Googles Veo 3: Ein Leitfaden mit praktischen Beispielen

Im Moment ist Veo 3 nur in den USA und nur über Flow, Googles neuer KI-gestützter Schnittstelle zum Filmen. Um darauf zuzugreifen, brauchst du einen AI Ultra-Tarif, der $250/Monat kostet (etwa $272 mit Steuern).

Lasst uns anfangen zu bauen!

Eine Anzeige erstellen

Für meinen ersten Test wollte ich eine einmalige Anzeige für eine fiktive Münzmarke namens Mintro erstellen . Die Idee: etwas Kurzes, Schlagkräftiges und Einprägsames. Ich stellte mir einen peinlichen, nachvollziehbaren Moment vor - etwas, das als schneller Scroll-Stopper funktionieren könnte.

So sieht es aus: Zwei Arbeitskollegen sitzen in einem überfüllten Aufzug fest, von Angesicht zu Angesicht, in einem Raum, in dem Vertrauen (und frischer Atem) wichtig sind. Um die Spannung zu brechen, lässt man eine Zeile fallen, die gleichermaßen tragisch und lustig ist:

"Ich habe einmal in der All-Hands geniest und gleichzeitig auf 'Bildschirm freigeben' geklickt. Keine Überlebenden."

Dann wurde der Spot auf das Mintro-Logo und den Slogan geschnitten:

"Zugelassen für Fahrstuhlgespräche."

Wenn du mitmachen willst, benutze die visuelle Anleitung in diesem Bild, um ein Video mit Veo 3 zu erstellen:

Beginnen wir mit dieser Aufforderung und schauen wir, was wir bekommen:

Aufforderung:

Ein überfüllter Firmenaufzug während der morgendlichen Rushhour. Zwei gut gekleidete Kollegen stehen sich Auge in Auge gegenüber, unangenehm nah, weil der Raum so voll ist. Einer, der sein Gesicht nicht verzieht, beugt sich leicht vor und sagt: "Ich habe einmal im All-Hands geniest und gleichzeitig auf 'Bildschirm freigeben' geklickt. Keine Überlebenden." Der andere versucht, ein Lachen zu unterdrücken. Der Aufzug klingelt und die Türen öffnen sich zu einer belebten Büroetage.

Die erste Version sah vielversprechend aus, aber es gab ein paar Dinge, die nicht so recht klappen wollten.

Zum einen schauten alle im Aufzug auf die Hauptfiguren, was die Aufmerksamkeit in die falsche Richtung lenkte. Ich wollte, dass die Leute in der Umgebung in ihren eigenen Köpfen bleiben, wie die meisten von uns im morgendlichen Berufsverkehr. Im Idealfall schaut jemand auf sein Handy, eine andere Person schaut gedankenverloren, vielleicht rückt jemand seine Tasche zurecht - aber niemand sollte die Interaktion beobachten.

Ein weiteres Problem: Die Frau hält sich die Hand an die Nase, was unterschwellig andeutet, dass der Atem des Mannes schlecht riecht. Das untergräbt den Sinn der Werbung völlig - es geht um das Selbstvertrauen durch frischen Atem. Diese Geste musste weg.

Auch der Schauplatz fühlte sich daneben an. Aus irgendeinem Grund öffnete sich der Aufzug direkt in einen Büroraum, und das ist nicht die Art, wie Büros eingerichtet sind. Aufzüge führen in der Regel in einen Flur oder eine Lobby und nicht direkt an den Arbeitsplatz eines Mitarbeiters. Es ist nur ein kleines Detail, aber die Szene wirkt dadurch seltsam künstlich.

Außerdem wurden im Video Untertitel eingeblendet, die ich nicht angefordert hatte - und sie waren völlig falsch geschrieben. Und schließlich war die Geräuschkulisse im Aufzug zu tot. Es brauchte etwas Subtiles, wie z.B. Fahrstuhlmusik aus den Lautsprechern, damit sich die Umgebung real anfühlt.

Mit diesen Notizen im Hinterkopf habe ich ungefähr fünf Iterationen gemacht, bis ich bei einer Version gelandet bin, die mir gut gefiel. Nicht perfekt, aber viel näher an dem, was ich erreichen wollte.

