Schreibe Prompts, die dein Musikvideo Einstellung für Einstellung lenken
Ein KI-Musikvideo ist nur so gut wie der Prompt dahinter. Das ist der praktische Leitfaden, um einen Song wie ein Regisseur zu beschreiben — die Einstellungs-Formel, die Kamerasprache, wie du Schnitte auf den Beat legst und wie du dafür sorgst, dass deine Sängerin vom ersten bis zum letzten Bild dieselbe Person bleibt.
Hör auf, Bildunterschriften zu schreiben. Schreib Einstellungslisten.
Das größte Upgrade für deine KI-Musikvideos ist kein besseres Modell — es ist ein besserer Prompt.
Die meisten beschreiben einen Song wie eine Bildunterschrift: "ein trauriges Mädchen im Regen, cinematisch." Das Modell muss dann alles raten, worauf es ankommt — wer sie ist, was sie tut, wo die Kamera steht, wie das Licht fällt, wann der Schnitt sitzt. Ein Musikvideo-Prompt funktioniert genau umgekehrt. Du gibst der KI eine Einstellungsliste: ein konkretes Motiv, eine präzise Handlung, eine gerahmte Kamerabewegung, einen definierten Look und ein, zwei Einschränkungen. Du hörst auf zu hoffen und fängst an zu inszenieren.
Ein trauriges Mädchen im Regen, cinematisch, emotional, wunderschön, 4k
Halbnah, eine junge Frau in einem durchnässten grauen Mantel steht unter einer Straßenlaterne und senkt langsam den Kopf, während ihr der Regen über das Gesicht läuft. Die Kamera fährt sanft hinein bis zur Nahaufnahme. Kühles blaues Nachtlicht, weiche Reflexe auf nassem Asphalt, cinematischer Filmlook. Kein eingeblendeter Text.
Dieselbe Idee. Die eine überlässt das Ergebnis dem Zufall; die andere liefert die Einstellung, die du vor Augen hattest.
Der Aufbau eines Einstellungs-Prompts
Acht Bausteine, ungefähr in dieser Reihenfolge. Du brauchst nicht jedes Mal alle acht — aber je mehr du festlegst, desto weniger improvisiert die KI.
Motiv + Handlung + Szene + Licht & Farbe + Kamera + Stil + Qualität + Einschränkungen1 · Motiv
Wer oder was im Bild ist. Lege es mit zwei, drei stabilen visuellen Merkmalen fest — Kleidung, Haare, Alter, Typ — damit die KI es erkennt und über mehrere Einstellungen hinweg stabil hält.
eine junge Frau in einem roten Seidenkleid und einem Strohhut
2 · Handlung
Was das Motiv tut, beschrieben nach Körperteil und Ausmaß. "Hebt die Hand" schlägt "bewegt sich". Setze auf langsame, fließende, verbundene Bewegung statt wilder Action — die rendert deutlich sauberer.
hebt langsam das Kinn und dreht den Kopf zum Fenster
3 · Szene
Wo es passiert und was das Motiv umgibt — Ort, Tageszeit, die Vorder- und Hintergrundelemente, die die Welt aufbauen.
ein neonbeleuchteter Dachkorridor bei Nacht, dahinter flackernde Hologramm-Werbung
4 · Licht & Farbe
Hier wohnt die Stimmung. Benenne die Lichtrichtung, die Wärme und die Farbpalette — dieselbe Szene wirkt als Romanze oder als Bedrohung, je nach dieser einen Zeile.
warmes Gegenlicht zur goldenen Stunde, weiche Schatten, Palette in Bernstein und Türkis
5 · Kamera
Wie es gefilmt ist: die Einstellungsgröße und eine Kamerabewegung. Das ist der Unterschied zwischen einem flachen Clip und einem inszenierten Bild. Halte es bei einer Bewegung pro Einstellung.
langsame Kamerafahrt hinein, von der Totale bis zur Nahaufnahme
6 · Stil
Die gesamte künstlerische Ausrichtung — Realfilm, 2D-Anime, 3D-Animation, Tuschemalerei, Knetanimation, Pixel-Art. Sag es ausdrücklich, sonst zieht ein realistisches Referenzfoto alles still in Richtung Realfilm.
