Veröffentlicht 2026-06-27 · Aktualisiert 2026-09-16

Multi-Shot-KI-Video-Prompts: eine Idee, eine ganze Shot-Liste

Kurze Antwort: Das größte Upgrade für KI-Video 2026 ist kein besseres Modell — es ist eine bessere Prompt-Struktur. Hör auf, einen Satz zu schreiben, der alles auf einmal verlangt. Schreibe eine nummerierte, getaktete Shot-Liste: Shot 1, Shot 2, Shot 3, jeder mit eigener Kamerabewegung und Handlung, während Subjekt, Stil und Licht in allen identisch bleiben. So wird aus einer Generierung eine kurze Szene, die wirklich zusammenhält.

Das ist der Wandel, den das ganze Feld dieses Jahr vollzogen hat — vom einzelnen Bild-Prompt zur strukturierten Multi-Shot-Regie. So geht es.

Warum ein langer Satz scheitert

„Ein Ritter betritt die Halle, zieht ein Schwert, kämpft gegen drei Wachen, gewinnt und hebt die Klinge, während die Kamera kreist.“ Verlange das alles in einem Atemzug, und das Modell mittelt die Handlungen zu einem verschwommenen Durcheinander — Bewegung morpht, das Gesicht driftet, kein Gefühl für Timing. Das Modell kann nicht wissen, was zuerst und was zuletzt passiert.

Eine Shot-Liste behebt das, indem jeder Beat seinen eigenen Raum bekommt — und du das Tempo kontrollierst: ruhiger Anfang, knackige Mitte, sanfter Ausklang.

Die Anatomie eines Shots

Jeder Shot in der Liste ist eine Zeile mit vier Dingen:

Timing — z. B. (Duration: 3 seconds). Das setzt den Rhythmus und sagt dem Modell, wie viel hineinpasst.
Kamera — Einstellungsgröße und Bewegung: ECU (extreme Nahaufnahme), MCU (mittlere Nahaufnahme), WS (Totale), plus Objektiv/Bewegung wie 50mm slow push-in oder 24mm orbit.
Handlung — eine klare Sache, die passiert. Nicht fünf.
Der Anker — dieselbe Subjektbeschreibung, Wort für Wort wiederholt, in jedem einzelnen Shot, plus die Referenz @Image1 mit der Rolle „nur Identität“.

Zusammengesetzt sieht ein sauberer Drei-Shot-Auftakt so aus (der Prompt bleibt auf Englisch):

CORE IDEA: a young knight steels herself before a duel.
STYLE: cinematic, film-grade lighting, shallow depth of field.
SUBJECT: a young knight, silver-etched armor, a scar over the left brow - repeat these exact tokens every shot.
REFERENCE: @Image1 controls the knight's identity only - not her pose, background or lighting.
ENVIRONMENT: a torch-lit stone hall, drifting dust.

SHOT 1 (Duration: 3 seconds) - ECU, 85mm push-in: her eyes open, jaw set.
SHOT 2 (Duration: 4 seconds) - MCU, 50mm handheld: she draws the sword in one slow breath.
SHOT 3 (Duration: 3 seconds) - WS, 24mm low angle: she steps into a ready stance as the hall falls silent.
[Knight: low, steady]: "Not today."

AUDIO: torch crackle, the blade leaving the scabbard, silence at the end.
CONSTRAINTS: identity consistent every shot; no flicker, no morphing, no drift; no on-screen text.

Die goldene Regel: die Identität verankern

Die wichtigste Gewohnheit ist Token-Anchoring — exakt dieselben Beschreibungswörter in jedem Shot wiederholen („a young knight, silver-etched armor, a scar over the left brow“) und dasselbe Referenzbild über die ganze Sequenz anhängen. Modelle halten eine Figur deutlich besser, wenn die Wörter zwischen den Shots nicht driften. Wir gehen im Guide zur Figurenkonsistenz in die Tiefe.

