Kann eine Person allein einen KI-Kurzfilm drehen? Storyboard, Figurenkonsistenz und Anschlüsse
Ja. Nur nicht jeder Teil davon.
Ich habe KI-Filmproduktion im Alleingang an einer absichtlich winzigen Geschichte getestet: Ein Mann findet einen gefalteten Zettel in der Tasche eines alten Mantels. Acht Einstellungen, eine Person, von einem einzigen Satz zu etwas, das man von vorn bis hinten ansehen kann. Was funktioniert hat, wo ich hängen geblieben bin und was es wirklich gekostet hat.
Was eine Person allein fertigstellen kann und was nicht
Erst die Schlüsse, damit du nicht mit falschen Erwartungen weiterliest.
Was eine einzelne Person inzwischen allein schafft: das Storyboard, das Aussehen der Figur und die Figurenkonsistenz, das Bild jeder Einstellung, die Anschlüsse zwischen den Einstellungen, Stimme und Lippensynchronität. Arbeit, die früher Kamera, Licht, Ausstattung und Darsteller brauchte, passt inzwischen tatsächlich auf einen Schreibtisch.
Was weiterhin nicht geht: durchgehende komplexe Bewegung über etwa fünf Sekunden hinaus, Spiel, das präzise auf eine Dialogzeile getaktet ist, jede Einstellung mit lesbarem Text im Bild (dazu unten mehr) und alles, was einen echten Ort oder einen echten Menschen braucht, der reagiert.
Der Sweet Spot der KI-Filmproduktion liegt heute also bei 30 Sekunden bis 2 Minuten, montiert aus mehreren kurzen Einstellungen. Versuche keine dreiminütige Plansequenz — das ist kein Problem der Prompt-Formulierung, das ist die aktuelle Obergrenze des Verfahrens.
Wie wird aus einem Absatz ein Storyboard?
Das Storyboard ist der Schritt, der zuerst kommt, und der günstigste im gesamten Ablauf der KI-Filmproduktion. Er ist schnell, kostet fast nichts und legt Erzählprobleme offen, bevor du echtes Geld in fertige Bilder steckst.
Die Methode ist stumpf: Zerlege die Geschichte in einen Satz pro Einstellung und schreibe in jeden Satz drei Dinge — Bildgröße, Handlung, Licht. Dann lass einen Durchgang Bleistift-Thumbnails über die KI-Bildgenerierung laufen.
Meine Aufteilung: Totale, die den Raum setzt → Halbnah, der Mantel wird vom Bügel genommen → Nah, eine Hand schiebt sich in die Tasche → Nah, der Zettel geöffnet in einer Handfläche → Halbnah, der Kopf hebt sich zum Fenster → Totale, Mantel an, er geht zur Tür → die Treppenhaustür öffnet sich ins Morgenlicht → Weit, sein Rücken die Straße hinauf.
Ein kontraintuitiver Rat in dieser Phase: versuche nicht, gut zu zeichnen. Du prüfst nur drei Dinge — trägt die Geschichte, wechseln die Bildgrößen, ist eine Einstellung überflüssig. Je gröber die Skizze, desto leichter fällt das Streichen. Mein erster Durchgang hatte 11 Felder; der Rhythmus stimmte erst bei acht.
Wie hält man dasselbe Gesicht über alle Einstellungen?
Figurenkonsistenz ist die Stelle, an der KI-Filmproduktion am häufigsten bricht, und der Schritt, der mich am meisten Zeit gekostet hat.
Die Antwort ist ein Figurenblatt: einmal bauen, dann in jeder Einstellung referenzieren statt das Gesicht in Worten zu beschreiben. Konsistenz entsteht aus der Wiederverwendung eines Referenzbildes, nicht aus einer detaillierteren Beschreibung.
Ich habe zuerst eine saubere Frontalaufnahme erzeugt — grauer Hintergrund, gleichmäßiges Licht, kein Styling, kein Ausdruck, im Grunde ein Castingfoto. Daraus dann Dreiviertel, Profil und Rückansicht. Diese vier Bilder sind der „Darsteller" dieses Films, und jede folgende Einstellung bekommt dieses Blatt mit.
Drei praktische Hinweise:
Beschreibe das Gesicht nicht in Text. „Mitte dreißig, kurze schwarze Haare, leichter Bartansatz" erzeugt hundert verschiedene Menschen. Überlass das Gesicht dem Referenzbild; der Prompt trägt nur, was sich in dieser Einstellung ändert.
Erzeuge Rücken- und Profilansicht gleich mit. Wartest du bis zur Einstellung, in der er weggeht, ist es mit hoher Wahrscheinlichkeit nicht mehr derselbe Mann wie frontal.
Schreib die Kleidung in jeden Prompt. Figurenkonsistenz ist nicht nur das Gesicht — driftet Farbe oder Schnitt des Mantels, sieht das Publikum den Bruch trotzdem. Wer diese drei Punkte hält, hat die Figurenkonsistenz eines KI-Kurzfilms im Wesentlichen gelöst.
Wie schließen Einstellungen an, ohne zu springen?
Der aufwandsärmste Weg: das letzte Bild einer Einstellung wird das erste Bild der nächsten.
Diese zwei Bilder sind die erste und zweite Hälfte desselben Moments: links schaut er auf den Zettel, rechts ist der Kopf zum Fenster hochgekommen. Der Ausschnitt hat sich nicht bewegt, die Lichtrichtung nicht, das Grading nicht — geändert haben sich nur Kopfwinkel und Blickrichtung. Zusammengeschnitten liest sich das als eine durchgehende Reaktion.
