Wie ich AI Kurzvideos mache: Hooks, Captions und B-Roll

Zuletzt aktualisiert: June 28, 2026

Kurzformat-Vertivideos sind das einzige Format, das immer noch Reichweite bringt, die ich nirgendwo anders kaufen kann, und KI erledigt jetzt die Teile, vor denen ich früher Angst hatte: den Haken (Hook), das B-Roll, die Untertitel und den Schnitt eines langen Aufnahmematerials in knackige Clips. Letztes Quartal habe ich mit diesem Workflow ungefähr 120 Kurzvideos veröffentlicht, und dies ist die genaue Reihenfolge, nach der ich vorgehe – einen dreisekündigen Hook schreiben, B-Roll generieren oder sammeln, Untertitel einbrennen, auf Länge kürzen und posten.

Für das Modell hinter den Clips verlasse ich mich auf Sora video generator und Runway Gen-3 video; der finale Schnitt und die Effekte finden in unseren AI video editing-Notizen statt. So funktioniert die Zusammenstellung von Kurzvideos eigentlich.

Kurze Antwort: Wie erstellt man ein kurzes Video mit KI?

Wähle eine Idee aus, schreibe einen Hook, der sich bereits in den ersten drei Sekunden auszahlt, generiere oder sammle fünf bis acht Sekunden B-Roll, transkribiere und brenne Untertitel ein, kürze auf unter 60 Sekunden im Format 9:16 und poste. Das ist die gesamte Schleife. Die KI übernimmt vier dieser Schritte – B-Roll-Generierung, Transkription, Captioning und den Schnitt von lang zu kurz – aber du schreibst immer noch den Hook und wählst den Schnitt.

Ich habe diese genaue Abfolge an einem Kanal über Finanzen ohne Gesicht und einen Kanal mit Sprecherkopf getestet, und die Reihenfolge funktionierte für beide. Die kreativen Entscheidungen sind eng gefasst, aber sie zählen: Der Hook entscheidet, ob jemand die zweite Sekunde sieht, und der Stil der Untertitel entscheidet, ob zuschauer, die stumm schauen, bleiben.

Was gilt als kurzes Video und was wünschen sich die Plattformen?

Ein kurzes Video ist vertikal, 9:16, dauert unter drei Minuten und ist für das Autoplay mit ausgeschaltetem Ton konzipiert. Die drei Plattformen definieren die Obergrenze unterschiedlich, und die sichere Länge ist kürzer als das Maximum.

Zwei Regeln der Plattformen prägen alles andere. Gemäß YouTube's Shorts guidance muss ein Short vertikal und maximal 60 Sekunden lang sein, sonst ist es kein Short mehr – es wird als normales Video eingestuft und verliert den Shorts Feed. Die Reels best practices von Instagram fordern ebenfalls die rein vertikale Einschränkung und belohnen Text und Untertitel, da so viele Leute stumm schauen.

Die praktische Schlussfolgerung: Immer 9:16 aufnehmen oder rendern, für den stummen Zuschauer schreiben und den Hook in die ersten drei Sekunden legen. Ich behandle 30 Sekunden als Standard und gehe nur länger, wenn die Idee das nötige „Runway“ erfordert.

Der Hook: Ein dreisekündiger Opener, der zum Weitersehen bringt

Der Hook ist das einzige Element mit dem höchsten Hebel, das du schreibst, und KI ist darin mittelmäßig, daher schreibe ich Hooks selbst und nutze KI nur, um sie zu testen. Ein Hook erfüllt eine von vier Funktionen: Er macht ein Versprechen, er stellt eine Spannung her, er zeigt ein Ergebnis oder er stellt eine Frage, die der Zuschauer beantwortet haben muss.

Hooks, die ich als erfolgreich gemessen habe:

• "Das hat sechs Stunden gekostet. Hier ist die 30-Sekunden-Version."
• "Niemand erzählt dir von [topic] so etwas, bis es dich Geld kostet."
• "Ich habe [tool] 30 Tage lang getestet. Das Ergebnis war nicht das, was ich erwartet hatte."
• "Nach drei Sekunden siehst du, was mit dem Preis passiert."