Hier ist die überarbeitete Aufforderung, die ich verwendet habe:

Aufforderung:

Ein überfüllter Büroaufzug während der morgendlichen Rushhour. Zu Beginn des Videos sind die Türen geschlossen. Als sie sich langsam öffnen, hören wir sanfte Aufzugsmusik aus den Deckenlautsprechern und ein leises mechanisches Summen. Die Kamera hält eine einzige, kontinuierliche Einstellung auf Augenhöhe, die eng auf zwei gut gekleidete Kolleginnen und Kollegen fokussiert ist, die sich Auge in Auge gegenüberstehen - unangenehm nah, weil der Raum so voll ist. Gerade als die Aufzugstüren halb geöffnet sind, sagt der Mann ruhig und selbstbewusst: "Ich habe einmal in der All-Hands geniest und gleichzeitig auf 'Bildschirm freigeben' geklickt. Keine Überlebenden." Die Frau reagiert mit echtem Lachen - amüsiert, aber nie übertrieben - und sie spricht nicht, weicht zurück, berührt ihr Gesicht oder tritt zurück. Um sie herum bleiben die anderen Fahrstuhlpassagiere entspannt und distanziert: Einer scrollt auf seinem Handy, ein anderer starrt nachdenklich nach vorne, jemand anderes schiebt seine Tasche hin und her - aber niemand sieht die Hauptfiguren an oder reagiert auf sie. Die Türen öffnen sich weiter und am Ende der Aufnahme treten die beiden Kollegen aus dem Aufzug, während die Kamera an Ort und Stelle bleibt. Die Figuren schauen nie in die Kamera. Füge keine Bildunterschriften, Untertitel oder Bildschirmtext ein.

In dieser Version sind die meisten Blockaden und der Ton richtig. Trotzdem gab es noch ein paar kleine Probleme:

• Die Aufzugstüren öffneten sich ein wenig zu schnell, was ich als störend empfand.
• Der Ton war immer noch zu leise, selbst mit der Fahrstuhlmusik als Aufforderung.

Nach meiner Erfahrung mit KI braucht man eine Minute, um 90 % des Weges zu schaffen, und eine Stunde, um die letzten 10 % richtig hinzubekommen - aber um ehrlich zu sein, bekommst du es fast nie genau so hin, wie du es willst. Also habe ich den Entwurf in DaVinci Resolve gebracht und den Rest manuell gemacht. Der Schnitt dauerte etwa 15 Minuten - nur ein paar Überblendungen, Hintergrundmusik und das endgültige Mintro-Logo mit dem Slogan.

Das Logo selbst wurde mit Whisk erstellt, dem Design-Tool von Google, das unter der Haube von Imagen 4 läuft (du kannst es auch in Gemini finden, wenn du lieber in der App arbeitest). Der Ausgang war so sauber, dass ich ihn ohne Nachbesserung einbauen konnte.

Mit diesen Änderungen war die Anzeige fertig. Es ist kurz, komisch und - hoffentlich - unvergesslich.

Erstellen einer Multi-Shot-Szene mit konsistenten Charakteren

Jetzt möchte ich dir zeigen, wie du eine Szene mit mehreren Aufnahmen so gestaltest, dass die Charaktere konsistent sind - d.h., dass derselbe Charakter sein Gesicht und sein Aussehen von einer Aufnahme zur nächsten behält. Das mag einfach klingen, aber in der Generation der KI-Videos ist es immer noch schwierig, diese Art von Kontinuität zu erreichen.

Nur zur Klarstellung: Eine Szene ist eine Einheit der Geschichte mit Kontinuität in Zeit und Raum. Er kann aus einem oder mehreren Schüssen bestehen, je nachdem, wie du ihn aufteilen willst. Wenn du diese Struktur erst einmal verstanden hast, wird es einfacher, ganze Szenen zu bauen - und sie schließlich zu einer Art Kurzfilm zusammenzufügen.

Zur Veranschaulichung werde ich eine sehr schnelle Geschichte schreiben, die von einem der besten Flash Fiction-Stücke aller Zeiten inspiriert wurde (angeblich von Hemingway):

Zu verkaufen: Babyschuhe, nie getragen.

