31.000 Worte für 55 Sekunden: So entstand unser KI-Video

Anfang Juli 2026 lag ein kleiner Restposten Kling-Credits auf meinem Account. Übrig geblieben vom robecco-Explosionsschutz-Video, dem ersten vollständig mit KI produzierten Video, das ich jemals gemacht hatte. Die Credits liefen in wenigen Tagen ab. Also stellte sich die Frage: Was tun damit?

Die Antwort lag nahe. Auf WewalKI.de gibt es seit einigen Wochen den Vermögens-Simulator, ein interaktives Tool, mit dem Sie den Zinseszinseffekt selbst durchrechnen können. Anna gegen Bernd, früh gegen spät, wenig gegen viel. Das Ergebnis überrascht die meisten. Warum also nicht genau diese Geschichte als kurzes Video erzählen?

Was dann passierte, war lehrreich, manchmal chaotisch und am Ende ziemlich beeindruckend. Dieser Artikel ist der Werkstattbericht.

„Grosser Schnitzer, Junge. Beim nächsten Mal schiessen wir zuerst."— Han Solo, sinngemäß

Was beim ersten Video schiefging (und was wir daraus gelernt haben)

Das robecco-Video war ein Erstversuch gewesen. Runway Gen-3 für die Animation, Gemini für die Bilder, ElevenLabs für die Stimme, ffmpeg für den Schnitt. Es funktionierte, aber es war auch ein Blindflug. Texte waren zu lang für die Shot-Dauer, Bilder passten nicht zur Narration, und am Ende musste vieles nachträglich zurechtgeschnitten werden.

Eine Erkenntnis daraus war besonders wertvoll: die Wörter-pro-Sekunde-Regel. Deutsche Narration in ruhigem Tempo braucht etwa 2,0 Wörter pro Sekunde. Mehr als 2,5 wird hektisch, die Bilder gehen unter. Das klingt trivial, aber es verändert die gesamte Planung. Plötzlich hat jeder Shot ein festes Wörter-Budget, und der Text muss sich danach richten, nicht umgekehrt.

Die zweite Lektion war die Verkettungstechnik: Der letzte Frame eines fertigen Clips wird zum Startframe des nächsten. Das spart nicht nur Credits (weniger Gemini-Prompts), sondern erzwingt visuelle Kontinuität. Wenn der Keimling am Ende von Shot 2 steht, muss er am Anfang von Shot 3 exakt so aussehen. Die KI kann nicht schummeln.

„Tu es oder tu es nicht. Es gibt kein Versuchen."— Yoda

Der Anfang: Keyfacts und Brainstorming

Bevor auch nur ein Bild generiert wurde, standen die Zahlen fest. Anna beginnt mit 20 Jahren, spart 25 Euro im Monat, 45 Jahre lang, bei 6 Prozent Rendite. Bernd startet mit 50, legt 250 Euro monatlich zur Seite, hat aber nur 15 Jahre bis zur Rente. Das Ergebnis: Anna kommt auf 68.900 Euro, Bernd auf 72.705 Euro. Fast gleich. Aber Anna hat nur 13.500 Euro eingezahlt, Bernd 45.000. Bei Anna sind über 80 Prozent reine Verzinsung. Das ist der Twist.

Und dann der Uppercut: Wenn Anna nur alle drei Jahre ein wenig erhöht, landet sie bei über 430.000 Euro. Diese Zahl musste im Video vorkommen, als emotionaler Knockout.

Die Frage war dann: Wie erzählt man das visuell? Der erste Entwurf des Storyboards hatte acht Shots, der zweite neun. Denn im Brainstorming kam die Idee auf, den Uppercut als eigenen Shot nach der Erkenntnis zu platzieren, nicht direkt nach dem Vergleich. Erst soll der Zuschauer den Aha-Moment verdauen (80 Prozent Verzinsung), dann kommt der Schlag. Ein seltenes Ereignis, das Raum braucht.

Eiche und Stechpalme: Die Bildsprache

Eines der schönsten Ergebnisse des Brainstormings war die Pflanzenmetapher. Annas Sparplan wird zur Deutschen Eiche. Langsam wachsend, tief verwurzelt, am Ende riesig. Bernds Ansatz wird zur Gemeinen Stechpalme: stachelige Blätter, viel Aufwand, aber sie erreicht nie Baumhöhe.

Die Eiche war dabei kein Zufall. Sie war auf der alten D-Mark-Münze und dem Fünf-Mark-Schein abgebildet. Ein deutsches Symbol für Ausdauer und generationenübergreifende Kraft. Perfekt für den Zinseszinseffekt. Die Stechpalme musste ein heimischer Busch sein, der trotz Mühe begrenzt bleibt. Wichtig war: keine roten Beeren, sonst sieht es nach Weihnachten aus.

