Wie man realistische KI-Videos macht, die nicht wie KI-Schrott aussehen: 5 Lösungen aus einem echten Film

Um ein realistisches KI-Video zu erstellen, inszeniere, was eine echte Kamera aufnehmen würde. Basiere jedes Set auf einem echten Ort, baue jedes Standbild aus einem fixierten Layout mit Licht, Materialien und Fokus auf, die als prüfbare Dinge beschrieben sind, dann schreibe die Kamera, das Schauspiel und die Aktion als physisches Verhalten. Unten sind die 5 Korrekturen, die Jaime Yao bei In 'twixt Vows verwendete, einem 16-minütigen fotorealistischen Film in Flick, jeweils mit dem echten Prompt dahinter, plus was die Filmproduktion gekostet hat.

Wie man einen KI-Film macht, der nicht nach KI-Müll aussieht, mit Jaime Yao (Flick auf YouTube). Die 5 Lösungen unten folgen seinen fünf Tricks.

Prompts, Standbilder und Zahlen aus In 'twixt Vows von Jaime Yao (Flick Residency). Jaime erzählt die Geschichte des Films in seinem eigenen Behind-the-Scenes-Beitrag.

Probieren Sie diese Methode an Ihrer eigenen Aufnahme mit Sketch to Video: Ihre Skizze legt das Layout fest, Nano Banana Pro zeichnet den fotorealistischen Frame, und ein Video-Modell animiert ihn.

Was ein realistisches KI-Video ausmacht: die Verräter und die jeweilige Lösung

"KI-Einheitsbrei" ist der glänzende, generische Look, den man bekommt, wenn das Modell jede Lücke im Prompt mit seiner durchschnittlichsten Vermutung füllt.

Woran man es erkennt	Die Lösung
Kulissen und Kostüme, die überall sein könnten	Lösung 1: Basiere sie auf einem realen Ort, einer Epoche und einem Material
Plastikhafte Haut, saubere neue Oberflächen	Lösung 2: Beschreibe, was jedes Material durchgemacht hat
Flaches "filmisches" Licht, alles gleichmäßig ausgeleuchtet	Lösung 2: Benenne die Lichtquelle, was sie beleuchtet und was dunkel bleibt
Alles messerscharf und zu sauber	Lösung 2: Benenne das fokussierte Motiv, dann füge Filmkorn und Objektivweichheit hinzu
Eine Kamera, die gewichtslos gleitet	Lösung 3: Beschreibe die Schritte, das Abdriften und die Korrekturen des Kameramanns
Große, generische Schauspielerei und breite Mundformen	Lösung 4: Führe Regie bei Verhalten und Timing, nicht bei der Emotion
Schwebende Kämpfe ohne Gewicht hinter einem Schlag	Lösung 5: Kontakt, Kraft und Reaktion, innerhalb eines Zeitfensters

Sieben Verräter eines KI-Videos und welche der 5 Lösungen jeweils hilft.

Lösung 1: Basiere jede Kulisse, jedes Kostüm und jede Requisite auf etwas Realem

Was es ist

Warum es funktioniert: Fragt man nach einem "Fantasy-Dorf", liefert das Modell das durchschnittliche, das es am häufigsten gesehen hat. Ein realer Ort gibt dir Details, die du benennen und überprüfen kannst.

Im Film: Jaime basierte den Außenposten des Films auf dem Hadrianswall, und die Recherche gab ihm freiliegenden dunklen Fels, flachen Boden, kurzes Gras auf dem Kamm und dichtere Pflanzen im geschützten Tal darunter.

Wie man es erhält

Erst recherchieren: Wähle für jede Kulisse, jedes Kostüm und jede Requisite einen realen Ort, eine Epoche oder ein Objekt. Notiere das Terrain, die Pflanzen, Baumaterialien und das Licht.

Schreibe ein Handbuch: Lass den Agenten die Recherche in ein Umgebungshandbuch verwandeln: ein kurzes Dokument pro Schauplatz mit Terrain, Vegetation, Materialien und Beleuchtung.

