Seedance 2.5 in der Praxis: Wie aus einem Prompt 30 Sekunden Video werden

Der Spot oben ist kein Kundenprojekt und hat niemanden etwas gekostet. Ich habe ihn just for fun gebaut, um zu testen, was die neuen Videogenerierungs-Modelle im August 2026 tatsächlich können. 48 Sekunden, entstanden aus Text, ohne Kamera und ohne Drehtag.

Wer sich danach durch die Anleitungen arbeitet, findet überall denselben Befund: Die Technik ist selten das Problem, die Beschreibung ist es. Seedance rendert einen schwachen Prompt genauso hübsch wie einen guten. Es sagt nur nicht dazu, dass er schwach war. Man sieht es erst am fertigen Clip, nachdem man auf das Rendern gewartet hat.

Was Seedance 2.5 anders macht

Zwei Dinge haben sich gegenüber der Vorversion geändert. Ein einzelner Clip darf jetzt 30 Sekunden lang sein statt 15, und das Referenzbudget hat sich mehr als verdreifacht. Ton und Bild entstehen im selben Durchgang, es wird nichts mehr nachträglich zusammengeklebt, und die Ausgabe kommt nativ in 1080p.

Mehr Platz heißt aber nicht, dass man nachlässiger arbeiten darf. Es heißt, dass es mehr Stellen gibt, an denen etwas schiefgehen kann, ohne dass man es bemerkt.

Auf dem Datenblatt stehen 30 Bilder, 10 Videoclips und 10 Audioclips. In ByteDance' eigenem Leitfaden steht die Zahl, auf die es ankommt, und sie ist viel kleiner: Wirklich stabil bleibt der Bereich von 1 bis 8 Bildern und 1 bis 5 Video- oder Audioclips. Je mehr Referenzen man stapelt, desto unruhiger wird das Ergebnis. Die Zahl, die man sich merken muss, ist also die kleine, nicht die große.

Dazu kommt eine Eigenheit, die Zeit kostet: Das Modell lehnt eine überladene Anfrage nicht ab. Es versucht es trotzdem.

Wer von der Vorversion kommt, tappt fast immer in dieselbe Falle. Ein alter 15-Sekunden-Prompt wird auf 30 Sekunden gestreckt, ohne ihn vorher zu zerlegen. Heraus kommen Handlungen, die keinen Sinn ergeben, Gegenstände, die aus dem Nichts auftauchen, und Figuren, die im Lauf des Clips langsam aufhören, wie sie selbst auszusehen.

Sechs Angaben, viermal statt einmal

Ein Werbeprompt ist keine Beschreibung, sondern eine Einstellungsliste. Für jede Einstellung stehen dieselben sechs Angaben: was im Bild ist, was es tut, wo es spielt, wie sich die Kamera bewegt, in welchem Stil, und welche Regeln gelten.

Diese Formel ist seit der Vorversion unverändert. Neu ist nur, wie oft man sie schreibt: einmal pro Abschnitt statt einmal pro Clip. Die Aufteilung gibt ByteDance selbst vor.

• 0 bis 6 Sekunden: die Szene etablieren
• 6 bis 14 Sekunden: aufbauen
• 14 bis 24 Sekunden: der Wendepunkt
• 24 bis 30 Sekunden: die Auflösung

Ein langer Absatz für alle 30 Sekunden gibt dem Modell keinen Anhaltspunkt, wo die Geschichte kippen soll. Die Zeitmarken gehören deshalb in den Prompt.

[0-6s]   Establish: [Subjekt] + [Aktion] + [Ort] + [Kamera] + [Stil] + [Regeln]
[6-14s]  Build:     [Subjekt] + [Aktion] + [Ort] + [Kamera] + [Stil] + [Regeln]
[14-24s] Turn:      [Subjekt] + [Aktion] + [Ort] + [Kamera] + [Stil] + [Regeln]
[24-30s] Resolve:   [Subjekt] + [Aktion] + [Ort] + [Kamera] + [Stil] + [Regeln]

Wenn gesprochen wird, kommt eine Rechnung dazu, die man zählen und nicht schätzen sollte. Gesprochener Text läuft bei etwa 3,5 Wörtern pro Sekunde, ein 30-Sekunden-Spot trägt also rund 105 Wörter. Wer darüber liegt, bekommt eine gehetzte Sprechweise, wer darunter bleibt, eine schleppende. Und die eingestellte Generierungslänge muss zu den Zeitmarken passen: Ein Skript für 21 Sekunden, das man auf 15 Sekunden generieren lässt, wird zusammengestaucht.

Jede Referenz bekommt einen Auftrag und ein Verbot

Referenzen zu markieren reicht nicht mehr. Jede braucht zwei Angaben: was sie steuert, und was sie nicht anfassen darf.

@video 1 defines motion, camera movement, and pacing. Do not use the person's identity, clothing, or scene from the video.

