Wie ich einen fotorealistischen Wikinger-Film mit KI gemacht habe (Vollständiger Workflow)

Ich habe einen fotorealistischen Wikinger-Kurzfilm namens Ulysses komplett mit KI gemacht. Keine Kamera, kein Team, keine Schauspieler, kein Set. Etwas über vierhundert Einstellungen, in etwa acht Tagen erstellt, die wie echtes Filmmaterial aussehen. Das ist der komplette Workflow, vom Anfang bis zum Ende, genau so, wie es auf dem Canvas passiert ist. Schau dir zuerst den fertigen Film auf Flick TV an, wenn du möchtest; alles Folgende zeigt, wie er gemacht wurde.

Es ist ein Kurzfilm über zwei scheinbar gewöhnliche Spiel-NPCs, die in einem leeren Warteraum warten, nur damit wir nach und nach erkennen, dass sie möglicherweise lebendiger sind als der Spieler, der sie steuert. Anstatt NPCs als inaktiven Hintergrund-Code zu sehen, stellen wir uns vor, dass sie weiter existieren, auch wenn sie nicht gesehen werden, mit ihrem eigenen Bewusstsein, ihrer Unsicherheit und ihrer Präsenz. Die Geschichte beginnt als absurdes Wartespiel, wird aber langsam zu einer Reflexion darüber, was es bedeutet, sichtbar zu sein, zu performen und ein Innenleben zu haben.

1. Erst die Geschichte, dann die Einstellungen

Ulysses ist eine Geschichte aus der Wikingerzeit: ein Wirt einer Methalle, ein junger Wächter, ein gepanzerter Krieger und ein Drache. Bevor ich irgendetwas generiert habe, habe ich die Geschichte in einzelne Einstellungen zerlegt, so wie man jeden Film mit einem Storyboard plant. Jede Einstellung bekam einen groben Plan dafür, wer darin vorkommt, wo die Kamera steht und was passiert.

2. Die Charaktere als Referenzblätter besetzen

Dies ist der wichtigste Schritt. Für jeden Charakter habe ich ein klares Drei-Ansichten-Referenzblatt generiert – von vorne, im Profil und in Dreiviertelansicht – vor einem schlichten grauen Hintergrund, wie ein Casting-Foto.

Das Blatt wird zum „Schauspieler" des Charakters. Jede spätere Aufnahme dieser Person baut darauf auf, sodass das Gesicht niemals abdriftet. Das Referenzblatt meiner Hauptfigur wurde als Basis in neunundsiebzig verschiedenen Einstellungen wiederverwendet. Kostüme und Rüstungen erhalten die gleiche Behandlung: Ich habe die Rüstung von Hand skizziert und die Skizze dann in eine vollständig fotorealistische Rundumansicht umgewandelt.

3. Jede Einstellung von Hand skizzieren

Dieser Schritt überrascht die meisten Menschen. Bevor ich ein Bild generiert habe, habe ich eine grobe Skizze der Komposition gezeichnet, nur Formen: wo der Charakter steht, wo der Horizont liegt, wohin die Kamera schaut. Bei diesem Film habe ich das für Hunderte von Einstellungen gemacht.

Die Skizze ist Blocking und Kamera in einem. Sie ist schnell, sie ist austauschbar, und sie gibt dem Modell etwas Exaktes zum Folgen, anstatt eine Komposition aus Worten zu erraten.

4. Die Skizze in ein fotorealistisches Bild verwandeln

Dann habe ich in Nano Banana drei Dinge kombiniert: die Kompositionsskizze, das Referenzblatt des Charakters und eine kurze Anweisung, und habe um ein fotorealistisches Live-Action-Bild gebeten. Der Prompt verbietet dem Modell das Abschweifen:

Use the provided sketch as the only composition reference, use the provided guard
reference as the guard character reference. Convert the scene into a photorealistic
live-action cinematic image. Composition 100% exactly matches the provided sketch.
Camera position 100% unchanged.

Eine grobe Skizze plus ein fixierter Charakter ergeben auf der anderen Seite eine Einstellung, die wie gefilmt aussieht.

5. Verfeinern durch Bearbeiten, nicht durch erneutes Würfeln

Fast nichts in diesem Film entstand aus einem leeren Text-Prompt. Von meinen Bildgenerierungen waren 371 Bearbeitungen eines bestehenden Bildes und nur 21 waren Text-zu-Bild. Wenn ein Bild leicht daneben war – ein zu schwerer Kiefer, ein seltsamer Schatten, ein falsches Detail – bearbeitete ich dieses Bild, anstatt von vorne zu beginnen. Konsistenz entsteht durch Bearbeitung auf einer festgelegten Basis, nicht durch perfekte Formulierung.

