So schreibst du Szenen-Prompts für Referenzvideos

Bei Text-zu-Video trägt der Prompt alles, deshalb packen die Leute ihn voller Erscheinungsdetails. Mit Referenzen konkurrieren diese Details mit den Bildern. Zeigen die Referenzen kurze braune Haare und der Prompt sagt Auburn-Locken, mittelt das Modell beides und du bekommst eine dritte Version. Die Regel ist einfach: Die Identität steckt in den Referenzen, alles andere im Prompt.

Damit bleibt der Prompt für das frei, was Referenzen nicht liefern können: wo die Szene spielt, was sich bewegt und wie gefilmt wird.

1. Setting. Ein Satz zu Ort und Zeit: "Eine kleine Bäckereiküche im Morgengrauen, Mehl auf der Edelstahlarbeitsfläche." Konkrete Substantive schlagen Adjektive. "Edelstahlarbeitsfläche" sagt dem Modell mehr als "moderne Küche".

2. Aktion. Eine Hauptaktion pro Clip, im Präsens: "Sie hebt ein Blech Brot aus dem Ofen und stellt es auf die Arbeitsplatte." Zwei aufeinanderfolgende Aktionen gehen bei Clips ab acht Sekunden. Drei oder mehr führen meist zu gehetzten oder übersprungenen Bewegungen.

3. Kamera. Benenne Einstellungsgröße und Bewegung: "Halbnah, langsame Kamerafahrt auf das Motiv zu." "Nahaufnahme, aus der Hand, leichtes Schwanken." "Totale, statisch." Lässt du die Kamera weg, wählt das Modell selbst, und zwar jedes Mal anders, was Clips schwer schneidbar macht.

4. Licht. Nenne Quelle und Richtung: "Warmes Licht vom Fenster links." Licht gehört zu den häufigsten Auslösern für Gesichtsdrift. Beschreibe es daher schlicht und halte es über Clips hinweg ähnlich, die später zusammengeschnitten werden.

5. Ende. Sag, wo der Clip endet: "Endet, wenn sie zur Kamera aufblickt und lächelt." Ein klar definiertes Endbild erleichtert den Schnitt auf die nächste Einstellung.

Charakter, Alltagsszene: "Steht in einer minimalistischen Küche im warmen Morgenlicht, gießt Kaffee aus einer Glaskaraffe in eine weiße Tasse, blickt dann auf und lächelt in die Kamera. Halbnah, weiches Tageslicht." Das liegt nah am Prompt des Clips auf dieser Seite.

Produkt, Hero-Shot: "Die Flasche steht auf nassem schwarzem Stein, kleine Tropfen auf dem Glas. Eine langsame Umkreisung um sie herum, flacher Blickwinkel. Ein einzelnes hartes Licht von hinten zeichnet einen Lichtrand entlang der Konturen. Endet auf dem vorderen Etikett, zur Kamera gewandt."

Charakter, Sprechszene: "Ein Heimbüro mit Bücherregalen im Hintergrund. Er lehnt sich zur Kamera und erklärt etwas mit einer Hand. Nah, statische Kamera, Augenhöhe. Weiches Tageslicht von rechts. Endet mit einer kurzen Pause und einem Nicken."

Beachte, was in allen drei fehlt: keine Haarfarbe, keine Augenfarbe, keine Kleidung, keine Logobeschreibung. Darum kümmern sich die Referenzen.

Die Länge bestimmt, was ein Prompt fassen kann. Kling 3.0 Omni erzeugt laut Klings Leitfaden (Stand Oktober 2026) bis zu 15 Sekunden pro Anfrage und unterstützt Mehrfacheinstellungen. Veo-3.1-Referenzclips sind laut Googles Dokumentation immer 8 Sekunden lang. Bei einem drei- oder fünfsekündigen Clip schreibst du eine Aktion. Ab zehn Sekunden schreibst du zwei oder nutzt getrennte Einstellungsbeschreibungen, sofern das Modell Mehrfacheinstellungen unterstützt.

Teilen sich zwei Motive eine Szene, verweise auf jedes über sein Tag, etwa @Element1 und @Element2 in Klings Omni-Modellen, damit das Modell weiß, wer was tut. Das Seitenverhältnis ist eine Einstellung, kein Prompt-Text. Wähle 9:16 für vertikale Social-Videos und 16:9 für Web und YouTube, statt "vertikal" in den Prompt zu schreiben.

Erscheinungsdetails aus den Referenzen wiederholen. Stilwörter, die gegen die Referenzen arbeiten, etwa "Anime", wenn die Referenzen Fotos sind; willst du einen stilisierten Look, nimm stilisierte Referenzen. Qualitäts-Füllwörter wie "Meisterwerk, 8K, ultradetailliert", die Prompts schwerer vergleichbar machen. Mehrere Dinge gleichzeitig ändern, wenn ein Clip scheitert; ändere pro Versuch einen Teil, dann erkennst du die Ursache.

Checkliste: Setting in einem Satz; eine Aktion pro fünf Sekunden; Einstellungsgröße und Kamerabewegung benannt; Lichtquelle und Richtung benannt; ein Endbild; keine Erscheinungsdetails; Seitenverhältnis in den Einstellungen gesetzt.

RefVid ist auf diese Trennung ausgelegt. Das Motiv wird einmal mit seinen Referenzen gespeichert, und das Prompt-Feld mit bis zu 2.000 Zeichen ist nur für die Szene gedacht. Du musst das Motiv nicht taggen; RefVid hängt das Asset bei Kling 3.0 Omni für dich an den Prompt an.