2D-Anime-Stil, handgezeichnet, Cel-Shading
7 · Qualität
Das Finish: Schärfe, Textur und die cinematischen Qualitäten, die du fest eingebacken haben willst. Eine kurze Standardformel genügt.
hohe Auflösung, reiche Details, filmische Textur, natürliche Farben
8 · Einschränkungen
Was du nicht willst. Die nützlichsten Negativ-Vorgaben halten verirrten Text, Wasserzeichen und Logos aus dem Bild und verhindern, dass der Look abdriftet.
keine Untertitel, kein Wasserzeichen, kein Logo
Sprich die Sprache der Kamera
KI-Videomodelle reagieren präzise auf gängige Filmbegriffe. Lerne dieses Vokabular und du kannst jede Einstellung in wenigen Worten rahmen. Die goldene Regel: eine Kamerabewegung pro Einstellung — Fahrt, Schwenk und Zoom in eine Zeile zu stapeln macht das Bild instabil.
Kamerabewegungen
Hineinfahren
Die Kamera bewegt sich auf das Motiv zu — schafft Nähe oder Spannung. Die Arbeitspferd-Bewegung für eine Refrain-Nahaufnahme.
Zurückfahren
Die Kamera weicht zurück und gibt den Kontext frei — ideal für eine Enthüllung oder um einer Szene am Zeilenende Luft zu lassen.
Schwenk
Die Kamera dreht sich von einem festen Punkt nach links oder rechts — streift über eine Bühne, eine Menge oder eine Skyline.
Neigung
Die Kamera kippt nach oben oder unten — steigt von den Füßen zum Gesicht oder fällt vom Himmel auf die Straße.
Mitfahrt / Dolly
Die Kamera fährt neben dem Motiv her — Walk-and-Talk-Energie, die eine sich bewegende Sängerin im Bild hält.
Umkreisung
Die Kamera kreist um das Motiv — ein 180°- oder 360°-Bogen, der es in Szene setzt. Perfekt für einen Hook.
Kran / Ausleger
Die Kamera hebt oder senkt sich durch den Raum — empor in die Totale für Größe, oder hinab mitten ins Geschehen.
Zoom
Die Brennweite ändert sich, um zu vergrößern oder zu verdichten — schnelle Zooms setzen einen Beat-Akzent, langsame Zooms bauen Unbehagen auf.
Einstellungsgrößen
Extreme Totale
Das Motiv klein in einer großen Welt — legt Ort und Maßstab fest, die Establishing-Einstellung eines Songs.
Totale / Ganz
Der ganze Körper im Bild — die beste Größe für Choreografie und Bewegung des ganzen Körpers.
Halbnah
Ab der Hüfte — der dialogische Standard; liest Körpersprache und Gesicht zusammen.
Nahaufnahme
Das Gesicht füllt das Bild — Emotion, Lippensynchronität, die Schlüsseleinstellung des Refrains.
Detail / Makro
Ein einzelnes Detail — Augen, Hände auf Saiten, eine fallende Träne — für Rhythmus- und Texturschnitte.
Winkel & Perspektiven
Augenhöhe
Neutral und geerdet — das Publikum begegnet dem Motiv auf Augenhöhe.
Untersicht
Die Kamera blickt nach oben — lässt das Motiv mächtig, heldenhaft, überlebensgroß wirken.
Aufsicht
Die Kamera blickt nach unten — lässt das Motiv kleiner, verletzlicher oder verloren wirken.
Über die Schulter
Rahmt an einer Figur vorbei auf eine andere — Verbindung, Dialog, Spannung zwischen zweien.
POV / Ich-Perspektive
Der eigene Blick des Motivs — zieht den Zuschauer mitten in den Moment.
Luftaufnahme / Drohne
Hoch oben, nach unten gerichtet — weite Landschaften, Menschenmengen, das epische Outro.
