Videos mit KI erstellen: die Anleitung 2026

Vor zwei Jahren sahen mit KI generierte Videos wie ein Witz aus: Körper, die sich wie Wachs verformten, Menschen, die losliefen und sich auf halbem Weg auflösten. Heute produziert man mit denselben Tools Werbespots und Kurzfilme: Mein Mini-Film UNSEEN hat es unter die 10 Weltfinalisten des AI for Good Film Festival der Vereinten Nationen geschafft und wurde exakt mit den Tools dieser Anleitung gedreht. Wenn du sehen willst, welche Ergebnisse erreichbar sind, findest du hier das vollständige Case Study von UNSEEN, mit dem Blick hinter die Kulissen.

Ich heiße Erika und erstelle beruflich Bilder und Videos mit KI für Marken und für eigene Projekte. Also keine Liste von zwanzig Tools aus Pressemitteilungen: Ich erzähle dir von den fünf wichtigsten, wo jedes gewinnt, wo sie schwächeln, und wie man ein Video von null aufbaut, mit dem Workflow, dem ich folge. Am Ende der Seite findest du die Liste der eigenen Anleitungen, eine pro Tool, den Gratis-Weg eingeschlossen.

Wie die KI-Videogenerierung heute funktioniert

Das Prinzip ist dasselbe wie bei Bildern, mit einer Komplikation mehr: die Zeit. Ein Videomodell muss nicht nur entscheiden, wie jeder Frame aussieht, sondern was von einem Frame zum nächsten passiert. Deshalb gibt es drei Eingangswege.

Von Text zu Video (Text-to-Video). Du schreibst die Szene und das Modell dreht sie: Subjekt, Aktion, Kamera, Licht. Es ist der Weg, den jeder kennt, und er ist hervorragend, um Ideen zu erkunden, weil aus jedem Satz eine Einstellung werden kann.

Von Bild zu Video (Image-to-Video). Du startest mit einem Bild, deinem oder mit KI generiertem, und das Modell animiert es: Es entscheidet über die Bewegung innerhalb der Szene und behält den Ausgangspunkt bei. Es ist der zuverlässigste Weg, wenn es um Kontrolle geht, weil das Subjekt schon da ist, identisch, und das Modell es animiert, ohne es neu erfinden zu müssen. Das ist der Weg, den ich am meisten benutze: Erst generiere ich die Schlüsselframes mit den Bildmodellen, dann animiere ich sie.

Von Video zu Video. Der dritte Weg ist die Bearbeitung eines Videos, das du schon generiert hast, oder von echtem Material. Auf generiertem Material ist es der am wenigsten begangene Weg, weil die Modelle zum Erschaffen geboren wurden, nicht zum Ummischen. In der umgekehrten Richtung, den Spezialeffekten auf echten Videos, überzeugen die Ergebnisse: Du startest mit echtem Filmmaterial und fügst KI-generierte Himmel, Explosionen, Kreaturen und Magie hinzu. Das ist eine eigene Arbeitsmethode mit eigenen Regeln: Ich erzähle sie in einem eigenen Post, wenn er erscheint.

Dann gibt es den Punkt, der alles gegenüber dem Vorjahr verändert: den Ton. Sora 2 und Veo 3 generieren mit der Szene synchronisierten Ton, Dialoge eingeschlossen. Bis vor Kurzem war das KI-Video stumm und die Stimme wurde hinterher hinzugefügt; heute hat der Regen sein Geräusch und eine Figur kann sprechen, mit Lippen, die den Worten folgen. Das ist kein Detail: Es ist der Unterschied zwischen einem Experiment und einem Produkt.

Die fünf wichtigsten (und warum)

Die Frage, die mich jede Woche erreicht, ist: "welches ist das beste?". Das ist die falsche Frage: Es sind fünf verschiedene Tools, und die Arbeit wird besser, wenn du aufhörst, den Gewinner zu suchen, und anfängst, jede Szene dem Tool zuzuweisen, das sie am besten kann. Ich erzähle sie dir eins nach dem anderen, so wie ich sie benutze.

