Musikvideo mit KI erstellen: unser 2-Minuten-Video in 7 Tagen

Wir haben ein zweiminütiges animiertes Musikvideo zu einem eigenen Track produziert, mit Ava und Jordan als wiederkehrenden Figuren vom ersten bis zum letzten Bild. Die Produktion lief über 7 Kalendertage, vom 10. bis 16. August 2026.

Die eigentliche Geschichte steckt im Trichter: Aus 205 Generierungen wurden 20 Minuten Videomaterial, im finalen Schnitt blieben 1 Minute und 58 Sekunden. Das entspricht grob einem Verhältnis von 10:1.

Genau dieses Verhältnis wird oft unterschätzt, wenn man ein KI Musikvideo erstellen will. Ein guter AI Music Video Generator liefert starke Clips — aber das fertige Video entsteht erst durch Auswahl, Timing, Wiederverwendung und Schnitt.

Wir haben nichts animiert, bevor der Look als Standbild stand. Die Concept Art legte Farbwelt, Outfits und beide Gesichter fest, bevor wir in die Shot-Produktion gegangen sind.

Danach bekam jeder Shot einen eigenen Startframe, in Nano Banana 2 aus der Concept Art generiert. Ein Teil dieser Frames wurde anschließend im Bildeditor verfeinert; insgesamt nutzte das Projekt 151 Frames.

Diese Reihenfolge war entscheidend, weil Bild-zu-Video Komposition, Licht und Charakter aus dem Standbild übernimmt. Ein schwacher Frame lässt sich nicht durch einen starken Motion-Prompt retten.

Wir haben den Figuren außerdem Namen gegeben: Ava und Jordan. Diese Namen standen in den Prompts. 22 Prompts nannten sie direkt, und das hielt die Identität besser zusammen, als jedes Mal Haare und Kleidung neu zu beschreiben. Für Character Consistency in AI Video war das eine unserer klarsten Erkenntnisse.

Concept Art, bevor auch nur ein Shot animiert wurde. Sie definierte Farbwelt, Garderobe und beide Gesichter — alles danach hatte eine klare Vorlage.

Für die Video-Generierung liefen 204 von 205 Durchläufen mit Seedance 2.0 Bild-zu-Video in 1080p. Davon waren 155 Clips je 5 Sekunden lang und kosteten 15 Credits, 35 Clips liefen 10 Sekunden und kosteten 30 Credits.

Der durchschnittliche Render dauerte 94 Sekunden, der längste 19 Minuten. Insgesamt kamen 5,3 Stunden Maschinenzeit zusammen. Im Video-Ledger war die Zahl exakt: 3.613 berechnete Credits, 30 Credits Rückerstattung für zwei fehlgeschlagene Durchläufe, netto also 3.583 Credits.

Das gesamte Projekt lag bei rund 4.500 Credits, allerdings stammen die beiden Kostenblöcke aus unterschiedlichen Quellen. Die Videokosten haben wir aus dem Account-Ledger gemessen; Frames und Lip Sync wurden nach öffentlicher Preisliste berechnet, weil diese Tools nicht über denselben Account abgerechnet wurden.

Nano Banana 2 Bilder kosten 2 Credits per Prompt oder 4 Credits über den Editor. Bei uns war es eine Mischung aus beidem, also lagen 151 Frames bei etwa 453 Credits. Kling 2.6 Lip Sync berechnete 2 Credits pro Sekunde Audio: Die 27 behaltenen Lip-Sync-Clips umfassten 209 berechnete Sekunden, also 402 Credits; alle 33 Lip-Sync-Durchläufe zusammen lagen bei ungefähr 491 Credits.

Das war der Kampf, der sich am häufigsten wiederholte. Wenn wir eine Chorus-Performance wollten, fiel das Modell immer wieder in seine Standardhaltung zurück: große Augen, aufrichtig, leicht traurig. Wir wollten aber kühl, selbstbewusst und ein bisschen amüsiert.

Eine positive Beschreibung allein reichte nicht. Geholfen hat, den Gesichtsausdruck als Entwicklung innerhalb eines Shots zu schreiben: Das Gesicht sollte sich über die Zeit verändern, statt zehn Sekunden lang nur ein Adjektiv zu halten. 26 unserer Prompts nutzten genau so einen Bogen.

Der zweite Hebel war, den unerwünschten Standard direkt zu benennen und zu verbieten. Formulierungen wie "no deer eyes, no innocent wide-eyed expression, no ballad sadness" standen in 19 Prompts. Wenn ein Modell einen starken Default hat, ist ein klares Nein oft stärker als ein weiteres Adjektiv.