Folge ihm in jedem Prompt: Jaime lässt den Agenten dem Handbuch "strikt" folgen, wann immer er einen Prompt für diesen Ort schreibt, sodass das Land immer als ein spezifischer Ort benannt wird:

Hinweis: Eine Zeile aus dem Workflow des Films, zitiert in seiner öffentlichen Aufschlüsselung

… a late-autumn upland ridge in northern Britain near Hadrian’s Wall …

Lösung 2: Lass jedes Einzelbild fotografiert aussehen, nicht gerendert

Die meisten realistischen Aufnahmen beginnen mit einem Einzelbild, daher bestimmt das Einzelbild den Look des Clips. So lässt man auch KI-Bilder real aussehen.

2.1. Plane die Aufnahme zunächst als weißes Modell

Was es ist

Weißes Modell: Eine schlichte Version der Aufnahme, bei der jede Oberfläche dasselbe Weiß hat, nur schattiert, um Form und Tiefe zu zeigen (auch Clay-Rendering genannt). Nutze es, um die Aufnahme zu blockieren: Lege Kamerawinkel und Position aller Elemente fest, bevor überhaupt Texturen existieren.

Warum zuerst: Jaime nutzt hier GPT Image 2, weil es seiner Meinung nach räumliche Beziehungen am besten versteht. Es weiß zu halten, vermeidet außerdem die „fleckigen Texturen", die er manchmal in fertigen Bildern erhält.

Wie man es erhält

Nur das Layout prompten: Kameraposition und -winkel, die Hauptformen und wie die Räume miteinander verbunden sind. Schließe mit dem weißen Modell-Look ab, damit keine Materialien einschleichen. Lieber zeichnen? Unser Viking-Film-Beitrag zeigt den Weg über handgezeichnete Skizzen.

Modell: GPT Image 2 · Hinweis: Kürzungen markiert mit …

3D white-model environment concept.

Semi-overhead three-quarter view. The camera is positioned above the environment and looks diagonally downward, placing the main architectural masses, platform relationships, hanging layers, and winding circulation paths within the same frame.

A half-open silversmith workshop constructed beside water. …

Unified 3D white model / clay render. All architecture, platforms, hanging elements, tools, and small objects use the same clean white modeled surface. Soft ambient shading defines volume, occlusion, spatial depth, and structural relationships.
…

2.2. Fixiere das Layout und ändere dann nur, wie die Dinge gerendert werden

Was es ist

Bearbeitungsziel: Gib dem fotorealistischen Modell das weiße Modell als zu bearbeitendes Bild, nicht als lose Inspiration. Wie Jaime es ausdrückt: „Ich verändere, wie die vorhandenen Objekte gerendert werden, anstatt nach mehr Objekten oder mehr Details überall zu fragen."

Wie man es erhält

Zuerst fixieren: Eine Zeile „Behalte … zu 100 % unverändert" für jedes festgelegte Element: Komposition, Kamera, Bildausschnitt, Layout.

Dann transformieren: Ein Satz, der die Änderung benennt, hier vom weißen Modell zu Live-Action.

Gib jedem Bild eine Aufgabe: Bei Personen in der Aufnahme, füge eine Referenz pro Charakter hinzu. Für die Schmied-Aufnahme in seinem Vortrag gab Jaime Nano Banana Pro drei Bilder: das Layout plus eine Referenz für jeden der beiden Charaktere.

Modell: Nano Banana Pro · Hinweis: Eine Referenz, das weiße Modell oben, angezeigt durch seinen Canvas-Namen; Kürzungen markiert mit …

Keep composition 100% unchanged.
Keep camera position 100% unchanged.
Keep framing 100% unchanged.
Keep the entire architectural layout, platform structure, hanging-object density, spatial layering, and all object placement 100% unchanged.

Transform [Silversmith Workshop White Model] from a 3D white-model render into a live-action environment.
…

2.3. Schreibe Licht, Materialien und Fokus als überprüfbare Elemente

Was es ist

Sichtbare Anweisungen: „Kinematografisch" oder „realistisch" gibt dem Modell nichts zum Überprüfen. Sage, woher das Licht kommt, was es einfängt, was dunkel bleibt und was jedes Material durchlebt hat. Jaime: „Das sind konkrete Beziehungen, die ich im Ergebnis überprüfen kann."