Tempo, Kamera und Ton

Einstellungsgrößen variieren. Von ECU auf ECU zu schneiden wirkt flach; ECU → MCU → WS liest sich wie Film.
Eine Bewegung pro Shot. Push-in oder Orbit, nicht beides. Widersprüchliche Bewegungen verwischen.
Auf den Rhythmus achten. Kurze Beats (2–3 s) wirken drängend; längere (5–7 s) ruhig. Bewusst mischen.
Audio ergänzen, wenn das Modell es unterstützt — eine Dialogzeile in Anführungszeichen (Kling: [Name: Ton]: "Zeile"), Atmosphäre, ein Musikeinsatz. Veo 3.1, Kling 3.0 und Seedance 2.5 erzeugen synchronen Ton.

Welche Modelle Multi-Shot am besten können

Kling 3.0 rendert bis zu sechs verbundene Shots mit Subjektkonsistenz und mehrsprachigem Lip-Sync. Seedance 2.5 ist für Storyboards und Image-to-Video gebaut — 30 Sekunden in einem Take mit bis zu 50 Referenzen mit Rollen. Veo 3.1 hat das stärkste native Audio bei 8 Sekunden. Die meisten Modelle liefern weiterhin kurze Clips, ein langes Stück besteht also aus mehreren zusammengesetzten Szenen — genau deshalb zählt ein sauberes, wiederholbares Shot-Listen-Format: dasselbe verankerte Subjekt in jeder Szene. Den vollen Modellvergleich findest du in KI-Videogeneratoren 2026.

Häufige Fragen

Was ist ein Multi-Shot-KI-Video-Prompt?

Ein einziger Prompt, geschrieben als geordnete Shot-Liste — Shot 1, Shot 2, Shot 3 —, in der jeder Shot sein eigenes Timing, seine Kamerabewegung und Handlung hat, während Subjekt, Stil und Licht in allen identisch bleiben. Statt eines 5-Sekunden-Clips inszenierst du eine ganze kurze Szene.

Warum ergibt ein langer Satz ein schlechtes Video?

Fünf Handlungen in einem Satz lässt das Modell zu Brei mitteln. Die Idee in nummerierte Shots zu zerlegen gibt jedem Beat Raum, klar zu sein, und dir Kontrolle über das Tempo — ein ruhiger Anfang, eine knackige Mitte, ein sanfter Ausklang.

Wie halte ich die Figur in jedem Shot gleich?

Wiederhole exakt dieselben Identitäts-Tokens (dieselben beschriebenen Merkmale, Wort für Wort) in jedem Shot und hänge dasselbe Referenzbild als @Image1 mit der Rolle „nur Identität“ an. Das nennt sich Token-Anchoring; die volle Methode steht im Konsistenz-Guide.

Welches Modell ist am besten für Multi-Shot-Video?

Kling 3.0 ist für geschnittene Sequenzen gebaut (bis zu 6 Shots pro Generierung, Dialog mit der Syntax [Name: wer, Ton]: „Zeile“, mehrsprachiges Lip-Sync). Seedance 2.5 liefert 30 Sekunden in einem Take mit bis zu 50 Referenzen mit Rollen. Veo 3.1 hat das beste native Audio bei 8 Sekunden. Längere Stücke werden weiterhin aus mehreren Szenen zusammengesetzt.

Muss ich das alles von Hand schreiben?

Nein. GoldenPrompts stellt die ganze nummerierte Shot-Liste für dich zusammen — getaktete Beats, Kamerabewegungen, Identitäts-Anchoring und einen modellspezifischen Dialekt — mit wenigen Klicks.

Keine Lust, Shot-Listen von Hand zu formatieren? GoldenPrompts baut die ganze nummerierte, getaktete Shot-Liste für dich — mit Kamerabewegungen, Identitäts-Anchoring und einem modellfertigen Dialekt für Kling, Seedance und Veo. Kostenlos starten: 24 Stunden alles, ohne Karte.