Warum jetzt?
KI-Video ist 2026 vom Spielzeug zum Marketing-Werkzeug geworden: aus einem getippten Satz entsteht in Minuten ein Clip (früher Tage + Filmteam).
Text- vs. Image-to-Video
Text-to-Video: die KI erfindet das Bild aus Worten. Image-to-Video: du gibst ein Startbild vor (z. B. Produktfoto) — mehr Kontrolle.
Prompt
Deine „Bestellung" an die KI. Beschreibe was UND wie (Kamera, Licht, Stimmung, Bewegung). Je genauer, desto besser das Ergebnis.
Die 5-Bausteine-Formel
Motiv + Umgebung + Licht/Stimmung + Kamera + Extras (Ton, Format, Stil). Damit muss die KI nicht raten.
Veo 3.1
Stark bei Realität und nativem, lippensynchronem Ton aus einem Guss, tief in Google integriert. Achtung: „4K" ist nur hochskaliert (in Flow/API), nicht nativ. Clips ~8 Sek. (Extend für länger).
Kling (Version 3.0)
Kreativ-Allrounder mit echtem, nativem 4K und bis ~15 Sek. Clips. Storyboard, Motion Brush, Charakter-Konsistenz — stark fürs Storytelling. (Es gibt kein „Kling 3.5".) Deutscher Sprach-Ton nicht bestätigt.
Gemini
Die einfachste Einstiegstür zu Veo: vertraute Chat-Oberfläche. Achtung: Die Gratis-Stufe kann KEIN Video — Video erst ab Google AI Plus (4,99 €/Monat).
Nativer Ton
Bild und Ton entstehen gleichzeitig (früher mühsam nachträglich draufgeklebt). Für zuverlässigen deutschen Ton lieber ElevenLabs separat nutzen.
Anfängerfehler
Zu vage, zu viel auf einmal, Kamera vergessen, Format vergessen, nach dem ersten Versuch aufgeben. Tipp: nur einen Baustein ändern und vergleichen.
Vom Clip zum Video
Ein Clip ist nur eine Zutat. Ein fertiges Video braucht Stimme (ElevenLabs), Schnitt/Untertitel (CapCut), Musik und Call-to-Action.
KI-Agent
Wie ein Praktikant mit Zielvorgabe: bekommt ein Ziel und macht mehrere Schritte allein — statt bei jeder Frage neu zu warten.
Agenten-Workflow
Ein Fließband: Ideen → Skript → Stimme → Video → Schnitt → Publish. Ein Orchestrator in Claude Code/Codex verbindet die Stationen (MCP oder kleine Skripte); Make/n8n sind die No-Code-Alternative. Erst das Handwerk, dann automatisieren.