Die zweite Zeile ist die wichtige. Ohne sie sickern Details einer Referenz in Einstellungen, für die sie nie gedacht war. Das Leck findet man dann ausgerechnet in der einen Einstellung, die man nicht doppelt geprüft hat.

Gruppen lassen sich als „@images 6 to 10" ansprechen. Neu dazugekommen ist „@clay render", eine nackte 3D-Form ohne Textur, die ausschließlich Kamerafahrt und Bildaufbau festlegt, während ein separates Referenzbild Aussehen, Material und Licht beisteuert. Jede Referenz macht genau einen Job.

Die Bilder entstehen vor dem Video

Die Bildplätze im Prompt kommen nicht aus Seedance. Sie kommen aus einem separaten Bildmodell, von Hand erzeugt und ausgewählt, bevor der Videoprompt überhaupt geschrieben wird. Für filmische und stilisierte Aufnahmen greifen Produzenten zu Midjourney, für Realismus mit echten Gesichtern, Materialien und Licht zu Nano Banana Pro oder GPT Images 2.

Der Ablauf ist immer derselbe. Zuerst einen Look für das ganze Projekt festzurren. Dann unter diesem Look nach Kategorien erzeugen: Übersichtsaufnahme, Umgebung, Hauptfigur, wichtigstes Requisit, Schlussbild. Alles, was wiederkehrt, bekommt ein eigenes Referenzblatt mit Vorder-, Seiten- und Rückansicht auf leerem Hintergrund. Eine vollständige Referenzsammlung ist damit an einem Nachmittag fertig.

Dann folgt die Regel, an der die ganze Konsistenzarbeit hängt: Ein einmal festgezurrtes Referenzbild wird nie wieder neu erzeugt. Sieht die Bewegung falsch aus, repariert man den Bewegungsprompt. Ein neues Bild macht alles zunichte, was vorher schon gepasst hat.

Der Grund dafür ist unangenehm schlicht. Das Modell hat kein Gedächtnis. Beschreibt man dieselbe Person in zwei Prompts, bekommt man zwei verschiedene Personen, weil jede Generierung bei null anfängt. Eine Textbeschreibung ist kein Identitätsgedächtnis. Ein Asset besteht deshalb immer aus einem Paar: einer erschöpfenden Beschreibung, die wortgleich in jeden Prompt kopiert wird, und Referenzbildern auf neutralem Grau. Gekürzt wird nichts. „Der Kürze halber" ist genau die Stelle, an der die Konsistenz stirbt.

Bevor ein Asset festgezurrt wird, prüft man es unter Belastung: in verschiedenen Winkeln und Einstellungsgrößen, im Licht seiner tatsächlichen Szenen und neben den anderen Assets, mit denen es sich später das Bild teilt. Eine Figur, die allein hält, bricht oft in der Zweieraufnahme. Der Test kostet ein paar Standbilder und erspart teure Videogenerierungen.

Warum die Figuren einfrieren

Der häufigste Fehler in KI-Videos: Menschen stehen bewegungslos herum, während die Kamera an ihnen vorbeizieht. Technisch bewegt sich das Bild, sichtbar passiert nichts. Dagegen hilft eine Grammatik aus drei Teilen, in jedem Prompt, der ein Bild in Bewegung setzt.

• Eine benannte Kamerafahrt, etwa „slow dolly in" oder „push-in on the beat". Eine Bewegung, ausgesprochen, nie angedeutet.
• Ein Ereignis in der Szene, das während dieser Sekunden passiert. Dasselbe Ausgangsbild mit und ohne Ereignis ist der Unterschied zwischen einem driftenden Standbild und einem Film.
• Die ausdrückliche Zeile „no frozen figures", jedes Mal.

Ansonsten werden Einschränkungen positiv formuliert. „Stable picture, sharp clarity" funktioniert, „no blur, no shaking" wird ignoriert.

Ein Verb pro Einstellung. „Er dreht sich" wird generiert, „er dreht sich, geht vor, greift danach und spricht" bricht zusammen. Fünf kleine Handlungen landen besser als ein Adjektiv: „leerer Blick, langsames Blinzeln, trinkt Kaffee, schaut auf" liest sich als Mensch, „er wirkt verwirrt" liest sich als Stockfoto.

Auch die Länge ist eine Regel. Prompts, die aus reinem Text ein Video machen, liegen bei 120 bis 280 Wörtern. Prompts, die ein Referenzbild animieren, bleiben unter 80. Darüber beginnt der Text gegen das Bild zu arbeiten, und die Figur driftet weg.

Und dann ist da die Grenze, an der viele scheitern: Das Modell kann alles halten und nichts verändern. Es hält eine Tube fünfzehn Sekunden lang makellos in der Hand. Bittet man es, dieselbe Tube aufzuheben, bekommt man eine zweite Tube, eine verkehrte Hand oder einen sechsten Finger. Einen Knopf schließen, einen Schnürsenkel binden, eine Flasche öffnen: geht nicht. Jeder Zustandswechsel passiert über einen Schnitt. Erst der Fleck auf der Hand, Schnitt, halb verteilt, Schnitt, saubere Haut. Kein einziger Clip enthält den Übergang. Das Gehirn des Zuschauers ergänzt ihn, so wie es das seit Erfindung des Filmschnitts tut.

