So haben wir einen 8-Sekunden-Comedy-Clip mit zwei konsistenten KI-Figuren gemacht, von A bis Z - RefVid
Mach aus deinen eigenen Fotos in Minuten Videos · Dein erstes Video ist gratis, ohne Wasserzeichen
Erstes Video gratis, ohne KarteMit Generieren bestätigst du, dass alle Abgebildeten zugestimmt haben. AGB
Das ist das komplette Making-of unseres 8-Sekunden-Clips "My wife every year on November 1st": Ein Ehemann holt sich seelenruhig etwas zu trinken, während seine Frau, für die Weihnachten am 1. November beginnt, hinter ihm schon dekoriert.
Das Paar spielen unsere beiden festen Figuren Leo und Mia, aus je vier Fotos. Es brauchte eine einzige Kling-4-Generierung, der erste Take blieb, und von der Idee bis zum fertigen Clip verging etwa eine Stunde.
Unten findest du jeden Schritt der Reihe nach, jeweils mit einem Bild aus unseren eigenen Dateien, dazu die exakten Prompts.
KI-Comedy-Videos erstellen: Fang mit einem Gag in einem Satz an
Die Idee in einem Satz: Ein Ehemann nimmt sich seelenruhig ein Getränk aus dem Kühlschrank, während hinter ihm seine Frau vorbeirennt, die schon für Weihnachten dekoriert – denn für sie beginnt die Saison am 1. November.
Gefunden haben wir sie bei unserem morgendlichen Blick darauf, was in dieser Woche gerade durchstartete: Zwei Paare hatten den Gag am 1. November gepostet, und wir wollten ihn von unseren eigenen Figuren spielen lassen.
Der eine Satz ist der Test. Lässt sich der Witz nicht in einem Satz erzählen, überlebt er auch keine 8 Sekunden Video. Dieser hat außerdem alles, was einen Clip leicht generierbar macht: ein Raum, niemand spricht, zwei Personen und am Ende eine klare Pointe.
Die Figuren wählen: lustige KI-Videos erstellen mit Fotos
Die Rollen waren schon vergeben. Leo und Mia sind die beiden Personen, die wir im RefVid-Studio gespeichert haben, je vier Fotos, und als Paar funktionieren sie gut.
Dieselben Gesichter zählen doppelt. Innerhalb des Clips muss der Mann, der in Einstellung 1 den Kühlschrank öffnet, derselbe sein, der in Einstellung 3 starrt, sonst bricht der Witz am Schnitt. Über Clips hinweg sind es die festen Figuren, die die Leute wiedererkennen: Der nächste Clip mit Leo und Mia startet von denselben Fotos, nicht von einem neuen Zufallsgesicht.
An den Fotos haben wir nichts geändert. Auf ihren Referenzfotos trägt Mia eine Jacke, also musste das Skript ihr Kostüm so deutlich benennen, dass es sich gegen die Fotos durchsetzt; aufgefallen ist das im Review-Schritt weiter unten.
Leo
Mia
Das Skript: Beats, Kamera, Set, Kostüm und Timing
Bevor es einen einzigen Prompt gab, haben wir ein komplettes Skript geschrieben. Zuerst die Beats, Bild für Bild aus dem Original gelesen: Er öffnet den Kühlschrank, dreht sich mit einer Dose zur Kamera, sie rennt bei etwa 4 Sekunden hinter ihm vorbei, und er starrt ihr bis zum Schluss nach.
Dann bekommt jede Einstellung Kamera, Set, Licht, Kostüm und Handlung. Kamera: ein Handy auf Brusthöhe auf einem Stativ, das sich nie bewegt. Set: eine helle, moderne Küche bei Tageslicht, weiße Schränke, salbeigrüne Wände, ein Edelstahlkühlschrank am rechten Bildrand, leere Arbeitsflächen. Kostüm: Leo in seinem marineblauen Hemd; Mia in einem roten Fleece-Onesie vom Hals bis zu den Knöcheln, mit Geweih-Haarreif und einer Girlande über einer Schulter, eine leuchtende Lichterkette hinter sich herziehend.