Wie man es erhält

Licht: Eine Hauptlichtquelle, was sie beleuchtet, was in den Schatten fällt und jedes kleine Licht innerhalb der Szene, wie eine Lampe.

Materialien: Die Geschichte jeder Oberfläche: Feuchtigkeit, Abnutzung, Reparaturen, Oxidation. Diese Geschichte lässt Holz und Metall gebraucht aussehen.

Fokus: Benenne das fokussierte Motiv und was unscharf wird. In seiner Schmied-Aufnahme ist der Schmied der schärfste Teil des Bildes, aber "nicht unnatürlich messerscharf".

Modell: Nano Banana Pro · Hinweis: Derselbe Prompt, fortgesetzt; Kürzungen markiert mit …

All timber posts, beams, platforms, hanging racks, roof edges, shelves, tables, stools, and wooden boxes become real aged wood.

The wood has been exposed to damp air and waterside conditions for a long time. Most surfaces are deep wet brown, dark gray-brown, and weathered aged brown. Timber close to the water is darker and visibly more moisture-soaked. The surfaces show natural wear, slight warping, small cracks, repeated repair marks, and reinforcement pieces of slightly different ages. …

The silverwork is mainly aged silver-gray and pale oxidized gray rather than fresh bright silver. Frequently touched and rubbed edges retain small cold metallic highlights, while recesses and gaps are darker. …

The main light source is cool gray-white natural daylight from an overcast sky, entering through the open edges and structural openings.

Timber edges near the open sides, cloth edges facing the sky, and selected silver surfaces receive brighter cool light. Deeper work areas, spaces beneath the roof, areas behind hanging layers, and the undersides of platforms remain distinctly darker.

One work area contains a very small oil lamp. The lamp creates only a small local pool of warm light, mainly touching the nearby workbench and a few silver objects.
…

Wörter, die wirken: "rather than fresh bright silver" schließt den glänzend neuen Look aus. "remain distinctly darker" sagt dem Modell, wo es kein Licht hinzufügen soll.

2.4. Korn und Objektivfehler zuletzt hinzufügen

Was es ist

Abschließende Details: Echte Kameras hinterlassen Spuren: Filmkorn, Sensorrauschen, leicht weiche Objektive und Farbsäume an Kanten (chromatische Aberration). Jaime nennt sie "zurückhaltende abschließende Details, kein Ersatz für Beleuchtung und Materialien".

Wie man es erhält

Eine Zeile am Ende: Setze sie nach Licht und Materialien und verwende sie bei jedem Standbild wieder, damit die Aufnahmen zusammenpassen. Alle 5 Nano Banana Pro-Prompts des Films, die wir geprüft haben, enden mit Korn, Sensorrauschen und Objektivweichheit.

Modell: Nano Banana Pro · Hinweis: Die letzten Zeilen desselben Prompts

Live-action realism.
Include subtle film grain, slight sensor noise, mild lens softness, very slight chromatic aberration, soft bloom on small highlights, and natural imperfect real-camera rendering.
Wood, fabric, metal, water, and damp surfaces all have tactile, physically realistic material detail.

Achtung: Korn kann kein schwaches Bild retten. Wenn Licht und Materialien falsch sind, macht Korn nur eine verrauschte Fälschung daraus.

Fix 3: Bewege die Kamera, als würde eine Person sie halten

Was es ist

Handgehalten: Die Kamera wird von einer Person gehalten, nicht von einer Halterung, also wippt sie, driftet und korrigiert. Du beschreibst es im Prompt, indem du schilderst, was der Körper dieser Person mit dem Bild macht.

Wie man es erhält

Platziere den Operator: Sage, wo die Kamera ist und was die Person, die sie hält, tut. Hier gehen sie rückwärts vor ihr.

Beschreibe das Wackeln als Schritte: Wippen bei jedem Schritt, Drift, Rollen, ein stärkeres Absinken, wenn der Operator über etwas steigt, dann die Korrektur. Erlaube ein kurzes Fokus-Verrutschen, das sich erholt.

Fordere saubere Ausgabe: Keine Schnitte, keine Untertitel und keine Hintergrundmusik. Füge Musik im Schnitt hinzu.