Ich schreibe fünf Hooks, füge sie als Text im Video-Generator-Prompt ein und wähle denjenigen aus, der am schnellsten zu lesen ist. Der erste Frame muss den Hook visuell tragen, denn in Sekunde Null wurde die Untertitel noch nicht gelesen.

B-Roll und Visuals: Footage generieren, wenn man keines hat

Wenn du vor der Kamera stehst, sind B-Roll dein Gesicht plus Zwischenaufnahmen (Cutaways). Wenn du kein Gesicht zeigst, ist das B-Roll das gesamte Video, und hier verdient KI-Footage ihr Geld. Ich generiere Etablierungsaufnahmen, Produkt-Close-ups und abstrakte Bewegtbilder und lege dann das Skript darunter.

Ein faceless Workflow, den ich jede Woche durchlaufe:

1. Schreibe das 60-sekündige Skript und teile es in sechs bis acht Aufnahmen auf.
2. Generiere jede Aufnahme als fünf Sekunden Clip aus einem Text-Prompt.
3. Halte einen konsistenten Stil, indem du dieselben Stilbeschreibungen in jedem Prompt wiederverwendest.
4. Sequenziere die Clips so, dass jeder zur gesprochenen Zeile passt.
5. Füge eine Voiceover von einer geklonten oder Stock-KI-Stimme hinzu.
6. Brenne Untertitel ein und exportiere im Format 9:16.

Die ehrliche Grenze: KI-generierte Clips driften ab. Eine Kaffeetasse ändert ihre Form zwischen den Aufnahmen, Text im Bild wird unleserlich, und die Identität ist nicht über Schnitte hinweg gesichert. Ich generiere drei Versuche für jede Aufnahme und wähle den saubersten aus, und ich vermeide es, das Modell nach Text oder Logos zu fragen. Wenn ich Footage brauche, dem ich vertrauen kann, kombiniere ich generierte Clips mit Stockmaterial, damit die Schnitte nicht alle synthetisch wirken.

Untertitel: Texteinblendungen, die den stummen Autoplay-Zuschauer binden

Untertitel sind nicht verhandelbar, da die meisten Kurzvideo-Ansichten stumm beginnen. Ich transkribiere das Audio automatisch und gestalte dann die Wörter so, dass sie beim ersten Blick lesbar sind. Der Standard-KI-Caption-Export ist nutzbar, aber hässlich, daher verbringe ich zwei Minuten mit dem Typdesign.

Caption-Regeln, die ich befolge:

• Ein bis drei Wörter pro Caption Card, synchronisiert zum Rhythmus der Sprache.
• Platziere die Worte im oberen mittleren Drittel, frei von Plattform-UI und der Kommentarleiste.
• Verwende eine fette Sans-Serif mit einem Stroke oder Hintergrundfeld für Kontrast.
• Hebe das Schlüsselwort in einer kontrastierenden Farbe hervor, um den Blick zu fixieren.
• Halte die Untertitel innerhalb der sicheren Zone, damit sie auch beim Reposten über verschiedene Apps hinweg funktionieren.

Die Transkription selbst behandle ich als Entwurf. KI verwechselt Eigennamen, Zahlen und technische Begriffe, und ein falsches Wort in einer Caption liest sich für den Zuschauer wie ein Fehler. Ich lese jede Caption laut gegen das Audio vor, bevor ich exportiere.

Ein langes Video in kurze Clips umwandeln (Repurposing)

Repurposing ist der Bereich, wo KI am schnellsten ihren Wert bringt, weil das lange Video bereits existiert und die einzige Frage ist, welche dreißig Sekunden es wert sind, geschnitten zu werden. Ich nehme eine 20-minütige Aufnahme und ziehe daraus in einer Sitzung vier bis sechs Shorts.

Die Methode, die ich verwende:

1. Lade das lange Video hoch und führe eine KI-Transkription mit Sprecherwechseln durch.
2. Bitte das Tool, Momente zu markieren, die über einem Watch-Rate- oder Engagement-Schwellenwert liegen.
3. Ziehe jeden markierten Moment und kürze zehn Sekunden „Runway“ an beiden Seiten.
4. Rahmene horizontales Footage auf 9:16 um, indem du den Sprecher automatisch verfolgst (auto-tracking).
5. Schneide den Hook neu voran, damit jeder Clip mit seiner stärksten Zeile beginnt.
6. Brenne frische Untertitel ein und veröffentliche jeden Short als eigenen Beitrag.