6. Animieren und sie sprechen lassen

Mit den festgelegten Standbildern animierte ich ausgewählte Bilder mit Kling zu Videos. Manche Aufnahmen zeigen einfache Bewegung; andere sind Dialoge, bei denen die Figur direkt in die Kamera spricht. Diese Prompts sind spezifisch bezüglich der Performance:

Handheld camera, extreme close-up of his face. His eyes stay locked on the camera,
no drift. He says, "Still, here." Then a brief pause, still staring, with visible
strain, as if forcing the words out.

Das Standbild hält die Identität fest; das Video fügt den Atem und die Stimme hinzu.

7. Das Canvas, auf dem alles passiert ist

Jeder der obigen Schritte befindet sich in einem Workspace. Hier ist das tatsächliche Projekt, herausgezoomt: Skizzenreihen links, die fotorealistische Reihen rechts speisen, Charakterblätter unten und die Iterationsleitern dazwischen. 424 Bilder und 38 Videoeinstellungen, alle zurückverfolgbar zu ihren Referenzen.

Zoomen Sie überall hinein und Sie sehen dasselbe Muster: eine Komposition, mehrere Takes, ein Gewinner. So sehen die beiden Hauptfiguren während der Iteration aus, der Wächter in seinem Kettenhemd und der Hüter in seiner Tunika, in jedem Take dieselben Gesichter, weil jeder Take auf dieselben Referenzblätter verweist.

8. Die Zahlen dahinter

Um ein Gefühl für den Umfang zu bekommen, hier ist, was das fertige Projekt enthielt:

Vom Ulysses Canvas	Wert
Generierte Bilder / Fehlschläge	424 / 20
Referenzbild-Verknüpfungen	653 (92% aller Verbindungen)
Bildbearbeitungen vs. Text-zu-Bild	371 vs. 21 (95% img2img)
Ein Referenzblatt wiederverwendet	79 Aufnahmen
Entwicklungszeit	ca. 8 Tage, eine Person

9. Was ich Ihnen raten würde, bevor Sie beginnen

• Erstelle zuerst deine Referenzblätter. Sie sind das A und O. Eine Figur ohne Referenzblatt wird abdriften.
• Skizziere deine Aufnahmen. Eine schlechte Zeichnung mit der richtigen Komposition schlägt einen schönen Absatz.
• Bearbeite, würfle nicht neu. Fixiere ein Basisbild und ändere so wenig wie möglich.
• Rechne mit Fehlschlägen. Zwanzig Aufnahmen scheiterten komplett und viele weitere brauchten Korrekturen. Das ist normal; der Workflow ist darauf ausgelegt, das aufzufangen.

Mach deinen eigenen

Beginnen Sie mit einem Bild und bauen Sie einen Film Einstellung für Einstellung auf. Der wichtigste Schritt ist das Referenzblatt, und unser Leitfaden zu konsistenten KI-Charakteren ist der ausführliche Einblick genau dazu.

Häufig gestellte Fragen

Wie lange dauert es, einen KI-Film wie diesen zu erstellen?

Ulysses benötigte 432 Generierungsjobs über etwa 8 Tage, eine Person, kein Team. Der Großteil dieser Zeit besteht aus der Auswahl zwischen Takes, nicht aus dem Warten auf Renderings.

Welche KI-Modelle hat der Film tatsächlich verwendet?

Nano Banana für Standbilder und Bearbeitungen (371 von 392 Bildgenerierungen waren Bearbeitungen eines vorhandenen Frames), und Kling für Bewegung: das fertige Canvas enthält 37 Kling-Videoaufnahmen, einschließlich der gesprochenen Dialog-Takes.

Wie bleiben die Charaktere über 400 Einstellungen hinweg konsistent?

Referenzblätter, die in alles eingebunden sind: das Projekt enthält 653 Referenzbild-Verbindungen, 92 Prozent aller Verbindungen, und das Blatt der Hauptfigur allein liegt unter 79 Einstellungen. Keine Einstellung wird nur aus Worten generiert.

Können die Charaktere tatsächlich sprechen?

Ja. Dialog-Einstellungen werden aus einem feststehenden Standbild mit einem Performance-Prompt animiert, der die Zeile, die Pause und die Augenbewegungen spezifiziert. Das Standbild hält die Identität; der Videodurchgang fügt Atem und Stimme hinzu.

Verwandte Anleitungen

• Charaktere konsistent halten
• Eine berühmte Filmszene nachstellen