Gib beide in Erstes & letztes Bild zu Video als Start- und Endpunkt und lass das Modell die Lücke füllen. Das ist deutlich stabiler, als ein Modell eine ganze Handlung „spielen" zu lassen, und es schützt auch die Figurenkonsistenz, weil du beide Enden festgelegt hast.
Zwei Anschlussdetails werden übersehen, und beide kosten in der KI-Filmproduktion mehr als beim Realdreh, weil man sie nicht am Set korrigieren kann. Die Lichtrichtung muss passen. Kam das Licht in einer Einstellung von links, darf es in der nächsten nicht von rechts kommen — das Publikum kann nicht benennen, was falsch ist, spürt es aber. Das Grading muss passen. Alle acht meiner Einstellungen tragen „kalte Morgendämmerung" im Prompt selbst; ich habe nicht darauf gesetzt, das später zu retten.
Wie prüft man alle Einstellungen zugleich und macht nur die schlechten neu?
Bilder einzeln zu öffnen belügt dich. Jedes wirkt allein in Ordnung; erst in der Reihenfolge fällt auf, dass das Gesicht in Einstellung drei gedriftet ist.
Ich lege alle acht auf die generative Leinwand, in Reihenfolge, in einer Zeile, und trete zurück. Probleme der Figurenkonsistenz fallen in einer Reihe am leichtesten auf — ein gedriftetes Gesicht oder falsches Licht springt in einem Durchgang heraus. Diese eine Gewohnheit hat den Großteil der Nacharbeit aus meiner KI-Filmproduktion entfernt: Ich lasse nur die falsche Zelle neu rechnen, statt die Sequenz neu zu bauen.
Das sind meine finalen acht. Die Hand in Einstellung drei ging zweimal neu; das Gegenlicht in Einstellung sieben bekam eine Belichtungskorrektur.
Und der Ton?
Die Bilder sind an diesem Punkt fertig, aber ein KI-Kurzfilm ohne Ton hält niemanden über 30 Sekunden.
Meiner hat keinen Dialog, brauchte also nur Atmo. Mit Dialog lautet die Reihenfolge: Stimme über Text-to-Speech erzeugen oder mit Voice Clone eine feste Stimmfarbe klonen, dann Lippensynchronisation laufen lassen, um den Mund anzupassen.
Dreh diese Reihenfolge nicht um. Machst du die Bilder zuerst, passen Mundbewegungen und Satzlängen nicht zusammen; legst du die Audiodauer zuerst fest und erzeugst die Bilder passend dazu, arbeitest du deutlich weniger nach. Ton zuletzt ist der häufigste Ablauffehler in der KI-Filmproduktion.
Wo liegt die Grenze, ein Bild zu bewegen?
Diese fünf Sekunden stammen aus der Einstellung oben: Atmen, ein Blinzeln, der Blick verschiebt sich leicht, die Stirn zieht sich minimal zusammen.
Ich habe dreimal versucht, ihn „umzudrehen und zur Tür gehen" zu lassen, und es hat jedes Mal deformiert — zwei Schritte, und es ist nicht mehr er. Die Grenze ist damit klar: kleine Reaktionen auf der Stelle sind verlässlich; eine Figur eine Strecke gehen oder eine komplexe Handlung ausführen zu lassen, ist es noch nicht. Für Einstellungen mit Bewegung erzeuge ich zuerst das Endbild und interpoliere, statt das Modell spielen zu lassen.
Drei Fehlschläge, ehrlich berichtet
Text im Bild ist Fake. Zoom in meine Nahaufnahme des Zettels, und die „Handschrift" auf dem Papier ist Kauderwelsch — Generierungsmodelle produzieren keinen lesbaren Text, was eine ganze Kategorie von Einstellungen in der KI-Filmproduktion stillschweigend ausschließt. Entweder du filmst es nicht scharf (unscharf, halb verdeckt), oder du setzt echten Text hinterher ein.
Hände muss man weiterhin einzeln prüfen. Bei der Einstellung mit der Hand in der Tasche saß in der ersten Version ein Fingergelenk falsch; es brauchte zwei Wiederholungen. Jede Einstellung mit Händen im Bild wird herangezoomt.
Durchgehende Bewegung verliert das Gesicht. Wie oben — Bewegung über zwei, drei Sekunden bricht fast immer, und die Figurenkonsistenz fällt zuerst.
Die kopierbare Achter-Shotliste
In dieser Reihenfolge musst du nicht zurück:
- Geschichte in einen Satz pro Einstellung zerlegen, jeder mit Bildgröße, Handlung, Licht
- Grobes Storyboard erzeugen und auf die nötigen Einstellungen kürzen
- Figurenblatt bauen, um die Konsistenz festzunageln: frontal, Dreiviertel, Profil, Rücken
- Einstellung für Einstellung nach Board erzeugen, jedes Mal das Blatt mitgeben, Grading in jeden Prompt schreiben
- Wo Einstellungen anschließen: zuerst das Endbild, dann das erste Bild
- Alles auf die Leinwand legen und in der Reihe vergleichen; nur Defektes neu rechnen
- Audiodauer festlegen, dann Bilder auf das Audio anpassen
- Hände, Ohren und jeden Text im Bild heranzoomen
Die kompletten acht Einstellungen haben etwa drei Stunden gebraucht, den größten Teil davon Prompts schreiben und Takes auswählen, nicht auf Generierung warten. Figurenkonsistenz und Anschlüsse gehen etwa doppelt so schnell, sobald man sie ein paar Mal gemacht hat.
Für Titel, Konzeptstücke und Pitch-Material reicht das schon. Für eine fertige kommerzielle Auslieferung würde ich weiterhin real drehen und mit KI Einstellungen ergänzen. Wer den Ablauf der KI-Filmproduktion selbst gehen will: KI-Videogenerierung ist der Einstieg — ein Satz genügt zum Anfang.