Sora 2 (OpenAI) hat die Art zu arbeiten verändert: Mit Sora schreibst du nicht nur einen Prompt, du schreibst ein Projekt. Du beschreibst das Video, das du im Kopf hast, und Sora organisiert es in Szenen: Der Storyboard-Modus lässt dich jedes Segment auf der Timeline herrichten, das Stück, das dir nicht gefällt, neu generieren, ohne den Rest anzutasten, und du kommst bis auf fünfundzwanzig Sekunden. Der Ton ist synchronisiert, und die Cameos, die Möglichkeit, eine wiederkehrende Person (dich selbst eingeschlossen) in die Szenen zu setzen, heben Soras Videos von den anderen ab. Es ist das Tool, das ich denen empfehle, die starten. Die Anleitung zu Sora 2.

Veo 3 und Veo 3.1 (Google DeepMind) ist das Tool, das dem Prompt mit der höchsten Präzision folgt. Es lebt in Gemini und Flow, und die aktuelle Version führt die Anforderungen so aus, wie du sie geschrieben hast: Du bittest um eine laterale Kamerafahrt mit Regen im Gegenlicht und bekommst genau diese Szene, mit der Kamera und dem Licht, die du beschrieben hast. Der native Ton gehört zu den besten, die Dialoge halten. Es ist die Engine der Wahl, wenn das Video exakt dem entsprechen muss, was du beschrieben hast. Die Anleitung zu Veo 3.

Kling (Kuaishou) bewegt Menschen am realistischsten: Gänge, Gesten, Physik der Körper. Es ist eines der Tools, mit denen ich die Szenen von UNSEEN generiert habe, und bleibt mein Bezugspunkt, wenn sich jemand in der Szene bewegt. Mit den Gratis-Credits, die es jeden Tag erneuert, ist es auch der beste Weg, ohne Geld zu lernen. Die Anleitung zu Kling AI.

Seedance (ByteDance) interpretiert lange Prompts mit mehreren verketteten Aktionen am besten. Wenn eine Szene drei Aktionen in Folge enthält, führen die anderen Modelle zwei aus und überspringen eine; Seedance respektiert alle. Die gerade erschienene Version, Seedance 2.5, verlängert die Dauer auf dreißig Sekunden in einer einzigen Generierung und akzeptiert bis zu fünfzig Referenzbilder. Wenn du Szenen schreibst und nicht einzelne bewegte Bilder, ist es die richtige Engine. Die Anleitung zu Seedance.

Higgsfield ist etwas anderes: kein Modell, sondern eine Regie-Plattform. Drinnen findest du mehrere Engines, Seedance und Kling eingeschlossen, und über den Engines die Werkzeuge, die den anderen fehlen: fertige Kamerabewegungen, von der Fahrt bis zur Umkreisung, Verlängerung der Clips, Kohärenz der Figur von einer Generierung zur nächsten. Es ist der Ort, an dem ich meine Tage verbringe, und das Tool, mit dem ich Projekte zu Wettbewerben einreiche. Die Anleitung zu Higgsfield erklärt Plattform, Credits und Pläne im Detail; zum Ausprobieren: Ich gehe jeden Tag hinein über higgsfield.ai.

Welches wofür wählen

Diese Tabelle fasst zusammen, wann sich welches Tool lohnt. Die Gratis-Zahlen sind auf August 2026 aktualisiert und ändern sich oft.

Die Wege, KI-Videos ohne Ausgaben zu generieren, sind wenige: die Zahlen oben genügen, um zu verstehen, wie viel man probieren kann, nicht um damit zu arbeiten. Die vollständige Liste der kostenlosen Wege, gesammelt und erklärt, steht in der eigenen Anleitung: KI-Videos kostenlos erstellen.

In der Praxis wählt man kein Tool: Man baut eine Kombination. Ich generiere die Schlüsselframes mit den Bildmodellen, animiere mit der richtigen Engine für die Szene und halte das Projekt in einer Regie-Plattform zusammen, wo die Kohärenz der Figur und die Kamera von Clip zu Clip stabil bleiben.

