracking-Shot, Drohnenaufnahme, Zeitraffer. Die Beispiele in der xAI-Dokumentation verwenden sie so, wie sie sind: ein langsamer Zoom auf ein Laufsteg-Podium, eine Kamera, die von einer sonnigen Tür zu einem Fenster gleitet, eine Drohnenaufnahme zwischen Gipfeln, ein Zeitraffer einer blühenden Blume. Wenn Sie nichts sagen, überlassen Sie diese Wahl dem Modell.

Licht profitiert davon, wie im xAI-Bild-Leitfaden beschrieben zu werden: seine Quelle, seine Richtung und seine Härte, stark genug, dass das Subjekt lesbar bleibt. „Harter Nachmittagsschein von links” sagt dem Modell, was es beleuchten soll; „schönes Licht” sagt ihm nichts.

Ton ist Teil des Ergebnisses: Ein generiertes Video enthält standardmäßig eine Audiospur, mit lip-synctem Sprechtext auf grok-imagine-video-1.5 und seiner -lite-Version. Beschreiben Sie daher die gewünschte Klangkulisse – Regen auf Asphalt, Raumsummen, sanfte Musik – oder schneiden Sie die Spur mit "generate_audio": false ab, falls Sie Ihren eigenen Soundtrack in der Nachbearbeitung legen werden.

Ein letzter operativer Detail ändert, wie Sie schreiben: Bei 1.5-Modellen rendert Text-zu-Video zunächst ein statisches Bild aus dem Prompt und animiert es dann. Die Startszene muss daher wie ein scharfes Bild gelesen werden – Subjekt, Dekor, Licht – und die Bewegung als das, was als Nächstes passiert.

Drei Prompts, drei Stile

Diese Ebenen kombinieren sich je nach Ziel des Clips unterschiedlich. Für Werbezwecke kümmern Sie sich um Material und Licht, und die Handlung bleibt minimal, aber perfekt beschrieben:

A steaming cup of coffee on a rustic wooden table,
steam rising in gentle spirals. Natural side light from
the left, very slow zoom toward the cup, shallow depth of
field, advertising style. Muted coffee shop ambiance.

Für Datenvisualisierung, die für eine Präsentation gedacht ist, wird Bewegung strukturell – sie trägt die Information – und der Stil wird absichtlich nüchtern. Dieses Video wird unter Live-Kommentar abgespielt: Generieren Sie es stumm, mit "generate_audio": false.

A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.

Bei kreativer Animation schließlich kann das Subjekt abstrakt sein, sofern die Transformation präzise beschrieben wird:

Abstract geometric shapes transforming fluidly
into one another, vivid color palette on black background.
Camera slowly orbits the shapes, contemporary motion design
style, synth pads.

Nehmen Sie sich einen Moment Zeit, um in jedem dieser drei Blöcke zu identifizieren, wo sich das Subjekt, die Handlung, die Umgebung und der Stil befinden, und dann die Kamera und der Ton. Diese Leseübung macht das Schreiben danach natürlich.

Parameter an Inhalt anpassen

Der Prompt funktioniert nicht allein: Dauer, Verhältnis und Auflösung müssen darauf antworten. Die Dauer reicht von 1 bis 15 Sekunden, 8 ist der Standard. Eine Dauer von 1 bis 3 Sekunden eignet sich für eine einzelne Handlung, einen Übergang oder einen GIF-artigen Render; von 4 bis 7 Sekunden erhalten Sie eine kurze Szene mit einem Anfang und einem Ende; zwischen 8 und 15 Sekunden treten Sie in eine narrative Sequenz mit Entwicklung ein. Je länger das Video, desto mehr Generierungszeit dauert es, und der Preis wird pro Sekunde berechnet: Beginnen Sie kurz und erhöhen Sie schrittweise.

Wählen Sie das Verhältnis basierend auf dem Endziel. Die API bietet neun an: 16:9 (Standard) für Breitbild, Web und Präsentationen, 9:16 für Mobilgeräte, Stories und Reels, 1:1 für Social-Media-Posts und Thumbnails, 4:3 und 3:4 für Präsentationen und Porträts, 3:2 und 2:3 für einen fotografischen Render, 21:9 für ein ultra-breites Kinoformat, 5:2 für ein Banner oder eine Website-Überschrift. Bei Bild-zu-Video verschwindet diese Wahl: Die Ausgabe folgt dem Bildverhältnis.