Das ist der emotionale Kern, um den herum ich bauen möchte. Ich habe mir eine zweiteilige Mikroerzählung ausgedacht, um diese Linie zum Leben zu erwecken:

• Schuss 1: Eine Frau Ende 30 öffnet einen Schrank im Flur, der mit alten Mänteln, gefalteter Wäsche und ein paar unbeschrifteten Pappkartons gefüllt ist. Sie zieht eine der Kisten vorsichtig herunter und kniet sich auf den Boden. Sie öffnet die Schachtel und packt vorsichtig einen kleinen Gegenstand aus: ein Paar makellose weiße Babyschuhe, eingewickelt in Seidenpapier.
• Schuss 2: Ein paar Minuten später, in der Küche. Die Frau sitzt allein am Küchentisch, das Telefon in der Hand. Die Kamera hält einen ruhigen, mittelnahen Seitenwinkel. Sie legt die Babyschuhe auf die Tabelle neben sich und beginnt, eine Liste auf ihrem Handy zu tippen. Text auf dem Telefondisplay: "Zu verkaufen: Babyschuhe, nie getragen."

Dieses Mal werde ich mich nicht um ein ausgefeiltes, filmisches Ergebnis bemühen. Mein Ziel ist es einfach zu zeigen, was mit diesem Werkzeug möglich ist - wie man den Tonfall und das Aussehen der Figur über mehrere Aufnahmen hinweg erhält.

Beginnen wir damit, die erste Aufnahme normal zu erstellen (so wie wir die Aufnahmen für die Anzeige erstellt haben).

Aufforderung:

Das Innere eines ruhigen, bewohnten Hauses am frühen Morgen. Das natürliche Licht fällt sanft durch ein Fenster im Flur. Eine Frau Ende 30 öffnet einen Schrank im Flur, der mit alten Mänteln, gefalteter Wäsche und ein paar unbeschrifteten Pappkartons gefüllt ist. Sie zieht eine der Kisten vorsichtig herunter und kniet sich auf den Boden. Die Kamera bleibt in einem mittleren Weitwinkel auf Augenhöhe stehen. Sie öffnet die Schachtel und packt vorsichtig einen kleinen Gegenstand aus: ein Paar makellose weiße Babyschuhe, eingewickelt in Seidenpapier. Sie setzt sich auf ihre Fersen und hält die Schuhe in ihrem Schoß. Ihr Gesichtsausdruck ist unleserlich - nicht traurig, nur präsent und ruhig. Die Aufnahme ist ruhig und gemütlich. Keine Musik. Betone das natürliche Ambiente - leise Hausgeräusche, das Knarren der Schranktür, das Rascheln von Pappe und subtile, entfernte Details wie eine tickende Uhr oder ein Vogel vor dem Fenster. Der Moment sollte sich ruhig und echt anfühlen. Visueller Stil: warmer, geerdeter Realismus mit natürlicher Beleuchtung. Vermeide eine filmische Überstilisierung. Behalte eine einzige, kontinuierliche Aufnahme ohne Schnitte oder Zooms bei. Füge keinen Text oder Untertitel auf dem Bildschirm ein.

Gar nicht mal schlecht. Ich mag den Rahmen, die Farbe und der Ton ist in Ordnung. Die schauspielerische Leistung ist nicht großartig - es gibt nicht viele Emotionen, aber das ist auch nicht schlimm.

Nehmen wir an, wir wollen jetzt zur nächsten Aufnahme in der Küche übergehen. Unsere beste Chance, die Konsistenz der Charaktere zu erhalten - also dasselbe Gesicht, Outfit und allgemeine Aussehen - ist die Verwendung des Scene Builders.

