Was ist Multi-Shot-Video?

Ein Multi-Shot-KI-Video entsteht in drei Schritten: Eine Idee wird als Liste von Einstellungen geplant, jede Einstellung wird von einem Videomodell generiert, und die Einstellungen werden mit Schnitten zu einem Film verbunden. Weil jede Einstellung eine eigene Generierung ist, lässt sich eine misslungene neu generieren, während die anderen bleiben, wie sie sind.

Warum eine Generierung eine Einstellung von wenigen Sekunden ist

Ein Videomodell generiert alle Frames eines Clips gemeinsam, und der Aufwand wächst mit jeder zusätzlichen Sekunde schnell, deshalb ist eine Generierung kurz: Der Bericht zu Seedance 2.0 nennt 4 bis 15 Sekunden pro Generierung (Team Seedance, 2026), und Klings Video 3.0 erreicht 15 (Kuaishou, 2026). Zur Pipeline siehe KI-Videogenerierung.

Planung: von einer Idee zur Shotlist

Der Plan legt fest, was jede Einstellung zeigt, wie sie kadriert ist, wie lange sie läuft und wer darin vorkommt. Forschungssysteme schreiben ihn mit einem Sprachmodell: VideoDirectorGPT erweitert einen einzigen Prompt zu einem „Videoplan“ aus Szenenbeschreibungen, den Elementen jeder Szene mit ihrer Anordnung, dem Hintergrund jeder Szene und der Angabe, welche Elemente über Szenen hinweg gleich aussehen müssen (Lin et al., 2023).

Die Einstellungen generieren und zusammenfügen

Jede Einstellung wird aus ihrem eigenen Prompt generiert, mit denselben Beschreibungen und Referenzbildern der Figuren und Orte in jeder, damit sie gleich aussehen. Keine wartet auf eine andere, also lassen sie sich gleichzeitig generieren. Dann werden sie mit harten Schnitten aneinandergereiht zu einem Video.

Schnitte innerhalb einer Generierung: Multi-Shot-Modi

Einige neuere Modelle können innerhalb einer einzigen Generierung schneiden. Laut Kuaishou „versteht“ Klings Video 3.0 „Anweisungen für mehrere Szenen und mehrere Einstellungen“, und Video 3.0 Omni ergänzt ein Multi-Shot-Storyboard, in dem du für jede Einstellung Dauer, Einstellungsgröße, Perspektive, erzählten Inhalt und Kamerabewegung festlegst (Kuaishou, 2026). ByteDance beschreibt für Seedance 2.0 eine „native, professionelle Multi-Shot-Erzählfähigkeit“; das Modell kann auch einem Text-Storyboard folgen (Team Seedance, 2026). Wan 2.6 von Alibaba hat dafür einen Schalter: eine durchgehende Einstellung oder „mehrere Einstellungen mit Übergängen“ (Alibaba Cloud).

Die Forschung geht in dieselbe Richtung: Long Context Tuning weitet die Aufmerksamkeit eines Single-Shot-Modells auf alle Einstellungen einer Szene aus und berichtet damit von zusammenhängenden Multi-Shot-Szenen (Guo et al., 2025). Ein Multi-Shot-Modus bleibt aber eine einzige Generierung: Alle seine Schnitte passen in die etwa 15 Sekunden des Modells.

Alle drei heißen oft „Multi-Shot“, sind aber verschiedene Dinge mit verschiedenen Grenzen:

Dieses Video wurde auf DreamBench aus dem Briefing darunter erstellt, mit Kling 3.0 im vertikalen 9:16-Format. Das Briefing ist als Abfolge geschrieben: eine Großaufnahme der Schuhe, die Kurve in die Sonne, dann eine „letzte Einstellung“, die es benennt. Die Läuferin, die Schuhe und das Morgenlicht bleiben durchgehend gleich.

Ein Schnitt verbindet zwei getrennt generierte Einstellungen, also bringt nichts sie in Einklang außer dem, was beiden gesagt wurde. Gute Kontinuität lässt die zweite Einstellung als denselben Moment wirken, nur von woanders gesehen.