Modell: Seedance 2.5, Referenz zu Video · Hinweis: 30 s, 720p; der Eröffnungs- und Kamerateil eines längeren Prompts; Kürzungen markiert mit …

Live-action photographic realism.
No cuts.
No subtitles.
No background music.

Camera

Chest-up medium close-up from directly in front of her.
She keeps walking forward while the camera operator walks backward facing her.

Use strong, heavy handheld throughout:
irregular vertical bobbing from every backward step,
slight lateral drift, slight roll, slight height changes,
and occasional stronger dips or side shifts when the operator steps over roots or moves around trunks, then quick correction within one or two steps.
Allow one very brief natural focus slip, then quick recovery to her face.
…

Wenn ein Prompt die Bewegung nicht umsetzen kann: Für einen exakten Pfad, wie die 90-Grad-Drehung, die Jaime für eine Aufnahme benötigte, blockiere die Aufnahme in 3D Stage (Flicks 3D-Raum zur Aufzeichnung einer Kamerabewegung) und gib die Aufzeichnung an Seedance als Kamerareferenz weiter. Unsere Leitfäden zu KI-Kamerabewegungen und wie man KI-Filme macht zeigen beide Schritte.

Fix 4: Inszeniere die Performance als Verhalten, nicht als Emotion

Was es ist

Warum es funktioniert: Jaime: „Das Problem ist nicht, dass KI keine gute Performance liefern kann. Es ist, dass wir sie nicht sorgfältig genug inszeniert haben." „Traurig singen" liefert die durchschnittliche Traurigkeit des Modells.

Im Film: Lady Caerwyn ist kalt, erschöpft, trauernd und versucht trotzdem, das Lied weiterzusingen, also beschreibt der Prompt genau, was das mit ihrem Atem, Körper und Gesicht macht.

Wie man es erhält

Kenne zuerst die Figur: Sprich mit dem Agenten darüber, wer sie ist, was sie durchgemacht hat und was sie will, dann erarbeite, wie sie reagieren würde.

Schreibe den Körper, halte das Gesicht klein: Körperhaltung und wie sie sich bewegt; wie weit sich der Mund öffnet, wohin die Augen gehen, wie oft sie blinzelt.

Zeitliche Abstimmung der Zeilen: Gib jeder Zeile ein Zeitfenster und sage, was bei einem bestimmten Wort passiert.

Gib eine Stimmenreferenz: Diese Aufnahme bekam einen Clip von ihr beim Singen, für ihre Stimme und ihren Akzent.

Modell: Seedance 2.5, Referenz zu Video · Hinweis: Die gleiche 30-s-Aufnahme wie bei Fix 3, Performance-Teil; Kürzungen markiert mit …

Overall performance

From the first frame she is already walking and already singing.
She does not walk upright and composed. She moves with fatigue and slight disorientation:
upper torso slightly folded inward,
shoulders low,
neck loose,
head slightly pitched forward,
chin slightly lowered.
…
While singing, do not use large mouth shapes.
The singing stays quiet, breathy, slightly unstable in pitch, uneven in phrase timing, with no stable vibrato.
Many phrase endings leak softly toward near-speech.
Lips open only as much as quiet speech,
jaw movement stays small,
…
gaze drifting toward distant points beside the camera rather than meeting the lens,
blinks infrequent and slow.
…
On "remember," raise the inner brow ends slightly more and lift both mouth corners very slightly for less than one second, with no teeth.

Wörter, die wirken: „do not use large mouth shapes" und „Lips open only as much as quiet speech" verhindern den übersungenen Look. „beside the camera rather than meeting the lens" hält sie in der Szene, anstatt für sie zu performen.

Fix 5: Schreibe Action als Kontakt, Kraft und Reaktion, mit einem Zeitfenster

Was es ist

Beats: Schwebende Kämpfe entstehen, wenn ein Schlag ohne Gewicht landet und der getroffene Körper nicht reagiert. Zerlege jede Bewegung in vier Beats: Kontakt (was berührt was), Kraft (wie stark und woher), Reaktion (was der andere Körper tut) und die nächste Bewegung.

Wie man es erhält

Gib den Beats ein Zeitfenster: Wenn drei Schläge in einer Sekunde passieren, muss der Prompt jeden Schlag, sein Ziel und die Reaktion innerhalb dieser Sekunde unterbringen.