Profi-Tipp: eine Bewegung pro Einstellung. Du willst eine Fahrt und eine Umkreisung? Mach zwei Einstellungen daraus und schneide dazwischen — der Schnitt ist Teil der Musik.
Bring es in Bewegung — und lass es etwas fühlen
Wie du Handlung beschreibst, entscheidet, ob eine Einstellung lebendig wirkt oder wie ein flackerndes Foto. Vier Gewohnheiten trennen saubere Bewegung von einem zerfließenden Chaos.
Sei konkret beim Körperteil
Benenne den Körperteil und das Ausmaß: "hebt langsam die rechte Hand", "neigt den Kopf um ein paar Grad", "setzt den Fuß fest auf". Vage Verben wie "bewegt sich" oder "tanzt" laden zum Chaos ein.
Bevorzuge langsame, fließende Bewegung
Sanfte, verbundene Mikrobewegungen rendern wunderbar; explosive Sprints, große Sprünge und heftige Drehungen verzerren leicht. Heb die hohe Energie für die Schnitte auf, nicht für einzelne Einstellungen.
Schreibe den Übergang
Verbinde eine Handlung mit der nächsten, damit die Bewegung Schwung hat: "mit dem Schwung der Drehung hebt sie den Arm", statt zweier zusammenhangloser Posen.
Mach die Emotion sichtbar
Schreib nicht "sie ist traurig". Schreib den Körper, der es zeigt. Das Modell kann kein Adjektiv rendern — aber eine zitternde Schulter.
Verwandle einen Song in eine Einstellungsliste
Ein Musikvideo ist nicht ein Prompt — es ist eine Abfolge. Teile den Song in Abschnitte und gib jedem seine eigene Einstellung. Denk in einer Zeitleiste: wer, wo, was tut und wie sich die Kamera bewegt, in der Reihenfolge, in der es passiert.
Der zuverlässigste Weg, ein ganzes Video zu prompten, ist deine Einstellungen zu nummerieren — Einstellung 1, Einstellung 2, Einstellung 3 — und sie der Reihe nach zu beschreiben. Ordne sie der Songstruktur zu, damit sich das Bild wendet, wenn sich die Musik wendet.
Intro
Bau die Welt auf. Eine Establishing-Totale oder ein langsames Detail — lass den Zuschauer ankommen, bevor der Gesang einsetzt.
Strophe
Erzähl die Geschichte. Halbnahe Einstellungen, mitlaufende Walk-and-Talk-Fahrten, das Motiv, das sich durch die Szene bewegt.
Steigerung / Pre-Chorus
Erhöhe die Spannung. Fahr hinein, zieh den Bildausschnitt enger, beschleunige die Schnitte, wenn sich die Energie sammelt.
Refrain / Drop
Die Auszahlung. Die Nahaufnahme, die Umkreisung, das kühnste Licht und die größte Bewegung — die Einstellung, die man sich merkt.
Bridge / Outro
Auflösen oder klären. Fahr zurück in die Totale, lass das Licht verblassen, gib dem letzten Bild Luft zum Atmen.
Jede Einstellung, vier Ebenen
Kamera
Die Bewegung oder der Schnitt — "langsame Fahrt aus der Totale", "festes Bild", "Schnitt auf eine Nahaufnahme".
Motiv & Ausdruck
Die zentrale Handlung und die Veränderung im Ausdruck für diesen Beat.
Raum
Wo das Motiv ist und wie sich die Szene um es herum verändert.
Klang & Beat
Was auf diese Einstellung fällt — der Downbeat, der Drop, eine Textzeile, die ins Schwarze trifft.
Synchronisiere Schnitte auf den Beat, nicht auf die Uhr. Beschreibe der Reihe nach, was passiert, und lass die Schnitte auf dem Rhythmus landen — exakte Sekunden festzunageln ("0–3s") verwirrt das Modell meist und ruiniert das Ergebnis.