Was die Auflösung betrifft, halten Sie 480p für Vorschauen und Entwürfe – dies ist der Standardwert, und der Render ist schneller – und wechseln Sie dann zu 720p oder 1080p, wenn der Clip in die Produktion geht. 1080p existiert nur bei 1.5-Modellen: nativ auf grok-imagine-video-1.5, durch Upsampling von 720p auf seiner -lite-Version erhalten, während grok-imagine-video bei 720p stoppt. Für einfache Videos empfiehlt xAI grok-imagine-video-1.5-lite, das günstigste pro Sekunde, und reserviert grok-imagine-video-1.5 für Referenzbilder, Stimmen, aufgeprägte Bilder und natives 1080p.

Was einen Prompt zum Scheitern bringt

Fünf Fallstricke treten häufig auf. Der erste ist der zu vage Prompt: „eine schöne Szene” enthält keine nutzbaren Informationen. Der zweite ist der Prompt, der alles erzählen will – mehrere Subjekte, mehrere Orte, mehrere Szenen in wenigen Sekunden. Für eine mehrschotige Geschichte folgen Sie dem Beispiel Storyboard to Short Film aus dem xAI-Cookbook: Es bricht die Erzählung in vier Shots auf, generiert jeden separat, mit seiner Szene und Kamerabewegung, und montiert sie dann in der Nachbearbeitung. Der dritte, bereits erwähnt, ist das Fehlen einer beschriebenen Bewegung, was zu einem statischen Shot führt. Der vierte liegt in logischen Konflikten: Die Forderung nach „einer Katze, die im Wasser fliegt” stellt das Modell vor einen Widerspruch, und das Ergebnis ist wahrscheinlich inkohärent. Der fünfte ist die Liste der Negationen – „keine Autos, kein Text, keine Menschenmenge”. Der xAI-Bild-Leitfaden merkt an, dass eine lange Liste von zu vermeidenden Elementen leicht ignoriert wird und den Prompt mit Objekten füllt, die am Ende erscheinen: Beschreiben Sie stattdessen, was Sie sehen wollen.

Was die Länge betrifft, gibt die xAI-Dokumentation keine ideale Größe für Video an und quantifiziert nicht die Grenze, ab der ein zu langer Prompt abgelehnt wird (invalid_argument-Fehler). Sein Bild-Leitfaden schlägt vier bis sechs Sätze für ein einzelnes Bild vor: das Subjekt und seine Details, dann der Dekor, das Licht und der Bildrahmen. Für einen Video-Shot beginnen Sie mit dieser Struktur und fügen Sie Handlung, Kamera und Ton hinzu.

Zum Üben schreiben Sie einen vollständigen Prompt für drei verschiedene Ziele: ein Hintergrundvideo für eine Restaurant-Website, einen 3-Sekunden-Clip für eine Instagram-Story einer Bekleidungsmarke und eine abstrakte Animation für eine technische Präsentation. Überprüfen Sie bei jedem, dass die vier Ebenen vorhanden sind, dass Kamera und Ton beschrieben werden – oder die Audiospur abgeschnitten ist – und dass Dauer und Verhältnis dem beabsichtigten Einsatz entsprechen.

Kernaussagen

  • Ein guter Videoprompt enthält Subjekt, Handlung, Umgebung und Stil, beginnend mit dem Subjekt
  • xAI fordert Sie zudem auf, Kamerabewegung, Licht und Ton zu beschreiben
  • Die Audiospur wird standardmäßig generiert; "generate_audio": false ergibt ein stummes Video
  • Passen Sie Dauer (1 bis 15 s, 8 Standard), Verhältnis (neun Formate) und Auflösung (bis zu 1080p bei 1.5-Modellen) an den Endzweck an
  • Eine mehrschotige Geschichte wird Shot für Shot generiert und dann montiert
  • Beschreiben Sie, was Sie sehen wollen, statt, was Sie nicht wollen