Ein Video mit KI erstellen, Schritt für Schritt

Der Workflow, dem ich folge, vom leeren Blatt zum veröffentlichten Video. Ich zeige ihn dir vollständig, Versuche eingeschlossen:

1. Schreibe den Plan, nicht den Prompt. Bevor ich irgendein Tool anfasse, teile ich das Video in Sätze: Jeder Satz ist eine Einstellung. "Eine Frau geht nachts an der Wasserlinie entlang" ist ein Clip. "Das Schild der Bar spiegelt sich in der Pfütze" ist ein anderer. Ein Reel von dreißig Sekunden sind sechs bis acht Sätze.
2. Wähle das Format sofort. Horizontal 16:9 für YouTube und die Website, vertikal 9:16 für Reels und Stories. Es später zu ändern kostet eine komplette Neugenerierung, weil die Einstellung im Format geboren wird.
3. Generiere den ersten Clip. Ein Prompt von fünf bis acht Sekunden, einer pro Satz. Der erste Wurf reicht fast nie.
4. Generiere die Clips neu, die nicht tragen. Kamera, die umherstreunt, Physik, die zusammenbricht, Detail, das sich ändert: In meiner Statistik muss ein Clip von dreien neu gemacht werden. Das sind die normalen Kosten des Handwerks, kein Scheitern.
5. Halte die Figur konsistent. Wenn im Video ein Gesicht ist, das gleich bleiben muss, ist die Methode, zuerst ein Character-Sheet der Figur zu generieren: eine Reihe von Bildern derselben Person in verschiedenen Blickwinkeln, von weitem, das Gesicht nah, von der Seite, im Dreiviertelprofil. Von da an startet jeder Clip mit diesen Bildern als Referenz, und die Figur bleibt von Szene zu Szene erkennbar. Diesen Schritt auszulassen ist der Grund Nummer eins, warum die Figur mitten im Video das Gesicht wechselt.
6. Montiere. Die Clips kommen auf die Timeline, werden im Rhythmus geschnitten, der Ton kommt dazu. Kein Modell gibt dir den Schnitt: Hier wird das Video deins.
7. Prüfe die Details aus der Nähe. Hände, Texte, Objekte, die sich verwandeln. Das KI-Video muss in Ruhe durchgesehen werden: Die schöne Überraschung gibt es auch, aber man veröffentlicht nicht mit geschlossenen Augen.

Wie man einen Videoprompt schreibt, der funktioniert

Nach einem Jahr, in dem ich jeden Tag Prompts geschrieben habe, habe ich alles auf fünf Elemente reduziert, in dieser Reihenfolge: Subjekt, Aktion, Kamera, Licht, Ton. Eines nach dem anderen, im selben Satz.

Eine Frau im gelben Regenmantel geht nachts an der Wasserlinie entlang, seitliche Kamera, die ihr im Schritttempo folgt, feiner Regen und bunte Lichter, die sich auf dem Wasser spiegeln, das Geräusch der Wellen und ihrer Schritte.

Das ist ein Prompt aus meinen Reels. Er funktioniert, weil jeder Teil eine Sache entscheidet: wer da ist, was sie tut, wie die Kamera sie ansieht, welches Licht die Szene hat, welcher Klang sie begleitet. Wenn das Modell nichts erraten muss, sinken die Fehler.

Und wenn in der Szene eine Emotion steckt, lautet die Regel, sie zu zeigen, nicht sie zu etikettieren. "Eine traurige Frau" ist ein Etikett: Das Modell macht damit, was es will. "Sie geht langsam, den Blick gesenkt, die Schultern geschlossen, der Schritt, der vor den dunklen Schaufenstern einen Moment anhält" ist eine Szene, die man sieht, und die Traurigkeit kommt aus dem, was man sieht. In meinen Prompts beschreibe ich, wenn eine Person vorkommt, immer, wie sie sich bewegt, wohin sie schaut und in welchem Verhältnis sie zu dem steht, was sie umgibt: Das sind die drei Hebel, die ein Video zu deinem machen statt zu einem beliebigen.