Lass den Agenten die Beats schreiben: Du gibst nur das Timing an. Was Jaime dem Agenten sagt:

Hinweis: Aus Jaimes Vortrag, eine Beispielanfrage an den Agenten

his attacks are extremely fast. He delivers 3 consecutive strikes in 1 second, so make sure the timing reflects that.

Die vollständigen getimten Kampf-Prompts aus diesem Film findest du in unserem Leitfaden zu Wie man eine Kampfszene mit KI choreografiert.

Lass den Agenten die Prompts schreiben und überprüfe sie dann selbst

Jaimes Regel für lange, detaillierte Prompts lautet, sie nicht zu tippen: „Schreib die Prompts nicht selbst. Lass den Agenten sie schreiben und überprüfe und korrigiere sie dann selbst."

1. Gib dem Agenten die Regeln. Flicks Dokumentation hat für jeden Teil dieser Seite einen Leitfaden: den Leitfaden für Bildgenerierungs-Prompts für Standbilder, den Seedance Performance-Leitfaden für Schauspiel und den Seedance Action-Leitfaden für Action. Bitte den Agenten, sie zu befolgen, wann immer er einen Prompt schreibt.
2. Gib ihm deine Recherche. Das Umgebungshandbuch aus Fix 1 und was du über jeden Charakter in Fix 4 herausgearbeitet hast.
3. Lies jeden Prompt, bevor du generierst. Ist das Layout festgelegt, ist das Licht benannt, ist das Schauspiel zurückhaltend? Wenn nicht, sag genau, was falsch ist, damit der Agent es nicht wiederholt. Mit dem Agenten sprechen (Dokumentation) zeigt, wie man Regeln speichert, die er behält.

Welche KI-Modelle realistische Videos erzeugen und was es kostet

In 'twixt Vows gab jedem Modell eine Aufgabe: Ideen, Layout, finale Standbilder, dann Video.

Modell	Seine Aufgabe im Film	Für den Film erstellt	Credits pro Generierung (Median)	Zeit pro Generierung (Median)
Midjourney	Ideen und erste Entwürfe	84 Bilder	210 insgesamt (21 Generierungen)	ca. 20 s
GPT Image 2	White-Model-Layouts	158 Bilder	ca. 11 neu, 18 als Bearbeitung	ca. 1,5 bis 2 Min.
Nano Banana Pro	Finale fotorealistische Standbilder	903 Bilder	ca. 30	ca. 30 bis 40 s
Seedance 2.0	Video-Takes	157 Clips	ca. 540 mit Referenzen	ca. 5 Min.
Seedance 2.5	Video-Takes	190 Clips	ca. 360 mit Referenzen	ca. 5 Min.

„Für den Film erstellt" stammt aus Flicks öffentlicher Aufschlüsselung des Films und beinhaltet verworfene Takes. Credits und Zeit sind Medianwerte pro erfolgreicher Generierung in diesem Filmprojekt, außer Midjourneys Credits, die die Gesamtzahl darstellen (Flick-Daten, 24. Juli bis 14. Oktober 2026).

• Standbilder sind günstig, Videos nicht. 72 % der 1.549 erfolgreichen Generierungen des Films waren Bilder, aber Videos kosteten 86 % seiner 223.959 Credits (Flick-Daten, 24. Juli bis 14. Oktober 2026). Leg das Bild fest, bevor du es animierst.
• Etwa 14.000 Credits pro fertiger Minute: 223.959 Credits für einen 16-Minuten-Film (gleiche Daten).
• 5,6-mal so viel Video wie der Film läuft: 5.381 Sekunden generiertes Video für einen 960-Sekunden-Film (Flicks öffentliche Aufschlüsselung), also hat das meiste davon den Schnitt nie erreicht.

Erstelle dein erstes realistisches KI-Video in Flick

Melde dich an, öffne einen Canvas und probiere die 5 Fixes an einer Aufnahme aus.

Jedes Konto erhält 100 kostenlose Credits bei der Anmeldung und jeden Montag 100 weitere.