Text im Bild ist das Zerbrechlichste

Modelle schreiben Text im Bild schlecht. Jedes Schild, jeder Bildschirm und jedes Etikett ist deshalb eine eigene, bewusste Aufgabe. Wie schlecht, sieht man übrigens im Spot oben: Auf einer Kaffeetasse steht „Kaffe", und die Dokumente auf den Bildschirmen sind Buchstabensalat.

Der exakte Wortlaut gehört in Anführungszeichen in den Prompt, zusammen mit dem Schriftcharakter. Sonst erfindet das Modell eine Typografie, die von Bild zu Bild anders aussieht. Gegenstände beschreibt man über Materialeigenschaften statt über Markenadjektive, also „mattes weißes Kunststoffgehäuse" und nicht „hochwertig". Der Markenname wird groß gedruckt, denn ein kleines Stoffetikett verunstaltet sich über eine Kampagne hinweg auf vier verschiedene Arten.

Objekte werden szenenweit gezählt. „Eine Tube" reicht nicht, das System stellt bereitwillig eine zweite auf ein Regal im Hintergrund. Der Satz muss lauten: genau eine Tube in der ganzen Szene, kein Duplikat auf irgendeiner Fläche, keine Spiegelungskopien.

Titel, Untertitel und Bildschirmoberflächen erzeugt man am besten gar nicht erst. Die entstehen im Schnitt- oder Grafikprogramm.

Der Ton, den fast alle vergessen

Die Tonebene bleibt am häufigsten ungeschrieben, und sie entscheidet darüber, ob eine Aufnahme nach hingestelltem Handy klingt oder nach Produktion. Jeder Clip-Prompt endet deshalb mit einem Block zu Kamera und Ton: welches Objektiv, welche Bewegung, welches Mikrofon, ob Musik läuft. Musik unter der Stimme muss ausdrücklich benannt werden, sonst erscheint sie entweder gar nicht oder kämpft gegen die Stimme.

Für die Sprechweise reicht ein einziges Wort. „Delivery: fed up" erzeugt eine Darbietung, „natural authentic relatable energy" erzeugt nichts.

Wenn mehrere Clips zusammengeschnitten werden, gibt es einen Trick für eine durchgehende Stimme: den ersten Clip rendern, Gesicht und Stimme abnehmen, dann die Tonspur dieses freigegebenen Clips als Audioreferenz an alle übrigen Clips hängen. Eine Stimme trägt den ganzen Spot, ohne Zusatzaufwand.

Zwei Einschränkungen sollte man vorher kennen. Die Stimmfarbe driftet zwischen Clips, seltene Wörter werden verstümmelt. Und generierte Musik ist nicht lizenziert. Wer damit wirbt, gibt Musik und Endmischung besser an Menschen.

Was davon für einen Betrieb übrig bleibt

Higgsfield bündelt die Videomodelle auf einer Oberfläche, ein Login, ein Guthaben. Es gibt sogar eine Kommandozeile dazu, mit der ein Agent eine ganze Flotte von Jobs starten und zu einem fertigen Spot zusammensetzen kann. Beeindruckend, und trotzdem nebensächlich: Denselben Modellzugang kann jeder mieten. Das Ergebnis ist nur so gut wie das, was man hineingibt.

Verbrauchertests haben in diesem Jahr menschlich produzierte Werbung gegen KI-Werbung antreten lassen, auf dieselben Briefings. Die menschlich produzierte hat weiterhin gewonnen, und nur etwa ein Viertel der Zuschauer erkannte die KI-Spots überhaupt als solche. Der Unterschied liegt nicht am Modell, sondern am Handwerk, und das Handwerk steckt in den Wörtern.

Praktisch heißt das: Ein einzelner Clip ist nie eine Generierung, sondern eine Schleife. Pro Durchgang ändert man eine Variable. Wenn nach zehn bis fünfzehn Durchläufen nichts sitzt, vereinfacht man die Einstellung, statt weiterzuprobieren. Am Ende steht eine Regel, die ich für die ehrlichste des ganzen Themas halte: Jeder Clip, bei dem man selbst zum Handy greifen würde, wird gelöscht. Egal, was er gekostet hat.

Dafür fällt anderes weg. Eine Änderung, die im Studio einen neuen Drehtag bedeutet hätte, ist hier eine geänderte Zeile im Prompt.

Und eine Pflicht kommt dazu. Seit dem 2. August 2026 müssen KI-erzeugte Bild-, Ton- und Videoinhalte gekennzeichnet werden, Deepfakes ausdrücklich offengelegt. Genau deshalb steht der Hinweis oben direkt unter dem Video und nicht im Kleingedruckten. Was sonst noch aus dem AI Act für kleine Betriebe gilt, habe ich hier zusammengeschrieben.