Die Regeln, die den Unterschied machen, auf meine Kosten gelernt:

• Eine Aktion pro Clip. Zwei Aktionen im selben Clip sind der schnellste Weg zu sehen, wie die Physik zerbröselt. Zwei Aktionen, zwei Clips, die montiert werden.
• Eine Kamerabewegung, oder keine. "Statische Kamera" ist ein Prompt, der funktioniert und den wenige nutzen: Die Modelle neigen zum Umherstreunen, und die Kamera als still zu deklarieren stabilisiert alles. Sonst nur eine einzige Bewegung, deklariert: laterale Fahrt, langsamer Push-in, Umkreisung.
• Sprich positiv. Modelle können nicht verneinen: "ohne Menschen im Hintergrund" zu schreiben ist der sicherste Weg, Menschen im Hintergrund erscheinen zu lassen, weil die Wörter, die das Modell aufsammelt, "Menschen" und "Hintergrund" sind. Formuliere immer in dem, was du willst: "eine Frau, die allein in einer leeren Stadt geht". Dieselbe Szene, erzählt mit dem, was da ist, statt mit dem, was fehlt.
• Deklariere den Ton, wenn die Engine ihn generiert. Auf Sora 2 und Veo 3 bittet man den Ton im Prompt: das Geräusch der Wellen, den fernen Verkehr, die Stimme. Wenn du nicht darum bittest, entscheidet es selbst, und nicht immer so, wie du willst.
• Nutze das Startbild, wenn das Subjekt bleiben muss. Der Text beschreibt, die Referenz garantiert. Für die wiederkehrende Figur ist das Sheet die zuverlässigste Lösung.

Was es kostet, Videos mit KI zu erstellen

Die Preislogik ist bei allen gleich: gratis zum Ausprobieren, bezahlt zum Produzieren. Die folgenden Zahlen sind auf August 2026 aktualisiert: In dieser Branche ändern sie sich jeden Monat, prüfe also die offiziellen Seiten, bevor du entscheidest.

Was gelingt und was nicht (die Grenzen, ehrlich erklärt)

Hier sammle ich die echten Grenzen, die man erst nach Wochen von Versuchen entdeckt, mit dem Ausweg für jede.

Heute gelingt es ausgezeichnet: Clips von fünf bis zehn Sekunden mit der Bildqualität des Kinos; Lichter und Atmosphären, für die es früher ein Team brauchte; synchronisierter Ton auf den Top-Engines; die Figur, die gleich bleibt, wenn man das Sheet benutzt; Formate für soziale Netzwerke und Spots.

Wo es noch schwächelt, und was zu tun ist:

• Die langen Szenen. Bis vor Kurzem schaffte kein Modell zehn Sekunden am Stück. Seedance 2.5 verschiebt das Limit auf dreißig Sekunden am Stück, und die Ergebnisse haben mich überrascht. Aber auch die besten dreißig Sekunden müssen geschnitten und montiert werden, weil in einem langen Clip immer ein Moment ist, der fällt. In meiner täglichen Arbeit bleibe ich bei Clips von fünf Sekunden; mit Seedance gehe ich auf zehn bis fünfzehn, wo Qualität und Kontrolle sich die Waage halten. Der Schnitt ist kein Behelf: Es ist die Art, wie diese Videos gemacht werden.
• Die Lippensynchronisation. Die Modelle bewegen die Lippen gut auf Englisch und Chinesisch; Italienisch ist die Sprache, in der die Distanz am meisten auffällt. Das ist kein Zufall: Viele dieser Modelle kommen aus China, und alle trainieren vor allem auf Englisch. Wenn die Stimme auf Italienisch sein muss, generiere ich die Szene und lege die Stimme in der Postproduktion darüber, wie man es beim Synchronisieren immer gemacht hat.
• Der Text im Video. Frag das Modell nie danach: Die Schriften kommen schief oder erfunden heraus. Texte werden im Schnitt gesetzt, immer.
• Die Hände und kleinen Details. Viel besser als vor einem Jahr, aber sie bleiben der Punkt, den man zu hundert Prozent kontrollieren muss: ein Ring, der die Hand wechselt, eine Tasse, die sich von selbst füllt. Sieh alles Frame für Frame an, bevor du veröffentlichst.
• Das unsichtbare Wasserzeichen. Das siehst du nicht, aber es ist da: Auch wenn ein Video sauber aussieht, schreiben viele Dienste in die Datei eine unsichtbare Signatur, die erklärt, dass es mit KI generiert wurde. Soziale Netzwerke wie TikTok haben Werkzeuge, um sie zu finden. Es ist kein Problem, wenn du transparent bist, und das musst du sein: Aber zu wissen, dass es existiert, erspart dir Überraschungen.