Das Re-Framing ist der Schritt, der am häufigsten fehlschlägt. Auto-Tracking verliert den Sprecher, wenn er sich bewegt oder wenn zwei Personen auf dem Bildschirm sind, daher überprüfe ich das 9:16 Crop Frame für Frame beim ersten Clip jeder Charge. Unser AI video editing Tutorial behandelt die Re-Frame- und Color-Tools detaillierter.

Welche KI-Tools benutze ich tatsächlich?

Ich halte meinen Stack absichtlich klein. Jedes Tool erledigt einen Job besser als die anderen, und den Wechsel zwischen Tools mitten in einer Charge kostet mehr Zeit, als er spart.

Der Modellvergleich und der Sora-versus-Runway-Abwägung finden sich in der Sora AI video generator-Aufschlüsselung. Für Shorts greife ich zu Sora, wenn ich möchte, dass die Aufnahme zusammenhält, und zu Runway, wenn ich eine präzise Kamerabewegung benötige.

Was lässt dein Short markiert oder begraben werden?

Die Plattformen bestrafen bestimmte Dinge, und ein paar davon sind leicht versehentlich zu verletzen, wenn man sich zu sehr auf KI verlässt. Die Regeln zu kennen, bevor du etwas veröffentlichst, rettet einen Beitrag, der sonst bei der Überprüfung sterben würde.

Risiken, die ich beobachte:

• Wasserzeichen eines Konkurrenz-Platforms auf dem Export.
• Niedrig aufgelöstes oder letterboxed Footage, das auf ein faules Repost hindeutet.
• Automatisch generierte Untertitel mit Profanitäten oder falsch transkribierten Beleidigungen.
• KI-Footage von echten Personen ohne Offenlegung, wo eine Plattform dies verlangt.
• Audio, das nicht lizenziert ist oder aus einem Video eines anderen Creators stammt.

TikTok's business advertising and content policies setzen den Standard dafür, was herabgestuft wird, und die anderen Plattformen folgen einer ähnlichen Logik: Original, vertikal, klar und themenbezogen überlebt. Ich führe eine Checkliste dieser Punkte und prüfe sie bei jedem Short, bevor ich auf „Veröffentlichen“ klicke, denn ein einziges Wasserzeichen hat mir einen ansonsten starken Beitrag gekippt.

Zusammenfassung: Mein wöchentlicher Kurzvideo-Workflow

Hier ist die Schleife, die ich jede Woche durchlaufe, komprimiert auf die wichtigen Schritte. Die KI erledigt die schwere Arbeit bei B-Roll, Untertiteln und dem Schnitt von lang zu kurz; ich schreibe den Hook und mache den Schnitt.

Meine wöchentliche Checkliste:

• Wähle eine Idee aus und schreibe fünf Hook-Varianten.
• Generiere oder sammle sechs bis acht Sekunden B-Roll pro Aufnahme.
• Nimm oder synthetisiere die Voiceover auf.
• Transkribiere automatisch und brenne stilisierte Untertitel ein.
• Kürze auf 9:16 unter 60 Sekunden, Hook in den ersten drei Sekunden.
• Führe die Risiko-Checkliste durch und poste dann.

Der Hinweis, mit dem ich enden möchte: KI beschleunigt die Produktion, aber sie erzeugt keine Nachfrage. Die Shorts, die für mich am besten funktionierten, waren diejenigen mit einer wirklich nützlichen oder überraschenden Idee unter der Oberfläche des Polierens. Ein schnelles, billiges, gut untertiteltes Video über nichts funktioniert immer noch nicht. Nutze den Workflow, um mehr deiner guten Ideen zu veröffentlichen, und nicht, um die Abwesenheit einer abzudecken.

Bildnachweise (Image credits)

• A modern smartphone on a tripod recording a content styling video setup — photo by Tracy Le Blanc on Pexels
• A content creator recording a video at a desk with camera and lighting gear — photo by RODNAE Productions on Pexels
• A close-up of a video editing timeline interface on a computer screen — photo by Alex Fu on Pexels
• A smartphone screen displaying popular social media applications — photo by cottonbro studio on Pexels