Timing: drei Einstellungen von 2, 3 und 3 Sekunden, harte Schnitte dazwischen, und schon in der ersten Sekunde bewegt sich etwas. Wir wollten es etwas schneller als das Original, das in einem Take gedreht ist; deshalb ist der Kühlschrank-Beat kurz und ihr Sprint kommt bei 3 statt bei 4 Sekunden.
Das Skript ging durch drei Versionen. v1 war aus der Bildunterschrift geraten – ein Gefrierschrank mit einem Weihnachtsbaum, eingefroren in einem Eisblock – und hielt das Falsche für den Witz; wir haben angehalten, bevor irgendetwas Geld kostete. v2 hatte den echten Gag aus den Frames. v3 ist v2 nach zwei Reviews.
| Einstellung | Kamera | Was passiert |
|---|---|---|
| 1 · 0–2 s | Halbnah, auf Brusthöhe, fest | Leo steht seitlich am Kühlschrank, reißt die Tür auf und hält sie offen |
| 2 · 2–5 s | Gleiche Position, gleiches Objektiv, ein Zeitsprung im Schnitt | Kühlschrank zu, Leo schaut mit einer Dose in die Kamera; Mia sprintet hinter ihm vorbei, die Lichter bleiben auf dem Boden; er reißt den Kopf herum und schaut ihr nach |
| 3 · 5–8 s | Nah, fest | Leo starrt ihr weiter nach, den Mund leicht offen, und blinzelt einmal |
Zwei Skript-Reviews, bevor wir einen Credit ausgaben
Vor dem Generieren prüften zwei getrennte KI-Sitzungen das Skript, und jede sah nur das Skript und die Frames. Eine KI-Video-Regie fragte, ob der Clip den Witz erzählt: 8 Fehler, dann 2, dann sauber. Ein Kling-4-Prompt-Engineer fragte, ob das Modell zeichnet, was die Worte sagen: 7 Fehler, dann sauber.
Die wichtigsten Korrekturen stehen unten. Den Rest listet der andere Beitrag zu diesem Clip auf.
| Vorher | Nachher | Warum |
|---|---|---|
| Einstellung 2: 498 Zeichen | 478 | RefVid nimmt bei einem Kling-Clip mit mehreren Einstellungen bis zu 480 Zeichen pro Einstellung |
| Einstellung 3: Leo dreht sich wieder zum Objektiv | Er starrt ihr weiter nach | Ein Blick ins Objektiv ist ein anderer Witz |
| Einstellung 2: "At 1 second Mia sprints…" | Neu: "Then Mia … sprints…" | Eine Zeitangabe innerhalb einer Einstellung ist kein verlässliches Signal |
| Einstellung 2: "sprints … in a flash" | Neu: "sprints fast in from frame left along the back wall" | "Flash" kann als Licht gezeichnet werden, und es gab ihr keinen Auftritt |
| Einstellung 2: "red fleece onesie" | Neu: "red fleece onesie neck to ankles" | Auf ihren Fotos trägt sie eine Jacke; eine vage Kostümzeile verliert gegen sie |
Vom Skript zu den Prompts: die Kling-Prompt-Beispiele, die wir verwendet haben
Jede Einstellung des Skripts wurde zu einem Prompt: zuerst die Kamera, dann der Ort, dann wer da ist und was er trägt, dann die Handlung der Reihe nach, und am Ende ein Zustand, den das Modell halten kann. Ein Startbild gab es nicht, also beschreibt Einstellung 1 auch die ganze Küche. Leo und Mia stehen mit Namen drin; das Studio macht aus den Namen ihre gespeicherten Fotos.
Einstellung 1, 2 s:
"Medium shot, phone camera at chest height. A bright, clean modern kitchen in daylight: white cabinets, sage-green walls, bare counters, a stainless-steel fridge at frame right, an empty open doorway in the back wall. Leo, in his navy shirt, stands alone, side-on, hand on the fridge handle. Right away, in one quick pull, he yanks the fridge door wide open, cold light spilling out, and holds it open, staring into the fridge. Fixed camera."