Halte deine Sängerin dieselbe Person
Nichts ruiniert ein Musikvideo so wie ein Gesicht, das sich in jeder Einstellung ändert. Referenzbilder und diszipliniertes Prompten halten deine Figur vom ersten bis zum letzten Bild fixiert.
Identität mit 2–3 Merkmalen fixieren
Beschreibe das Motiv mit ein paar stabilen, unverwechselbaren Merkmalen — Outfit, Haare, ein prägendes Accessoire. Verwende jedes Mal genau dieselbe Beschreibung, wenn du es erwähnst.
Nutze eine Nahaufnahme plus eine Ganzkörperaufnahme
Ein sauberes Brustporträt fixiert das Gesicht; eine Ganzkörperaufnahme fixiert Outfit und Proportionen. Zusammen halten sie die Identität weit besser als ein einzelnes Bild.
Setz die wichtige Referenz zuerst
Je früher eine Referenz erscheint, desto mehr Gewicht trägt sie. Beginne mit der, die für diese Einstellung am wichtigsten ist.
Überlade die Referenzen nicht
Mehr Bilder ist nicht besser. Zu viele konkurrierende Referenzen verwischen der KI den Sinn für das Wesentliche — ein paar starke, klare schlagen einen Haufen schwacher.
In SunoMV speicherst du deine Figur und deine Schauplätze als Szenenreferenzen und richtest dann den Prompt jeder Einstellung darauf aus — so trägt sich dieselbe Sängerin durch jede Zeile des Songs, ohne sie jedes Mal neu beschreiben zu müssen.
Die Fehler, die KI-Musikvideos ruinieren
Fast jedes enttäuschende Ergebnis lässt sich auf einen davon zurückführen. Erkenne sie früh, und deine Trefferquote steigt schnell.
Identitätsdrift
Das Gesicht ändert sich zwischen den Einstellungen. Behebe es mit einer sauberen Nahaufnahme-Referenz, einer konsistenten Beschreibung mit 2–3 Merkmalen und der Schlüsselreferenz an erster Stelle.
Unerwünschter Text im Bild
Zufällige Bildunterschriften oder Kauderwelsch tauchen auf. Füge "keine Untertitel, kein Text" hinzu und bevorzuge Breitbild — Hochformate erzeugen häufiger verirrten Text.
Stildrift
Eine Anime-Idee rendert als Realfilm. Sag den Stil ausdrücklich und starte für einen starken Look von einem Referenzbild, das bereits in diesem Stil ist.
Versehentliche Zwillinge
Dieselbe Person erscheint zweimal im Bild. Binde jedes Motiv an seine eigene Referenz und füge eine Einschränkung gegen doppelte, identisch aussehende Personen hinzu.
Zu viel Bewegung
Schnelle, heftige Action verzerrt Gesichter und Gliedmaßen. Verteile große Bewegung über mehrere Schnitte und halte jede einzelne Einstellung ruhig und fließend.
Referenz-Überladung
Fünf konkurrierende Bilder trüben das Ergebnis. Nutze ein paar starke Referenzen und lass den Prompt den Rest erledigen.
Exakte Sekunden festnageln
Harte Timecodes ("bei 2s, Schnitt") destabilisieren die Generierung. Beschreibe stattdessen die Reihenfolge und lass die Schnitte auf dem Beat reiten.
Sprachen mitten in der Zeile mischen
Innerhalb einer gesungenen Zeile die Sprache zu wechseln verwirrt die Aussprache. Halte jede Zeile in einer Sprache; geläufige Wörter rendern am saubersten.
Drei Prompts, von Anfang bis Ende
Übernimm die Form, setz deinen Song ein. Jedes Beispiel ist ein mehrteiliger Prompt, den du heute einfügen könntest — aufgebaut aus den Bausteinen von oben.