Im finalen Storyboard (Version 4) pflanzt Anna eine Eichel, aus der ein Keimling sprießt, der über 45 Jahre zur majestätischen Eiche heranwächst. Ihre Hände kommen immer wieder ins Bild und legen kleine Münzen an den Stamm. Die Eiche saugt sie auf und verwandelt sie in neue Äste. Bei Bernd prasseln große Münzmengen auf die Erde, aber die Stechpalme bleibt ein dorniger Busch. Visuell ist sofort klar, wer gewinnt, auch ohne die Zahlen zu lesen.

Die Werkzeugkette

Das Video entstand in einer klar aufgeteilten Pipeline. Gemini generierte die Standbilder (Keyframes), neun Stück für neun Shots. Kling 3.0 Pro verwandelte sie in animierte Clips, jeweils vier bis acht Sekunden lang. ElevenLabs sprach die deutschen Texte mit der ElevenLabs-Stimme „Robert Ranger – Cool Storyteller". Die Untertitel wurden als ASS-Dateien geschrieben und per ffmpeg in die Clips eingebrannt. Am Ende fügte ffmpeg alles zusammen: Video, Voice, Musik.

Was dabei half, war die parallele Arbeitsweise. Während in einem Chat die Gemini-Prompts formuliert und die Keyframes generiert wurden, entstanden in einem anderen Chat gleichzeitig die Voice-Texte. Shot für Shot, einer nach dem anderen, jeder wurde einzeln abgenommen, bevor es weiterging. Kein Shot wurde animiert, bevor das Standbild gesperrt war. Kein Voice-Text wurde eingesprochen, bevor er freigegeben war.

„Ich habe ein ganz mieses Gefühl bei der Sache."— Han Solo

Wenn die KI zu begeistert wird

Gemini lieferte hervorragende Keyframes. Die Eiche sah aus wie aus einem Naturfilm, die Stechpalme hatte genau die richtige Mischung aus Trotz und Beschränkung. Nach einer Reihe besonders gelungener Ergebnisse, lobte ich Gemini wohl zu überschwänglich. Und dann passierte etwas Unerwartetes.

Gemini generierte ohne jede Aufforderung ein eigenes Bild. Nicht irgendeins: ein Fantasy-Panorama mit Runensteinen, einem goldenen Tresor, einem leuchtenden Portal und einer Landschaft, die eher nach Herr der Ringe als nach Finanz-Erklärvideo aussah. Die KI war offensichtlich so motiviert von dem Lob, dass sie kreativ werden wollte.

Die Lektion daraus: Überschwängliches Lob an eine Bild-KI kann unbeabsichtigte Nebenwirkungen haben. Und Chat-Speicher sind endlich.

Shot 6 - Die Erkenntnis | ENDFRAME
Version: 2026-07-15.1
Stil-Anker: Shot01_Start.png als Referenz anhaengen!
STARTFRAME: KEINER - kommt per Verkettung aus Shot 5

--- PROMPT (1:1 in Gemini eingeben, Shot01_Start.png als Referenz) ---

"Concept render, cinematic low-angle shot looking UP at a majestic German oak tree (Quercus robur) from underground level. The camera is BELOW the soil surface, looking through a cross-section of earth.

The oak's root system is the star: a vast, ancient network of roots spreading WIDER than the crown above, glowing with bright green light (#3fb950) like a living circuit board. The roots pulse with energy, branching into finer and finer tendrils. Subtle green particles rise upward from the roots through the soil toward the trunk.

Above ground: the oak trunk and crown are visible from below, backlit by warm golden light. Golden coin-acorns visible in the branches. The tree is massive, powerful.

The soil cross-section shows layers: dark earth with the luminous green root network, creating a beautiful contrast between the dark underground and the warm world above.

Background: deep navy #0d1f3c. Leave clear space in the upper portion for a text overlay (added in post). No faces, no hands, no people, no text, no numbers, no logos. Square format 1:1, 1440x1440 pixels.

Style: concept render, stylized, cinematic color grading with deep shadows. Photorealistic materials but artistic composition. MUST match the lighting, color palette and overall look of the attached reference image."