Was über einen Schnitt hinweg bleibt

• Gesichter, Haare und Kleidung: dieselbe Person, in jeder Einstellung mit denselben Worten beschrieben und mit denselben Referenzbildern gezeigt. Das ist Figurenkonsistenz.
• Der Ort: derselbe Raum, dieselbe Straße oder Landschaft, mit ihren markanten Punkten an derselben Stelle.
• Positionen und Haltungen: Wer in einer Einstellung links sitzt, sitzt auch in der nächsten links.
• Requisiten und ihr Zustand: Eine halb ausgetrunkene Tasse bleibt halb ausgetrunken; eine offen gelassene Tür bleibt offen.
• Licht: dieselbe Tageszeit, dieselbe Sonnenrichtung, dieselbe Lichtfarbe.
• Bewegung: Eine Läuferin, die von links nach rechts läuft, läuft weiter von links nach rechts, im selben Tempo.

Was sich bei einem Schnitt ändert

Der Bildausschnitt muss wechseln: Zwei Einstellungen desselben Motivs in fast gleicher Größe und aus fast gleichem Winkel wirken wie ein Sprung, als fehlten Frames. DreamBenchs Regel für jeden Übergang ist ein klarer Kontrast: mindestens zwei Stufen Einstellungsgröße, etwa von der Totale zur Großaufnahme, oder eine Vierteldrehung der Kamera, oder ein Zwischenschnitt auf etwas anderes, oder eine neue Szene.

Ton über Schnitte hinweg

Bei Modellen, die Ton erzeugen, wird der Ton jeder Einstellung mit ihrem Bild generiert und am Schnitt mit ihm verbunden. Ein Dialogsatz gehört zu einer Einstellung: Schneide ein Gespräch am Ende der Sätze, so wie ein Film zwischen Sprechenden schneidet, dann fügt sich der Ton sauber zusammen. Wie der Ton entsteht, erklärt natives Audio.

Schreib die Geschichte in einem Satz auf und zerlege sie dann in Momente, je eine Einstellung pro Moment. Ein Plan für 30 Sekunden könnte so aussehen:

• Eine Handlung pro Einstellung: Eine Einstellung, die drei Dinge zeigen will, bringt sie durcheinander.
• Beschreibe jede Figur in jeder Einstellung gleich, Wort für Wort, und nutze dieselben Referenzbilder.
• Wechsle bei jedem Schnitt die Einstellungsgröße und behalte die Bewegungsrichtung bei.
• Gib jeder Einstellung die Sekunden, die ihre Handlung braucht: Ein Blick braucht eine, das Durchqueren eines Raums drei oder vier.

Muss eine Einstellung genau dort enden, wo die nächste beginnt, kann man einem Modell, das ein Start- und Endbild annimmt, beide Enden vorgeben. Um ein echtes Produkt oder eine echte Person in jede Einstellung zu bringen, gib Bilder davon als Referenzen mit: Das ist Referenz-zu-Video.

Wie viele Einstellungen ein Film braucht, hängt von seiner Länge ab und von der längsten Einstellung, die sein Modell in einer Generierung erzeugen kann. Das sind die Längen pro Generierung der Videomodelle auf DreamBench:

Kann KI ein 1-Minuten-Video machen? Ja, als mehrere zusammengeschnittene Einstellungen: Kein Modell auf DreamBench macht 60 Sekunden in einer Generierung. DreamBench teilt einen neuen Film in Einstellungen von 3 bis 12 Sekunden auf, so lang, wie die Handlung jeder Einstellung dauert, selbst auf einem Modell, das länger rendert, damit jede Einstellung nur wenige Handlungen trägt. Eine Minute sind dann mindestens fünf Einstellungen.

• Werbung und Produktfilme: das Produkt in seinem Umfeld, im Einsatz, in Großaufnahme, dann die Endkarte.
• Kurze Geschichten und Kurzfilme, in denen eine Figur von Szene zu Szene begleitet wird.
• Musikvideos, im Takt über viele Orte geschnitten.
• Social-Video in 9:16, aus schnellen Schnitten gebaut.