Rechte, Wasserzeichen und kommerzielle Nutzung

Der Teil, der zählt, wenn das Video dein Handy verlassen und in einer Arbeit landen soll. Die Zusammenfassung, die die offiziellen Bedingungen und eine Rechtsberatung nicht ersetzt.

Das Ergebnis ist deins, und die kommerzielle Nutzung ist im Allgemeinen erlaubt. Bei den wichtigsten Tools erkennen die Bedingungen dem Nutzer das generierte Material zu und erlauben seine kommerzielle Nutzung, Marketing eingeschlossen. Die Ausnahmen existieren und hängen mit den Gratis-Plänen mancher Anbieter zusammen: Prüfe immer deinen Plan, nicht das Tool allgemein.

Sichtbare und unsichtbare Wasserzeichen. Die Gratis-Pläne drücken oft das sichtbare Wasserzeichen auf, das in den Bezahlplänen verschwindet. Und wie wir bei den Grenzen gesehen haben, steckt darunter oft auch die unsichtbare Signatur: Sie heißt Herkunft, erklärt die KI-Herkunft der Datei, man sieht sie nicht, und man entfernt sie nicht. Transparenz ist kein Hindernis: Es ist die Richtung, in die die ganze Branche geht.

Die Verantwortung ist deine. Wenn das Modell ein Gesicht generiert, das einer echten Person ähnelt, oder eine erkennbare Marke, bleibt die Verantwortung für die Nutzung bei dir. Und die Plattformen, auf denen du veröffentlichst, von YouTube abwärts, verlangen, KI-generierte oder -bearbeitete Inhalte zu deklarieren: Dieses Kästchen anzukreuzen schmälert die Arbeit nicht, es schützt dich und das Publikum.

In meiner Arbeit für Marken starte ich immer mit Plänen und Kombinationen mit sauberen Lizenzen: Wenn ein Kunde unterschreibt, muss die Kette der Rechte von Anfang bis Ende lesbar sein.

Praxisfall: vom Prompt zum veröffentlichten Reel

Ich zeige dir ein echtes Reel, von Anfang bis Ende, damit die Methode konkret wird. Ein vertikales Reel von dreißig Sekunden, von der Sorte, die ich veröffentliche.

1. Geschichte und Farben. Ich entscheide die Geschichte in drei Sätzen und wähle die Palette der Episode. Jede Episode meiner Serie hat eine eigene Farbkombination: Es ist eine einfache Art, erkannt zu werden, denn wer der Serie folgt, versteht sofort, dass dieses Video unseres ist, noch bevor er den Namen des Accounts liest.
2. Das Character-Sheet der Figur. Ich generiere die Bilder der Figur in den verschiedenen Blickwinkeln: von weitem, das Gesicht nah, von der Seite. Sie dienen dazu, die Figur in jedem Clip des Reels gleich zu halten: Von dort startet jede Generierung.
3. Die Clips. Es braucht sechs bis acht Clips, jeder fünf bis acht Sekunden: einer pro Satz der Geschichte. Ich generiere sie einen nach dem anderen, deklariere immer, was die Kamera tut, und generiere die neu, die nicht tragen.
4. Schnitt. Die Clips kommen in die Timeline und werden im Rhythmus geschnitten: Wie lange jede Einstellung dauert, hängt vom Video ab, das du machst. Die Untertitel wählt man nach den Farben des Videos und nach Geschmack: Die einzige feste Regel ist, dass sie auf jedem Bildschirm lesbar sind.
5. Die Signatur. An den Schluss des Reels setze ich die End Card: zwei Sekunden mit erikataranto.com. Das ist die Signatur des Videos, das, was im Kino der Abspann ist. Und sie steht auf jeder Version, vertikal für die sozialen Netzwerke und horizontal für die Website: Wenn eine Datei loszieht und von allein herumläuft, reist die Signatur mit.

