KI Video aus Skript erstellen: Jedes Skript Schritt für Schritt in Clips verwandeln

KI Video aus Skript erstellen heißt: Ein geschriebenes Skript wird in kurze Szenen (Beats) geteilt, für jede Szene entsteht ein KI-Clip, und eine Sprecherstimme verbindet alles zu einem fertigen Video. Aktuelle Modelle erzeugen nur wenige Sekunden pro Clip, deshalb ist das Skript der Plan und sind die Clips die Einstellungen. Diese Anleitung zeigt die Schritte, Prompts zum Kopieren und die Fehler, die Szenen unzusammenhängend wirken lassen.

Was bedeutet Script to Video mit KI und wie unterscheidet es sich von Text-zu-Video?

Text-zu-Video macht aus einem Prompt einen Clip. Script to Video beginnt früher und endet später: Es startet mit einem vollständigen Skript mit Anfang, Mitte und Ende und endet mit einer Folge von Clips, die dieser Geschichte folgen. Kein Modell macht aus einem 300-Wörter-Skript einen dreiminütigen Film, denn aktuelle Modelle, auch die in VIBE, erzeugen Clips von etwa 4 bis 8 Sekunden. Das Skript liefert die Struktur, die Modelle liefern die Einstellungen. Einen neutralen Überblick bietet der Wikipedia-Eintrag zu Text-to-Video-Modellen; die Prompt-Grundlagen findest du in unserem Leitfaden zu KI-Video-Prompts.

Wie mache ich aus einem Skript ein KI-Video, Schritt für Schritt?

1. Teile das Skript in Beats. Ein Beat ist eine Idee oder eine Handlung, meist ein Satz Sprechertext. Schreibe jeden Beat in eine eigene Zeile.
2. Lege für jeden Beat das Bild fest. Schreibe einen Satz dazu, was man sieht, nicht was der Sprecher sagt.
3. Fixiere den Look. Wähle ein Licht, eine Farbstimmung und ein Format, etwa 9:16 für TikTok, Reels und Shorts, und verwende dieselben Worte in jedem Prompt.
4. Schreibe pro Beat einen Prompt aus Motiv, Handlung, Ort, Kamera und Licht, wie in den Beispielen unten.
5. Generiere jeden Clip, behalte die beste Version pro Beat und wiederhole nur die schwachen.
6. Nimm die Sprecherstimme für das ganze Skript auf oder erzeuge sie, und schneide die Clips auf den Rhythmus der Stimme.
7. Ergänze Untertitel und exportiere im Format der Plattform, auf der das Video erscheint.

Die Reihenfolge ist wichtig. Wer zuerst Clips erzeugt und danach das Skript schreibt, bekommt schöne Bilder ohne Geschichte. In VIBE ist die Erzeugung einfach: Modell im Modellbereich wählen, Prompt einfügen, generieren, kostenlose Modelle ohne Anmeldung. Dieselben Schritte funktionieren für einen 20-Sekunden-Teaser und für ein dreiminütiges Erklärvideo.

Wie lang sollte jeder Beat sein?

Passe den Beat an den Clip an, nicht umgekehrt. Die meisten Modelle erzeugen Clips von etwa 4 bis 8 Sekunden, und Veo 3.1 Fast bietet laut veröffentlichter Modelldokumentation 4, 6 oder 8 Sekunden. In dieser Zeit spricht ein Sprecher in normalem Tempo etwa einen Satz, daher ist ein Satz pro Beat die zuverlässigste Regel. Braucht ein Satz mehr als eine Idee, teile ihn in zwei Beats. Stand Oktober 2026 verbessert diese eine Änderung die Ergebnisse am meisten.

Beat 1: der Einstiegs-HookVeo 3.1 Fast

“A woman in a denim jacket opens the door of a tiny corner bakery at sunrise, warm light spilling onto the pavement, slow dolly-in from the street, soft ambient street sounds, shallow depth of field, 9:16 vertical.”

Wie schreibe ich einen Prompt pro Beat?