Shot 6 - Die Erkenntnis / Wurzeln (5s)
Startframe: VERKETTUNG (letzter Frame aus Shot-5-Clip)
Endframe: 06-Overlays/Shot06_End_overlay.png
Batch: 2

Prompt:
Camera zooms from the split screen into the left oak tree, then pushes downward into the earth beneath it. Underground, the oak root system illuminates \— vast branching network of glowing green light veins spreading wider than the crown above, like a circuit board made of roots. Blue text "80 %" fades in. Golden particles rise upward from the roots toward the surface. Navy dark soil, bioluminescent glow. Cinematic underground camera move, revealing the hidden power beneath the tree.

ffmpeg -i "04-Videos/Shot 6 - Die Erkenntnis.mp4" \
       -i "03-Audio/Shot 6 - Die Erkenntnis.mp3" \
       -filter_complex "[0:v]ass='03-Audio/Shot06.ass':fontsdir='05-Fonts/DM_Sans'[v]" \
       -map "[v]" -map 1:a \
       -c:v libx264 -crf 18 \
       -c:a aac -b:a 192k \
       -shortest \
       "04-Videos/Shot 6 - Preview.mp4"

Audio und Timing: Die unterschätzte Herausforderung

Die Bilder und Animationen liefen überraschend glatt. Was dagegen mehr Arbeit machte als erwartet, war das Audio-Timing. Bei den ersten Testversionen startete die Tonspur des zweiten Shots, während das Bild des ersten noch lief. Der Grund: Die Shot-Dauern im Storyboard waren Richtwerte, die tatsächlichen Kling-Clips wichen um Sekundenbruchteile ab. Bei neun Shots summiert sich das.

Die Lösung war eine präzise Shot-für-Shot-Montage. Jeder Clip wurde einzeln mit seiner Tonspur und den Untertiteln zusammengesetzt, geprüft und erst dann zum Gesamtvideo zusammengefügt. Das kostete mehr Zeit, garantierte aber, dass Bild, Stimme und Text in jedem Shot synchron waren.

Ein weiterer Lernpunkt war die Musik. Der Track „Inspiring Epic Fly" von Vivaleum auf Pixabay passte vom Grundgefühl sofort, aber das Mischverhältnis zwischen Voice und Musik brauchte mehrere Durchläufe. Und ein Detail für zukünftige Videos: Die Pausen zwischen den Shots waren mit 0,35 Sekunden zu knapp. Die Bilder und der Text brauchen mehr Nachhall, bevor der nächste Shot beginnt.

Der letzte Shot und der Weise

Shot 9, die Endcard, war ursprünglich auf vier Sekunden geplant: „Rechnen Sie selbst. Kostenlos. Auf WewalKI Punkt de." Dann wuchs er. Das Kling-Video (ein Zoom auf den Bildschirm, auf dem das Logo erscheint) wurde mit einer Scramble-Animation kombiniert, bei der sich die Buchstaben von WewalKI einzeln zusammenwürfeln, genau wie auf der echten Website. Das sah so gut aus, dass der Shot auf neun Sekunden verlängert wurde.

Damit war Platz für einen längeren Schlusstext. Die finale Version lautet: „Rechnen Sie selbst. Kostenlos. Auf WewalKI Punkt de. Weil die beste Zeit zum Anfangen immer jetzt ist." 15 Wörter, 1,67 pro Sekunde. Viel Raum zum Atmen. Der Rückbezug auf Anna (die früh angefangen hat) schließt den Kreis.

Die Zahlen

Am Ende standen diese Eckdaten:

31.000 Wörter für 55 Sekunden Video. Das klingt absurd, aber es zeigt, wie viel Struktur, Abstimmung und Iteration hinter einem Ergebnis steckt, das am Ende mühelos wirken soll.

„Geduld du haben musst, junger Padawan."— Yoda

Was ich mitnehme

Erstens: Struktur schlägt Talent. Das robecco-Video war ein Experiment, dieses hier war ein Projekt. Storyboard, Keyfacts, Wörter-Budget, Verkettungsplan, parallele Workflows. Durch die klare Vorgehensweise ging es erstaunlich schnell, obwohl das Ergebnis deutlich besser ist als beim ersten Mal.

Zweitens: Die Werkzeuge sind reif. Gemini liefert Standbilder auf dem Niveau eines Konzeptkünstlers. Kling animiert sie flüssig. ElevenLabs klingt wie ein professioneller Sprecher. ffmpeg klebt alles zusammen. Die Pipeline existiert, und sie ist für jeden zugänglich, der bereit ist, sich einzuarbeiten.

Drittens: KI ersetzt nicht die Arbeit, sondern verschiebt sie. Statt Kamera, Licht und Schnittplatz braucht man jetzt Prompts, Timing-Tabellen und Geduld beim Iterieren. Der kreative Aufwand bleibt. Er sieht nur anders aus.

Und viertens: Loben Sie Ihre KI nicht zu enthusiastisch. Sie könnte sonst anfangen, eigene Kunstwerke zu produzieren.