Melancholische Indie-Ballade
Intim, regennass, eine Figur, langsam und emotional.Stil: cinematischer Realfilm, kühler Filmlook. Motiv: eine junge Frau in einem durchnässten grauen Mantel, dunkles Haar klebt ihr im Gesicht. Einstellung 1 — Establishing-Totale, eine leere Straße bei Nacht unter bernsteinfarbenen Laternen, Regen fällt, sie steht klein im Bild; langsame Kamerafahrt hinein. Einstellung 2 — halbnah, sie senkt langsam den Kopf, während ihr der Regen über das Gesicht läuft, der Atem sichtbar. Einstellung 3 — Nahaufnahme, eine einzelne Träne steigt auf, fällt aber nicht, ihre Augen heben sich zum Licht. Kühle blaue Palette, weiche Reflexe auf nassem Asphalt, hohe Auflösung, filmische Textur. Keine Untertitel, kein Wasserzeichen.
Warum es funktioniert: eine fixierte Figur, drei sich steigernde Einstellungsgrößen, eine einzige Bewegung pro Einstellung, Emotion über den Körper gezeigt und eine saubere Zeile mit Einschränkungen.
Mitreißender Synth-Pop
Hell, kinetisch, farbenfroh, rund um den Refrain-Drop gebaut.Stil: lebendige 3D-Animation, glänzend und farbenfroh. Motiv: eine Tänzerin in einem Neon-Trainingsanzug und weißen Sneakern. Einstellung 1 (Strophe) — halbnahe Mitfahrt, die ihr durch einen sonnendurchfluteten Korridor aus farbblockigen Wänden folgt. Einstellung 2 (Steigerung) — Untersicht, Fahrt hinein, während sie in die Hocke geht, das Licht pulsiert heller. Einstellung 3 (Refrain-Drop) — 360°-Umkreisung um sie, während sie beide Arme hochwirft, Konfetti platzt heraus, gesättigtes pinkes und cyanfarbenes Licht. Knackig, energiegeladen, hohe Auflösung. Kein eingeblendeter Text, kein Logo.
Warum es funktioniert: die Einstellungen sind den Songabschnitten zugeordnet, die größte Bewegung und das hellste Licht sind für den Drop aufgehoben, und die Energie lebt in den Schnitten statt in einer einzigen hektischen Einstellung.
Cinematischer Cyberpunk / Hip-Hop
Stilisiert, neon, düster, überlebensgroß.Stil: 3D-Cyberpunk-Sci-Fi-Animation, kühle blauviolette Palette. Motiv: ein Künstler in einer schwarzen Kapuzenjacke mit leuchtenden Borten. Einstellung 1 — Drohnenaufnahme aus der Luft, die auf eine regennasse Neonstadt bei Nacht hinabsinkt. Einstellung 2 — halbnah aus der Untersicht, er geht durch Hologramm-Werbung auf die Kamera zu, der Kopf hebt sich der Linse entgegen; langsame Mitfahrt. Einstellung 3 — Nahaufnahme, Neonreflexe gleiten über sein Gesicht, während er den Hook mitformt; festes Bild. Düsteres, volumetrisches Licht, tiefe Schatten, filmisches Korn. Keine Untertitel, kein Wasserzeichen, kein Logo.
Warum es funktioniert: ein starker, ausdrücklich genannter Stil hält die ganze Abfolge zusammen, die Untersicht baut Präsenz auf, und jede Einstellung nutzt genau eine Bewegung — hinabsinken, mitfahren, halten.
Die Zusammenfassung auf einem Bildschirm
Alles von oben, verdichtet. Mach einen Screenshot und behalte ihn neben deinem Prompt-Feld.
Motiv + Handlung + Szene + Licht & Farbe + Kamera + Stil + Qualität + EinschränkungenTu dies
- Beschreibe eine Einstellungsliste, keine Bildunterschrift.
- Fixiere dein Motiv mit 2–3 stabilen Merkmalen und verwende sie wieder.
- Eine Kamerabewegung pro Einstellung — für den Rest wird geschnitten.
- Zeige Emotion über den Körper, nicht über Adjektive.
- Ordne Einstellungen den Songabschnitten zu; synchronisiere Schnitte auf den Beat.
- Schließe mit Einschränkungen ab: kein Text, kein Wasserzeichen, kein Logo.