Insgesamt: ein Abend Generierungen und einer Schnitt. Dreißig finale Sekunden, acht Clips, alle geboren aus einem Sheet und fünf Elementen im Prompt.

Die KI dreht, du führst Regie

In meinen Videos ist die KI nicht der Autor: Sie ist die Crew. Sie kann entscheiden, wie sich Wasser bewegt, wie Licht fällt, wie Menschen gehen; wenn mir einer dieser Aspekte wichtig ist, entscheide ich ihn und schreibe ihn in den Prompt, denn was du nicht schreibst, entscheidet sie auf ihre Art. Es gibt eine Grenze: Je mehr Details du schreibst, desto näher kommt das Ergebnis an das, was du im Kopf hast, aber zu viele Anweisungen in einem einzigen Clip vervielfachen die Fehler. Präzision entsteht durch Teilen: mehr kurze Clips mit wenigen Aktionen, statt einem langen Clip mit allem drin.

Der Rest des Handwerks ist Regie, und Regie gibt es, seit es Kino gibt: entscheiden, was das Publikum sieht, wie lange, in welcher Reihenfolge, wann der Klang eintritt und wann die Stille. Die KI hat dieses Handwerk nicht verändert: Sie hat verändert, was es kostet, es zu versuchen. Früher brauchte es eine Crew und ein Budget; jetzt genügen eine Idee und ein Abend. Deshalb enttäuschen die Tutorials "Drück den Knopf und sieh die Magie": Es gibt ein Handwerk zu lernen, und man lernt es, indem man es tut. Man kann mit einem einzigen Clip anfangen, heute Abend, ohne etwas auszugeben.

Und wenn du das Video für deine Marke brauchst und lieber jemanden an deiner Seite hast, der es jeden Tag macht: Das ist genau meine Arbeit, von Reels bis Kampagnen. Sieh, wie wir zusammenarbeiten oder schreib mir: Wir starten mit einer Idee und bringen sie online.

Die Anleitungen zu jedem Tool

Diese Anleitung eröffnet den Pfad durch die KI-Videos. Jedes Tool hat seine Anleitung, geschrieben mit derselben Methode: echte Nutzung und verifizierte Zahlen. Die Anleitungen erscheinen eine nach der anderen; diese Seite bleibt der Punkt, von dem neu gestartet wird:

• Sora 2: was es ist und wie man es benutzt, das geschriebene Projekt;
• Veo 3: die Anleitung, die Kontrolle;
• Kling AI: die Anleitung, der Realismus;
• Seedance: die Anleitung, der Interpret;
• Higgsfield: die Anleitung, die Regie-Plattform;
• KI-Videos kostenlos erstellen, alle Wege für den Start ohne Kosten.

Und wenn du aus der Welt der Bilder kommst: Denselben Weg haben wir schon gemacht, er startet bei KI-Bilder kostenlos erstellen.

Quellen

• OpenAI, Sora (App, Storyboard und Pläne): openai.com
• Google, Gemini API pricing (Veo 3.1): ai.google.dev
• Google DeepMind, Veo: deepmind.google
• Kling AI, Pläne und Credits: kling.ai
• Higgsfield, Pläne: higgsfield.ai
• ByteDance Seed, Seedance 2.5: seed.bytedance.com