So machst du KI-Videos, die nicht nach KI aussehen

Anzeichen 1: Das Gesicht ändert sich von Einstellung zu Einstellung

Warum: Wenn jede Einstellung für sich gezeichnet wird, sagt nichts, wer eine Person ist, also zeichnet das Modell jedes Mal ein plausibles Gesicht. Die Lösung: Jede Figur ist ein Eintrag mit einem freigegebenen Bild, und jede Einstellung, in der sie vorkommt, wird aus diesem Eintrag erstellt. Das Gesicht in der Nahaufnahme ist das Gesicht in der Totale und in Episode neun, weil die Quelle der Eintrag ist, nicht der vorherige Clip. Eine schlechte Einstellung vergiftet die nächste nicht: Generiere sie neu oder mach weiter.

Dein Anteil: Gib die Referenzbilder in Schritt 2 von SceneMixer frei, bevor du für irgendein Video bezahlst. Beschreibe das Gesicht mit den konkreten Dingen, die ein echtes Gesicht hat, einem schiefen Schneidezahn, einer gebrochenen Nase, grauen Stoppeln, einer Narbe, nicht mit Urteilen wie „schön“, denn das Modell macht aus einem Urteil ein durchschnittlich hübsches Gesicht. Das Referenzbild wird mit schlichtem Seitenlicht gezeichnet, das die Knochen zeigt, den Rest erledigt also die Beschreibung. Kostenlos: die ersten 15 Referenzbilder eines Kontos. Dasselbe Gesicht in jeder Einstellung · Beschreibe die Ursache, nicht das Ergebnis.

Anzeichen 2: Der Raum ordnet sich um, und Personen tauschen die Seiten

Warum: Ein Gespräch besteht aus drei oder vier Einstellungen, und wenn jede Einstellung ihren Raum erfindet, wandert das Fenster, und der Mann, der links war, steht rechts. Ein Gegenschuss zeichnet sogar eine Wand, die es nie gab. Die Lösung: Jede Szene bekommt automatisch ein KI-3D-Modell, den Raum, die wichtigen Möbel und einen Platz für jede Person, und jede Einstellung der Szene wird gegen dieses eine Modell generiert. Die Totale, die Nahaufnahmen und der Gegenschuss beschreiben denselben Raum aus verschiedenen Positionen. Es gibt nichts einzurichten.

Dein Anteil: Schreibe Positionen als Beziehungen zu Dingen im Raum und zueinander, „am Kopfende des Tisches, ihr gegenüber, mit dem Rücken zum Fenster“, einmal zu Beginn des Segments und erneut nur, wenn sich jemand bewegt. „Am Fenster“ gilt aus jeder Kameraposition; „links“ stimmt nur aus einer. Alle bleiben, wo sie saßen · Positionen so schreiben, dass die Welt sie lesen kann · Warum Figuren die Seiten tauschen.

Anzeichen 3: Kleidung und Wunden springen oder ändern sich nie

Warum: Ein Modell, das ein Referenzbild bekommt, kopiert, was darin ist, das Gesicht, die Kleidung, die Form eines Objekts, und kein Satz redet es ihm aus. Die Lösung: Etwas, das anders aussieht, braucht ein eigenes Bild, einen sogenannten Zustand: ein kompletter Outfitwechsel, eine Verwandlung, eine verbrannte Halle, eine Klinge ohne Scheide. Das Einlesen schlägt sie innerhalb von Obergrenzen vor (bis zu drei Looks für eine Figur, zwei für einen Ort, einen für ein Requisit) und ermittelt, welches Segment welchen nutzt. Alles, was nur die Situation ändert, etwa Stehen oder Sitzen, Tag oder Nacht, Regen, Staub oder wer was hält, wird in Worten geschrieben und funktioniert gut. Regen ist insbesondere Text, kein Zustand.

Der Test ist eine einzige Frage: Sieht das Ding selbst anders aus, oder die Situation um es herum? Könnten beide Versionen in einem Bild vorkommen, sind es zwei Assets, nicht ein Asset mit Zustand. Kostümwechsel und Szenenzustände.