Sobald ein Ort existierte, wurde die Rückkehr dorthin aus einem zweiten Blickwinkel zu einem der teuersten Teile des Workflows. Den Prompt umzuschreiben veränderte oft zu viel; mehr gebracht hat es, denselben Prompt noch einmal unverändert laufen zu lassen.

Insgesamt wurden 21 Prompts bytegenau mehrfach abgeschickt und erzeugten 29 zusätzliche Generierungen. Außerdem haben wir Anfang und Ende einer Bewegung mit First Frame und Last Frame fixiert — dafür war die eine Kling 2.6 Generierung im Projekt da.

Tiefenschärfe half, die restlichen Abweichungen zu kaschieren. 34 Prompts machten den Hintergrund weich und zweitrangig, sodass ein neu generiertes Set nicht in jedem Detail perfekt passen musste.

Unsere Reihenfolge war einfach: erst den Shot generieren, dann Lip Sync in Kling 2.6 anwenden, gesteuert vom Gesang des fertigen Tracks. So entstanden 33 lip-synchronisierte Clips.

Der kontraintuitive Teil lag im Motion-Prompt. Die Mundbewegung musste subtil und entspannt bleiben, weil der Mund später ersetzt wurde. 10 Prompts sagten das ausdrücklich; Shots mit starkem Mundspiel arbeiteten gegen den Lip Sync, der anschließend darüberkam.

Die wichtigste Lektion des Projekts: Generieren zu können reicht nicht. Ohne Schnittgefühl entsteht ein Showreel, kein Musikvideo. Der Track lief mit 130 BPM, das fertige Video hatte 142 Shots in 118 Sekunden.

Der Median-Shot dauerte 0,70 Sekunden — passend zu einer punktierten Viertel. 85 Shots waren exakt 1,5 Beats lang, 31 exakt 2 Beats, und 117 von 141 Schnitten lagen innerhalb eines halben Frames am Half-Beat-Raster.

Die Dichte kam auch daher, wohin geschnitten wurde. 80 von 141 Schnitten sprangen an einen anderen Ort. Statt jede Szene blockweise auszuspielen, wechselte das Video zwischen Schule, Café, Schlafzimmer und Party.

Wir haben Material bewusst wiederverwendet: 82 Quellclips deckten 123 Shots ab, manche Clips tauchten bis zu viermal auf. Das Tempo steckte außerdem schon in der Generierung, nicht erst im Schnitt: 19 Prompts nannten eine BPM-Zahl, 3 schrieben Choreografie Beat für Beat. Nur die beiden langen Haltemomente um Sekunde 77 bis 84 waren eine Atempause — und die war Absicht.

Zwei Fehlerbilder kamen trotzdem durch. Bei langen, fast statischen Halten konnte das Modell zusätzliche Figuren halluzinieren; manchmal blendete sich aus dem Nichts eine zweite Person ein. Schrift zerfiel ebenfalls, sobald die Kamera sich bewegte: WESTFIELD auf den Cheerleader-Uniformen driftete im Shot ins Unsinnige.

Die praktischen Gegenmaßnahmen waren nicht glamourös, aber wirksam. Wir hielten die Shots kurz — was der schnelle Schnitt ohnehin tat —, nahmen lesbare Schrift aus dem Bild oder aus der Schärfe und machten lieber einen Re-Roll, statt den Prompt umzuschreiben, wenn ein Clip schon nah dran war.

Diese Reihenfolge würden wir genauso wiederholen.

1. 1Erst den Track finalisieren. Der Schnitt baut auf seinem Tempo auf; deshalb brauchst du das finale Audio, bevor du den ersten Shot generierst.
2. 2Den Look auf dem Papier entwerfen. Concept Art, die Farbwelt, Outfits und beide Gesichter festlegt, gibt jedem späteren Prompt eine verlässliche Vorlage.
3. 3Figuren benennen und die Namen in jedem Prompt nutzen — "Ava" und "Jordan" hielten die Identität über Generierungen hinweg besser als reine Beschreibung.
4. 4Pro Shot einen Frame in Nano Banana 2 generieren, auf Basis der Concept Art statt komplett von null.
5. 5Jeden Frame in Seedance 2.0 animieren. Fünf Sekunden in 1080p sind der Standard; zehn Sekunden nur dann, wenn die Aktion es wirklich braucht.
6. 6Bewegung im Tempo des Tracks in Beats skripten, damit die generierte Bewegung auf demselben Raster landet wie der spätere Schnitt.
7. 7Klar sagen, was du nicht willst. Falsche emotionale Defaults sind der häufigste Grund, warum ein technisch sauberer Shot trotzdem falsch wirkt.
8. 8Lip Sync zuletzt in Kling 2.6 hinzufügen — und nur bei Shots, die das Gesicht wirklich halten.
9. 9Auf den Beat schneiden und zwischen Orten wechseln, statt jede Szene als Block auszuspielen.