Erstellen Sie Ihr kostenloses Flick-Konto →

Weiter geht's

• Hinter den Kulissen von In 'twixt Vows Jaime Yaos vollständiger Vortrag in seinen eigenen Worten.
• Nano Banana Pro-Leitfaden Was das Standbild-Modell gut kann, einschließlich der Übereinstimmung mit einem 3D-Blockout.
• KI-Kamerabewegungen 12 Kamerabewegungen mit echten Prompts und wann man eine Bewegung in 3D Stage zeichnet.
• Wie man KI-Filme macht Der gesamte Prozess, von den Beats bis zum Schnitt, mit Daten von 9 in Flick erstellten Filmen.
• Wie man eine Kampfszene mit KI choreografiert Getimte, nummerierte Kampfaufnahmen aus In 'twixt Vows.
• Omni Reference (Dokumentation) Wie Flicks Referenz-zu-Video-Modus jede Referenz verwendet: Startbild, Charakter, Kamerabewegung und Sprache.

Über den Autor

Bilguun Bayarkhuu ist Growth Engineer bei Flick. Dieser Leitfaden basiert auf dem öffentlichen Workflow von In 'twixt Vows von Jaime Yao, Jaimes Tutorial auf Flicks YouTube-Kanal und Flicks eigenen Generierungsdaten für den Film.

Häufig gestellte Fragen

Welches ist das realistischste KI-Video?

Es gibt keinen eindeutigen Gewinner, und das Modell ist weniger wichtig als die Regie. Für In 'twixt Vows, einen 16-minütigen fotorealistischen Film, erstellte Jaime Yao die finalen Standbilder in Nano Banana Pro und das Video in Seedance 2.5 und 2.0. Was es gefilmt aussehen ließ, war der Input: ein Standbild, das bereits fotografiert aussieht, und Prompts, die Licht, Materialien, Kamera und Schauspiel als physische Dinge beschreiben.

Wie bekommt man realistische KI-Videos?

Basiere jedes Set auf einem realen Ort. Baue jedes Standbild aus einem fixierten Layout auf, mit benanntem Licht, Materialabnutzung und einem fokalen Motiv, und füge Körnung zuletzt hinzu. Schreibe die Kamera als eine Person, die sie hält, führe Regie beim Schauspiel als kleines zeitlich abgestimmtes Verhalten, und schreibe Aktion als Kontakt, Kraft und Reaktion innerhalb eines Zeitfensters.

Wie generiert KI so realistische Videos?

Es sieht real aus, wenn du dem Modell wenige Lücken zum Füllen lässt. Ein Video-Modell füllt jede Lücke im Prompt mit seiner durchschnittlichsten Vermutung. Dieser Durchschnittslook wirkt wie KI. Beginne mit einem Frame, der bereits fotografiert aussieht, und schreibe Licht, Materialien, Kamera und Schauspiel als physisches Verhalten.

Wie lässt man ein KI-Bild realistisch aussehen?

Lege den Shot als schlichtes weißes Modell an, dann lass ein fotorealistisches Modell wie Nano Banana Pro dieses Layout „100 % unverändert" beibehalten, während es nur Materialien und Licht ändert. Benenne die Lichtquelle und was dunkel bleibt, sage, was jede Oberfläche durchgemacht hat, und ende mit einer Zeile Filmkörnung, Sensorrauschen und leichter Objektivweichheit.

Was sind gute Prompts für KI-Videos?

Prompts, die Dinge beschreiben, die du auf dem Bildschirm überprüfen kannst. Statt „handgeführt, emotional" schreibt In 'twixt Vows „der Kameraoperator geht rückwärts, ihr zugewandt" und „Lippen öffnen sich nur so viel wie bei leiser Sprache". Fixiere, was deine Referenzen bereits zeigen, beschreibe nur, was sich ändert, und füge „Keine Hintergrundmusik" hinzu, wenn du den Film später vertonen wirst.

Wie machen Leute realistische KI-Videos?

Indem sie zuerst ein fotorealistisches Standbild erstellen und es dann animieren, mit einem Modell für jede Aufgabe. Für In 'twixt Vows, einen 16-minütigen Film, der in Flick gemacht wurde, nutzte Jaime Yao Midjourney für Ideen, GPT Image 2 für Layouts, Nano Banana Pro für die finalen Standbilder und Seedance 2.0 und 2.5 für Video.