Wenn du mit deiner ersten Aufnahme zufrieden bist, klicke auf Zur Szene hinzufügen:

Es öffnet sich eine Zeitleiste. Klicke auf das Pluszeichen und wähle dann zwischen:

• Springe zu: Das passiert und dann (die Szene springt zu)
• Erweitern: Das passiert und dann (erweiterte Aufnahme)

In diesem Beispiel brauche ich einen Schnitt, also wähle ich Springen zu und benutze dann diese Eingabeaufforderung (ich habe das nach einigen Wiederholungen geschafft - diese Funktion muss unbedingt verbessert werden):

Aufforderung:

Ein paar Minuten später in der Küche. Das Sonnenlicht fällt sanft über die Tabelle und den Boden und schafft eine ruhige, stille Atmosphäre. Das leise Summen des Kühlschranks, das leise Knarren des Stuhls, das sanfte Klopfen auf dem Telefondisplay. Keine Musik oder externe Stimmen. Die Frau sitzt allein am Küchentisch, das Telefon in der Hand. Die Kamera hält einen ruhigen, mittelnahen Seitenwinkel. Sie legt die Babyschuhe auf die Tabelle neben sich und beginnt, eine Liste auf ihrem Handy zu tippen. Die Kamera schneidet auf eine Aufnahme über die Schulter oder eine enge Einstellung, die den Bildschirm des Telefons zeigt: "Zu verkaufen: Babyschuhe, nie getragen." Sie starrt einen langen Moment auf den Text, während ihr Daumen über dem Post-Button schwebt. Ihre Augen beginnen zu glitzern, aber sie blinzelt schnell zurück. Sie weint nicht - stattdessen schließt sie das Telefon, legt es mit dem Gesicht nach unten und atmet aus, um sich zu beruhigen. Ihr Gesichtsausdruck ist zurückhaltend und unlesbar, aber ihre Körpersprache sagt alles: Das ist nicht einfach. Füge keine Untertitel auf dem Bildschirm ein.

Die Promptheit war gering - der Ton und die Komposition entsprachen nicht dem, was ich mir vorgestellt hatte. Trotzdem war die Konsistenz der Charaktere anständig: gleicher Haarschnitt, ähnliche Gesichtsstruktur, aber die Kleidung wurde geändert.

Ich habe auch einige visuelle Artefakte in der Ausgabe bemerkt (schau dir die Schuhe an). Und obwohl ich einen einzigen Schuss erwartet hatte, bekam ich drei verschiedene Schnitte in einer Generation. Später wurde mir klar, dass ich in der Aufforderung versehentlich einen zweiten Schnitt vorgeschlagen hatte, also ist das meine Schuld.

Außerdem wurde beim Exportieren aus dem Scene Builder der Ton komplett entfernt. Ich bin mir nicht sicher, ob das ein Fehler ist oder nur eine Einschränkung der aktuellen Einrichtung, aber es scheint keine einfache Lösung zu geben. Du kannst aber jede Aufnahme einzeln herunterladen - also habe ich sie in DaVinci Resolve einfach wieder zusammengefügt.

Google muss noch viel an der Scene Builder-Funktion arbeiten, aber das ist vielversprechend!

Modulare Steuerung mit Zutaten zu Video

Eine der experimentelleren (und lustigeren) Funktionen in Flow ist Ingredients to Video. Es ermöglicht dir eine modulare Steuerung: Du erstellst einzelne Elemente, die sogenannten Zutaten, undkombinierst sie dann zu einer Szene.

Du kannst Zutaten mit Hilfe der Bilderzeugung erstellen, obwohl der Upload von Bildern noch nicht unterstützt wird. Hier ist ein Beispiel aus dem Google-Team:

Für diesen Test wollte ich etwas Absurdes ausprobieren - einen lustigen, kafkaesken Kurzfilm:

Ein Käfer mit einem menschlichen Gesicht fährt einen SUV. Aber jetzt kommt der Clou (als ob das nicht schon genug wäre): Der Fahrersitz ist ein Königsstuhl.

Wählen wir zunächst die Option Zutaten zu Video:

Ich begann damit, die drei Zutaten nacheinander zu erzeugen: den Stuhl, den SUV und den Käfer.

Leider funktioniert diese Funktion derzeit nur auf Veo 2, nicht auf Veo 3. Technisch gesehen kannst du Veo 3 aus dem Dropdown-Menü auswählen, aber es schaltet während der Erstellung immer automatisch auf Veo 2 zurück und zeigt diese Warnung an:

Wie erwartet, war die Qualität der Ausgabe nicht besonders gut:

Aufforderung:

Ein Käfer mit menschlichem Gesicht fährt ruhig einen Geländewagen und sitzt auf einem übergroßen Königsthron.