Anzeichen 4: Eine Menschenmenge, die auftaucht, verschwindet oder ins Leere starrt

Warum: Ob eine Einstellung Personen im Hintergrund hat, ist eine Tatsache, und wenn der Text sie nie nennt, entscheidet das Modell Einstellung für Einstellung. Eine Hochzeit mit voller Kirche in einer Einstellung und leerer Kirche in der nächsten ist der Klassiker. Die Lösung: Nenne die Menschenmenge einmal als Tatsache für das ganze Segment: wer, wo, bei was, etwa „ein Dutzend Gäste an den Tischen, die essen und reden“. Ist der Ort leer, sag, was stattdessen da ist: „eine leere Straße, Stühle an die Café-Wand gestapelt“. Eine Verneinung wie „keine Menschenmenge“ führt tendenziell zur Menschenmenge, weil ein Satz eine Liste von Dingen ist, die man zeichnen könnte. Hintergrundpersonen in einer Szene · Sag, was da ist, nicht was nicht da ist.

Setze einen @-Chip auf jede Figur, die in einer Einstellung sichtbar ist, und auf niemanden, der nur zu hören ist oder sich woanders im Raum befindet: Ein ungesehener Name lädt ein Gesicht ein, das nicht da sein sollte. Wer im Bild ist.

Anzeichen 5: der generische KI-Look

Warum: Der Durchschnitt von allem ist glatte Haut, perfekte Symmetrie, gleichmäßiges Licht aus dem Nichts. Die Lösung: Wähle den Look bewusst und in Schichten. Der Bildstil ist das Medium; der Szenenstil ist das, woraus das Set gebaut ist; der Kostümstil ist das, was die Leute tragen. Sie werden getrennt gehalten, weil sie verschiedene Schichten steuern, und sie in einer Box zu vermischen macht alles generisch. Gib dann jeder Einstellung ein Licht mit Quelle (eine Schreibtischlampe, Scheinwerfer, deren Licht über die Decke streicht, bedeckter Mittag), schreibe Handlungen als physische Ursachen (der Zug bremst, und ihr Kaffee kippt) und halte zwei oder drei Personen pro Einstellung.

Lass die Zauberwörter weg. „Masterpiece, 8K, cinematic, volumetric fog“ bringt nichts, was das Modell zuordnen kann, schiebt die wichtigen Wörter weiter nach unten und wird manchmal wörtlich gemalt: Der Nebel erscheint wirklich. So wirkt KI-Video realistischer · Keine Zauberwörter · Deine Stileinstellungen wählen.

Anzeichen 6: Der Ton gehört nicht zum Bild

Warum: Wird Sprache nach dem Bild aufgenommen oder synchronisiert, driften Lippen und Worte auseinander. Die Lösung: SceneMixer generiert jedes Segment mit dem Ton schon darin: Jede mit Tag versehene Zeile wird in der Stimme der jeweiligen Figur von der Person gesprochen, deren Lippen sich bewegen, dazu kommt die Atmosphäre des Ortes. Jede Figur hat eine Stimme, die einmal gewählt und für jede Zeile in jeder Episode verwendet wird; ordne eine aus der eingebauten Bibliothek zu, und sie hängt an jeder Einstellung, in der diese Figur spricht.

Dein Teil: Schreib jede Zeile mit Sprecher- und Stimm-Tag, gib allen anderen in der Einstellung geschlossene Lippen, füge eine Atmo-Zeile mit ein paar Wörtern hinzu und markiere eine stumme Einstellung als Kein Dialog. Taucht Schrift im Bild auf, hat eine Einstellung sie eingeladen, indem sie ein Schild, eine Bildunterschrift oder einen Bildschirm mit Inhalt erwähnt hat; beschreibe stattdessen einen leeren Bildschirm und generiere neu. Dialog und Ton in einer Generierung · Text im Bild und falscher Dialog.

Ein Drei-Minuten-Test für dein erstes Segment

Probiere das an einem SceneMixer-Segment in der niedrigsten Stufe aus, bevor du den Rest generierst; ein erneuter Versuch kostet dort wenig, und die Erkenntnisse gelten für jede spätere Einstellung. Eine Checkliste vor dem Generieren.

Was sich mit dem Setup nicht beheben lässt

Hände, fünf gleichzeitig sprechende Personen und feine Details in einer Menge sind die Stellen, an denen sich KI-Video noch verrät, und die Antwort ist, weniger zu verlangen: weniger Personen, eine Handlung pro Einstellung. Zwei identische Anfragen können zwei verschiedene Clips ergeben, einige Einstellungen brauchen also einen zweiten Take. Und ein Gesicht, das einer echten Person zu nahe kommt, wird abgelehnt, das ist eine Regel, kein Mangel. Das ehrliche Ziel ist nicht, zu verbergen, dass ein Video mit KI entstanden ist, wofür es das Badge und die Plattform-Kennzeichnungen gibt, sondern die Aussetzer zu beseitigen, die von der Geschichte ablenken.

FAQ

Aktualisiert am 2. November 2026