Behandle jeden Beat als eigene Einstellung, denn das Modell kennt nur den Prompt vor sich und erinnert sich nicht an den vorigen Clip. Für Konsistenz wiederholst du Figurenbeschreibung, Ort und Licht in jedem Prompt und änderst nur Handlung und Kamera. Das ist dasselbe Prinzip wie bei konsistenten Figuren im KI-Video, nur über das ganze Skript. Ein guter Beat-Prompt enthält:

• Motiv: wer oder was im Bild ist, in jedem Beat gleich beschrieben („eine Frau in Jeansjacke“).
• Handlung: eine Verbphrase für das, was im Clip passiert.
• Ort und Licht: Schauplatz und Tageszeit, wortgleich in allen Beats.
• Kamera: nur eine Bewegung, etwa langsame Fahrt nach vorn, Handkamera oder statisch.
• Format: das Seitenverhältnis, zum Beispiel 9:16 hochkant.

Beat 2: eine Detailaufnahme im selben LookSeedance Pro Fast

“Close-up of hands kneading dough on a floured wooden counter, steam rising from a tray of fresh bread behind, the same warm sunrise light through the window, slow push-in, shallow depth of field, 9:16 vertical.”

Beat 3: die Schlussaufnahme mit derselben FigurVeo 3.1 Fast

“The same woman in the denim jacket hands a paper bag of bread to a smiling customer across the counter, same bakery interior, same warm sunrise light, gentle handheld camera, natural bakery ambience, 9:16 vertical.”

Wie synchronisiere ich Sprecherstimme und Untertitel mit den KI-Clips?

Arbeite von der Stimme aus. Nimm den Sprechertext für das ganze Skript zuerst auf oder erzeuge ihn, dann setze jeden Clip dort auf die Zeitleiste, wo sein Satz beginnt. Ist ein Clip länger als sein Satz, kürze das Ende; ist er kürzer, schneide früher zum nächsten Beat. Modelle, die Ton zusammen mit dem Bild erzeugen, etwa Veo 3.1 Fast, liefern Umgebungsgeräusche und Dialog; unser Leitfaden zu KI-Video mit Ton erklärt, wann du ihn behältst und wann du ihn unter der Stimme stummschaltest.

• Halte die Sprecherstimme als eine durchgehende Spur, damit das Tempo zwischen den Clips nicht neu beginnt.
• Schneide auf gesprochene Wörter, nicht auf Clipgrenzen, damit das Video geschnitten statt aneinandergereiht wirkt.
• Füge Untertitel zuletzt im sicheren Bereich des Hochformats ein; viele sehen Kurzvideos ohne Ton.
• Exportiere im geplanten Plattformformat aus Schritt drei; im Leitfaden zu Seitenverhältnissen steht mehr.

Welche KI-Videomodelle eignen sich für ein Skript?

Nutze zwei Modelle: ein schnelles, kostenloses zum Testen jedes Beats und ein stärkeres für die finalen Takes. Stand Oktober 2026 sind Seedance Pro Fast, Wan 2.6, LTX Video, Luma Dream Machine und PixVerse die kostenlosen Modelle in VIBE, und Veo 3.1 Fast ist ein Premium-Modell, das Ton erzeugen kann. Details findest du auf der Seedance-Seite und der Veo-3.1-Seite. Hintergründe zur Veo-Familie veröffentlicht Google DeepMind unter deepmind.google.

Welche Fehler ruinieren einen Script-to-Video-Workflow?

• Den Sprechertext promptet. Der Prompt beschreibt, was man sieht, nicht was gesagt wird; „Umsatz wuchs“ ist keine Einstellung.
• Den Look zwischen Beats ändern. Anderes Licht oder andere Kleidung lässt ein Video wie fünf wirken.
• Zwei Ideen in einen Clip pressen. Teile den Beat; jeder Clip trägt eine Handlung.
• Text im Bild per Prompt erzeugen. Modelle zeichnen Schrift unzuverlässig; Titel und Untertitel gehören in den Editor.
• Alles zuerst in Premium-Qualität generieren. Teste mit einem kostenlosen Modell und setze Premium nur für die finalen Takes ein.

Wenn du auf YouTube veröffentlichst, gelten die Regeln zur Kennzeichnung realistischer synthetischer Inhalte auch für dein fertiges Video; die aktuelle Richtlinie steht bei YouTube-Hilfe. Einen kompletten Kanal-Workflow mit derselben Methode beschreibt unser Playbook für Faceless-YouTube-Kanäle, und unter So funktioniert VIBE startest du dein erstes Skript.

Häufig gestellte Fragen