• Drift zwischen Einstellungen: Ein Gesicht, eine Jacke oder eine Frisur verändert sich leicht von einer Einstellung zur nächsten. Referenzbilder in jeder Einstellung sind das wichtigste Gegenmittel.
• Jump Cuts: Zwei Einstellungen, die sich in Größe und Winkel zu sehr ähneln, wirken wie ein Bildfehler statt wie ein Schnitt.
• Gebrochene Kontinuität: Eine Requisite wechselt die Hand, das Licht springt von Morgen auf Abend, eine Figur geht von links nach rechts und dann wieder zurück.
• Handlungen, die schlecht über einen Schnitt verteilt sind: eine Hand, die in einer Einstellung nach einer Tür greift und in der nächsten schon drinnen ist, während die Mitte fehlt.
• Ein Schnitt, der in eine Generierung geschrieben wird, auf einem Modell ohne Multi-Shot-Modus: Er kann als Flackern zwischen zwei halb fertigen Orten herauskommen statt als sauberer Schnitt.
• Länge: Jede zusätzliche Einstellung ist eine weitere Stelle für einen Fehler, also prüfe jede Einstellung, nicht nur den ganzen Film.

Warum sieht meine Figur nach einem Schnitt anders aus? Weil die zweite Einstellung generiert wurde, ohne die erste zu sehen: Nur die Worte und Bilder, die beide bekommen haben, verbinden sie. Beschreibe die Figur in jeder Einstellung identisch, gib jeder dieselben Referenzbilder und lass Kleidung und Umgebung unverändert, solange die Geschichte sie nicht ändert. Innerhalb einer Einstellung ist dasselbe Problem ein Versagen der zeitlichen Konsistenz.

Ein Film aus generierten Einstellungen kann wie echtes Filmmaterial aussehen. Kennzeichne ihn, wo er für echt gehalten werden könnte, und zeige nie eine echte Person darin ohne ihre Einwilligung.

Multi-Shot-Video ist die Art, wie DreamBench jeden Film macht. Du beschreibst die Geschichte, und DreamBench schreibt das Skript: einen Szenenplan mit Bildausschnitt, Handlung und Text jeder Einstellung. Es zeichnet jede Figur, jeden Ort und jede Requisite einmal als Blatt, damit sie in jeder Einstellung gleich aussehen, generiert dann jede Einstellung mit dem einen Modell deiner Wahl und schneidet sie zusammen, mit einem harten Schnitt an jedem Übergang.

• Jeden Schritt prüfen: Standardmäßig liest du das Skript und lernst dann die Besetzung kennen, bevor eine Einstellung generiert wird; überarbeite das Skript mit einer Notiz oder lass eine Figur neu zeichnen, auf Wunsch nach einem Bild von dir. Oder lass den Film ohne Halt bis zum Ende durchlaufen.
• Eine Einstellung neu drehen: Wähl im Einstellungs-Editor eines fertigen Films die Einstellung und sag, was sich ändern soll. Nur diese Einstellung wird neu generiert, mit derselben Besetzung, und jeder frühere Take bleibt unter ihren Versionen zur Auswahl erhalten.
• Mehrere Einstellungen auf einmal: Gib so vielen Einstellungen neue Regieanweisungen, wie du willst, vergleiche die Versionen und übernimm die, die du willst; du zahlst für die Sekunden, die du neu generierst, plus eine kleine Bearbeitungsgebühr.
• Deine eigenen Bilder: Füge einem Film bis zu 8 Referenzbilder hinzu, jedes als Figur, Kreatur, Schauplatz oder Requisite markiert, und sie werden in den Einstellungen verwendet, zu denen sie gehören.
• Länge nach Tarif: Ein Film kann bei Starter bis zu 30 Sekunden lang sein, bei Plus bis zu 2 Minuten und bei Ultra und Studio bis zu 5 Minuten, in Einstellungen von 3 bis 12 Sekunden, bis zu 40 Einstellungen.
• Schnitte innerhalb einer Einstellung: Mit Seedance 2.5 und Seedance 2.0 darf eine Einstellung einen eigenen Schnitt enthalten; bei jedem anderen Modell ist jede Einstellung eine durchgehende Aufnahme, und die Schnitte liegen zwischen den Einstellungen.

Für einen einzelnen Clip ohne Plan schickt Video deinen Prompt so, wie du ihn eingibst, als eine Generierung an das Modell: der Ort für eine einzelne Einstellung oder für den eigenen Multi-Shot-Modus eines Modells. Die Seite jedes Modells in der Modellliste nennt seine Optionen.