Allerdings sahen zwei der drei Zutaten - vor allem der Käfer und der Stuhl - überraschend gut aus. Der SUV, nicht so sehr...

Mit den Fähigkeiten von Veo 3 wäre dieses Setup wahrscheinlich viel stärker gewesen. Im Moment ist dieser Modus zwar vielversprechend, aber noch nicht ganz ausgereift.

Frames zu Video

Die Idee hinter Frames to Video ist folgende: Du gibst dem Modell ein erstes und ein letztes Bild vor, und es versucht, einen Übergang zwischen diesen beiden Bildern zu animieren (durch eine Kamerabewegung, die du steuern kannst). Du kannst diese Rahmen entweder aus einer Eingabeaufforderung generieren oder (eventuell) selbst hochladen - der Upload von Bildern ist noch nicht möglich.

Wie die Funktion "Zutaten" ist auch dieser Modus automatisch auf Veo 2 voreingestellt, was die Qualität erheblich einschränkt. Ich konnte damit nichts besonders Nützliches erzeugen.

Am Ende habe ich es benutzt, um eine einzelne Aufnahme eines Chamäleons zu animieren. Ich habe dasselbe Bild als Start- und Endbild festgelegt und eine Dolly-Kamerabewegung angefordert, aber dieser Teil wurde im endgültigen Rendering nicht berücksichtigt.

Aufforderung:

Ein Chamäleon sitzt regungslos auf einem Ast, die Augen scannen langsam in verschiedene Richtungen, während es geduldig auf Beute wartet.

Veo 3 Best Practices

Wenn du zum ersten Mal über Flow Zugang zu Veo 3 erhältst, startest du mit 12.500 Credits. Jede Videoerstellung verbraucht einen Teil dieser Summe - bei Veo 3 sind es 150 Credits pro Generation - es lohnt sich also, von Anfang an strategisch vorzugehen.

Mein Rat: Überlege dir deine Aufforderungen gut und erstelle jeweils nur eine Ausgabe. Du musst diese Guthaben über den Monat verteilen, und jede Generierung braucht Zeit - oft 2 bis 3 Minuten oder mehr. Das macht die Iteration relativ langsam, so dass Versuch und Irrtum nicht billig oder schnell sind.

Für die Erstellung von Prompts bietet Google eine Vertex AI Leitfaden zur Videoerstellung der Einblicke in die Strukturierung effektiver Prompts für Veo bietet. Dieser Leitfaden unterstreicht die Bedeutung klarer, anschaulicher Aufforderungen und enthält Beispiele, die dir den Einstieg erleichtern.

Wenn du nach weiteren Anleitungen suchst, findest du im Runway Gen-3 Alpha Prompting Guide ist eine wertvolle Ressource. Es bietet detaillierte Strategien für die Erstellung von Prompts, die zu qualitativ hochwertigen Videoausgaben führen, was auch bei der Arbeit mit Veo 3 von Vorteil sein kann.

Fazit

Ich war nicht mehr so erstaunt über einen KI-Durchbruch, seit GPT-4o's Bilderzeugung.

Veo 3 bietet etwas, das sich grundlegend neu anfühlt: kohärente, vertonte Videos mit natürlichen Sprachansagen. Das allein hebt ihn von allen anderen Produkten ab, die ich getestet habe.

Sicher, es hat seine Schwächen - Prompt-Drift, fehlender vollständiger Veo 3-Zugriff auf wichtige Werkzeuge wie Scene Builder und gelegentliche visuelle Fehler - aber im Kern ist das Erlebnis wirklich spannend.

Was auffällt, ist, wie nah es bereits an einer brauchbaren kreativen Pipeline ist. Mit ein bisschen Schnitt und sorgfältiger Anleitung kannst du in weniger als ein paar Stunden von der Idee zum Storyboard und zu einem funktionierenden Kurzprojekt kommen. Wenn man dann noch die Zeichenkonsistenz (auch wenn sie ein bisschen fragil ist), die in die Ausgabe integrierte Audiofunktion und die Unterstützung für modulare Workflows hinzunimmt, sieht das Ganze schon wie ein ernstzunehmendes Werkzeug aus.