Einstellung 2, 3 s:
"Same kitchen and shot, fridge closed. Leo, left of center, faces the camera, silver can at his chest, closed-mouth smirk. Then Mia, her reference face and copper bob, in a red fleece onesie neck to ankles, antler headband, garland on one shoulder, sprints fast in from frame left along the back wall, dragging glowing multicolor Christmas lights, out of frame right; the lit string stays on the floor. Leo snaps his head to frame right and holds. Fixed camera."
Einstellung 3, 3 s:
"Medium close-up from the waist up, the same kitchen behind Leo, who stands alone. Behind him one string of glowing multicolor Christmas lights lies in a long line across the floor. Leo keeps his body toward the camera and his head and eyes turned to frame right, staring blankly, mouth slightly open, silver can at his chest, completely still. He blinks once, slowly, and keeps staring. Fixed camera."
Drei Gewohnheiten funktionieren bei jedem Clip: dieselben Worte für dasselbe Ding in jeder Einstellung ("silver can", "glowing multicolor Christmas lights"), das Tempo direkt am Verb ("sprints fast") und "Fixed camera." am Ende jeder Einstellung. Setz deine eigenen Namen ein, um die Prompts wiederzuverwenden.
Die Parameter: Kling 4, 1080p, 9:16, 8 Sekunden, ein Take
Im Studio haben wir Leo geöffnet, Mia als zweites Motiv hinzugefügt und die drei Prompts in drei Einstellungsfelder von 2, 3 und 3 Sekunden gesetzt. Modell Kling 4, 1080p, 9:16, insgesamt 8 Sekunden. Kein Startbild und kein Endbild.
Die Prompts hatten 446, 478 und 412 Zeichen, gezählt, nachdem die Namen zu Referenz-Tokens wurden; ein Kling-4-Clip mit mehreren Einstellungen nimmt in RefVid bis zu 480 pro Einstellung.
Kosten: 688 Credits für 8 Sekunden Kling 4 in 1080p, immer mit Ton. Wir haben einmal generiert. Bei RefVid gibt es ein einzelnes Video ab 2,99 $, Credit-Pakete ab 9,90 $ und Abos ab 10 $ im Monat, und Credits verfallen nie.
Die Prüfung Bild für Bild: was anders herauskam und warum wir es behalten haben
Wir haben den Take mit 4 Frames pro Sekunde gelesen, 32 Frames für 8 Sekunden, und uns den Sprint genauer angesehen. Das Modell schnitt, wo wir es wollten, bei 1,8 und 4,8 Sekunden. Beide Gesichter passten in jeder Einstellung zu ihren Fotos, und es tauchten keine zusätzlichen Personen auf.
In vier Punkten weicht der Clip von den Prompts ab. Mia kam von rechts statt von links herein, blieb zum Winken stehen und lief auf derselben Seite wieder hinaus. Aus Leos Grinsen mit geschlossenem Mund wurde ein offenes Lächeln. In der letzten Einstellung starrt er ihr erst nach, dreht sich dann langsam zum Objektiv und blinzelt bei 7,3 s.
Ob ein Take bleibt, entscheidet der Witz in einem Satz: vorne der gelassene Ehemann, hinter ihm schon Weihnachten, ein fassungsloser Blick. Alles war da, also haben wir den ersten Take behalten. Ein zweiter hätte weitere 688 Credits für denselben Witz gekostet.
Der Schnitt: Kürzen, Text und Ton
Kürzen: nichts. Das Starren am Ende hielt die vollen 3 Sekunden, also läuft der Clip die ganzen 8 Sekunden so, wie er generiert wurde.