Lass das
- Stapel nicht Fahrt + Schwenk + Zoom in eine Einstellung.
- Nagle keine exakten Timecodes fest.
- Verlange keine heftige, explosive Bewegung in einer einzelnen Einstellung.
- Überlade den Prompt nicht mit konkurrierenden Referenzbildern.
- Lass den Stil nicht unbenannt neben einer realistischen Referenz.
- Wechsle nicht die Sprache innerhalb einer gesungenen Zeile.
FAQ zu Musikvideo-Prompts
Was ist Prompt-Engineering für Musikvideos?
Es ist die Kunst, einem KI-Videomodell einen Song so zu beschreiben, dass es die Einstellungen liefert, die du tatsächlich vor Augen hattest — die Wahl von Motiv, Handlung, Kamerabewegung, Beleuchtung und Stil für jeden Teil des Tracks, statt eine vage Beschreibung zu tippen und zu hoffen. Gut gemacht ist es der Unterschied zwischen einem generischen Clip und einem inszenierten Musikvideo.
Muss ich Filmbegriffe kennen, um gute Prompts zu schreiben?
Es hilft, und sie sind schnell gelernt — hineinfahren, schwenken, Nahaufnahme, Untersicht. Das Vokabular auf dieser Seite deckt fast alles ab, was du je brauchen wirst. KI-Modelle reagieren präzise auf diese Standardbegriffe, sodass ein paar Worte eine ganze Einstellung rahmen.
Wie halte ich dieselbe Figur über das ganze Video?
Nutze ein Referenzbild — idealerweise eine saubere Nahaufnahme plus eine Ganzkörperaufnahme — und beschreibe die Figur jedes Mal mit denselben 2–3 Merkmalen. In SunoMV kannst du eine Figur als Szenenreferenz speichern und jede Einstellung darauf ausrichten, sodass sie von der ersten bis zur letzten Zeile konsistent bleibt.
Warum hat mein KI-Musikvideo zufälligen Text oder Untertitel?
Modelle erfinden manchmal eingeblendeten Text. Füge deinem Prompt eine Einschränkung wie "keine Untertitel, kein Text" hinzu und bevorzuge ein Breitbild — Hochformatvideos erzeugen häufiger verirrten Text. Du kannst auch nachträglich auf Hochformat zuschneiden.
Soll ich einen langen Prompt schreiben oder mehrere Einstellungen?
Mehrere Einstellungen. Nummeriere sie als Einstellung 1, Einstellung 2, Einstellung 3 und beschreibe sie der Reihe nach, den Songabschnitten zugeordnet. Eine Abfolge klarer Einstellungen ist weit zuverlässiger als ein Absatz, der alles auf einmal zu leisten versucht.
Warum sieht die Bewegung zerflossen oder verzerrt aus?
Meist zu viel Bewegung in einer einzelnen Einstellung. Bevorzuge langsame, fließende, körperteilbezogene Bewegung und verteile große Action über mehrere Schnitte. Ruhige Einstellungen zusammengeschnitten wirken energiegeladen; eine hektische Einstellung verzerrt nur.
Kann ich diese Techniken mit jedem KI-Videomodell nutzen?
Ja. Die Formel — Motiv, Handlung, Szene, Licht, Kamera, Stil, Einschränkungen — ist universelles Handwerk. In SunoMV kannst du aus mehreren fortschrittlichen Videomodellen wählen und frei wechseln, aber die Art, wie du den Prompt schreibst, überträgt sich auf alle.
Wo mache ich das konkret in SunoMV?
Füge einen Song ein oder erstelle einen, dann öffne den Editor: Jede Textzeile wird zu einer Einstellung, die du einzeln prompten kannst, mit Szenenreferenzen, die Figuren und Schauplätze konsistent halten. Starte kostenlos und inszeniere unten dein erstes Video.
Jetzt inszeniere deinen Song
Du hast die Formel, die Kamerasprache und die Beispiele. Füge einen Track ein, schreib deine erste Einstellungsliste und sieh zu, wie die KI sie filmt.