Text: "My wife every year on November 1st 🎄" in weißer, fetter Schrift mit dünner dunkler Kontur, zweizeilig oben im Bild, innerhalb des Bereichs, den die Handy-Apps freihalten, vom ersten bis zum letzten Frame. Er kommt im Schnitt dazu, nie in den Prompt, wo das Modell ihn als Buchstabensalat zeichnen würde.
Ton: Kling 4 erzeugt immer eigenen Ton, und den haben wir entfernt. Die Version auf dieser Seite und auf YouTube hat unser eigenes Arrangement von Jingle Bells, einer gemeinfreien Melodie. Auf Instagram und X läuft der Originalton des Vorbilds, so wie ihn alle in Erinnerung haben, die den Gag kennen; auf TikTok ein Weihnachtslied aus der lizenzierten Sound-Bibliothek der Plattform.
Veröffentlichen und das Ergebnis
Der fertige Clip stand am 3. November um 08:15 UTC, etwa eine Stunde nach dem morgendlichen Blick auf die Trends. Zwischen 08:26 und 08:42 ging er auf YouTube Shorts, Instagram Reels, X und TikTok online, jeweils mit demselben Satz als Posttext.
Jeder RefVid-Clip hat außerdem eine eigene Teilen-Seite mit dem Clip und den drei Prompts, aus denen er entstand – so sieht jeder, wie er gemacht wurde, und kann direkt darauf aufbauen. Dorthin verlinken die Posts.
Probier es selbst
- Speichere drei oder vier Fotos jeder Person einmal als Motiv: von dir, einem Freund, einer Figur, die du erfunden hast. Schreib deinen Gag in einem Satz, dann als zwei oder drei Einstellungen mit den Namen in den Prompts, und generiere.
- Mit der Kurzdrama-Vorlage startest du von einer Szene mit zwei Personen in drei Einstellungen, schon fertig aufgeteilt; ändere Namen, Ort und Handlung für deinen eigenen Witz. Dein erstes 5-Sekunden-Video ist kostenlos.
Mit einer Vorlage starten
Jede Vorlage öffnet das Studio mit fertigen Einstellungen, Format und Länge. Füge dein eigenes Produkt hinzu und generiere.
Weitere Videos mit Figuren
Häufige Fragen
Wie lange hat der Clip gedauert?
Etwa eine Stunde von der Idee bis zum fertigen Clip: die Frames des Originals lesen, das Skript schreiben und prüfen lassen, eine Generierung von ein paar Minuten, die Prüfung Bild für Bild und der Schnitt. Das meiste davon ging für das Skript und die beiden Reviews drauf.
Was hat der Clip gekostet?
688 Credits für einen 8-Sekunden-Clip mit Kling 4 in 1080p, und wir brauchten nur einen Take. Ein einzelnes Video gibt es bei RefVid ab 2,99 $, Credit-Pakete ab 9,90 $ und Abos ab 10 $ im Monat.
Kann ich so einen Clip mit meinem eigenen Gesicht machen?
Ja. Speichere drei oder vier Fotos von dir und von allen anderen im Clip einmal als Motive, schreib die Einstellungen mit euren Namen darin und generiere. Die Gesichter kommen in jeder Einstellung aus deinen Fotos, so wie hier bei Leo und Mia.
Wie lang darf ein Prompt pro Einstellung bei Kling 4 sein?
Im RefVid-Studio nimmt ein Clip mit mehreren Einstellungen bis zu 480 Zeichen pro Einstellung, gezählt, nachdem die Namen der Motive zu Referenz-Tokens werden. Unsere hatten 446, 478 und 412. Ein Clip mit nur einer Einstellung kann deutlich länger sein.
Warum einen Take behalten, der dem Prompt nicht genau folgt?
Ein Videomodell versteht einen Prompt als Regieanweisung, nicht als Drehbuch. Hier kam Mia von der anderen Seite herein, und Leo drehte sich am Ende zum Objektiv, aber der Witz zündete trotzdem – ein zweiter Take hätte also Credits für nichts gekostet. Ändere eine Sache und dreh nur neu, wenn der Witz nicht funktioniert.