YouTube-Videos mit KI erstellen
Das komplette Wissen 2026

1Idee & Recherche

Themen mit VidIQ / TubeBuddy finden: hohes Suchvolumen, wenig Konkurrenz. Bei News-Nischen zählt Geschwindigkeit – als Erster zum Thema publizieren. Evergreen-Themen („Warum gibt es Jahreszeiten?") bringen dauerhaften Such-Traffic statt einmaliger Viral-Spitzen.

2Skript & Prompts vom LLM

Prompts nie selbst schreiben. ChatGPT, Claude oder Gemini per Sprachnachricht briefen – die formulieren strukturierte Profi-Prompts in der Trainingssprache des Videomodells (bei chinesischen Modellen wie Seedance ruhig auf Chinesisch).

3Bilder zuerst: Referenzen bauen

Der meistgeteilte Einzeltipp: erst Bilder, dann Video. Character Reference Sheet, Location-Sheet und Produkt-Sheet anlegen (Details in Abschnitt 03). Bild-Modelle: GPT Image 2, Nano Banana Pro, Seedream.

4Video generieren (Image-to-Video)

Mit Seedance 2.0, Veo 3.1, Sora 2, Kling oder Happy Horse über eine All-in-One-Plattform. Kurze Prompts, wenig Handlung pro Clip, immer „no music". 6–15 Sekunden pro Szene, Ausschuss einkalkulieren.

5Audio produzieren

ElevenLabs für Sprache (inkl. Voice Cloning ab 10 Min. eigenem Audiomaterial), Suno oder Producer AI für Musik, Ace Studio Videocomposer für spurgetrennte Geräusch-Vertonung ganzer Szenen.

6Schnitt im Editor

Der klassische Videoeditor bleibt (noch) Pflicht: Premiere, Final Cut oder CapCut. KI liefert Szenen, kein fertiges Video – gesammelt, sortiert und geschnitten wird von Hand. Ausnahme: End-to-End-Tools wie Invideo oder Wondercraft.

7Skalieren & wiederholen

Batch-Generierung (AutoFlow), Automations-Pipelines (Zapier), 2–5 Videos pro Woche. Funktionierende Themen mehrfach verwerten. Thumbnail mit Canva Magic Design oder Nano Banana Pro.

1 · Subjektbeschreibung

Wer oder was ist die Hauptfigur? Alter, Aussehen, Kleidung, Ausstrahlung. Auch ein Produkt (iPhone, Parfümflasche) ist ein „Subjekt".

2 · Handlung

Was passiert? Der Klassiker-Fehler: zu viel Handlung. In kleine Häppchen zerteilen – pro Clip eine einfache Aktion. Alternativ Shot-für-Shot oder mit Sekundenangaben strukturieren.

3 · Umgebung

Wo spielt die Szene? Modernes Hotel oder traditionsreiches Grandhotel? Je konkreter, desto konsistenter das Ergebnis.

4 · Licht & Atmosphäre

Hartes oder weiches Licht, Tageszeit, Stimmung, Filmlook („35 mm, high detail texture"). Filmkenntnisse helfen – oder man lässt das LLM übersetzen.

5 · Kamerabewegung

Dolly Shot, Tracking Shot, langsamer Push-in, 360-Roll … Wer die Begriffe nicht kennt: dem LLM beschreiben („fahre langsam auf das Objekt zu"), es liefert den Fachbegriff.

+ Audio-Ebene

Bei Modellen mit Ton zusätzlich: Musik (besser weglassen!), Geräusche (auflisten: Schritte, Wind, Applaus …), Sprache (exakten Sprechtext in den Prompt – funktioniert erstaunlich gut).

Prompts vom LLM schreiben lassen

• Per Spracheingabe drauflos erzählen („Ich stelle mir vor …") – das LLM strukturiert daraus den Profi-Prompt.
• Standing Instructions einmal hinterlegen: „Schreibe in jeden Prompt: no music, Pixar-Look, 16:9 …" – nie wieder wiederholen.
• Eigener Custom-GPT („Prompt Architect"): Modell nennen + grobe Richtung – fertiger optimierter Prompt.

Modell-Wissen anzapfen

• Jedes Videomodell hat auf seiner Homepage einen Prompt-Guide. Diese Seite kopieren und ins LLM füttern – ab dann schreibt es modellspezifisch optimale Prompts.
• Für Claude gibt es einen offiziellen „Skill for Seedance 2.0" direkt vom Hersteller ByteDance – einmal laden, dauerhaft bessere Prompts.
• In der Trainingssprache des Modells prompten (Englisch, bei chinesischen Modellen Chinesisch). Das LLM übersetzt: „Prompt auf Deutsch zeigen, auf Chinesisch ausgeben".

Spezifisch schlägt generisch

„Eine Frau im Café" → Zufallsergebnis.
„Ultra-realistische Nahaufnahme einer Frau im sonnigen Café, Dampf steigt aus der Kaffeetasse, sie spricht beiläufig in die Kamera über ihre Morgenroutine" → kontrolliertes Ergebnis.
Auch Bewegung und Verhalten beschreiben („geht die Straße entlang, schaut sich um, richtet die Jacke") – sonst rät die KI.

Negative Prompts & Iteration

Was nicht passieren soll, explizit ausschließen (viele Tools haben ein eigenes „Don'ts"-Feld). Und: Erste Generierung ist selten die beste – iterieren gehört zum Prozess. Bei Veo den Modus „Normal/Quality" statt „Fast" wählen (Fast = sichtbar schlechtere Qualität).

🎭 Character Reference Sheet

Die Hauptfigur von vorne, links, rechts und hinten auf einem einzigen Bild. In 1 Minute erstellt: ChatGPT bitten, ein „Character Reference Sheet" zu generieren – oder echte Fotos aus mehreren Winkeln in PowerPoint/Keynote zusammenschieben. Einmal hochladen, in jedem Prompt referenzieren.

• Kleidungswechsel? Nicht im Prompt beschreiben („schwarzer Anzug" wird jedes Mal ein anderer Anzug), sondern das Sheet selbst umziehen lassen („zieh ihm einen schwarzen Anzug an") und die neue Version als Basis nehmen.

🏠 Location Turnaround Sheet

Dasselbe Prinzip für Räume – ein Geheimtipp, den kaum jemand nutzt: Schlafzimmer, Bad und Außenansicht als Übersichts-Sheet generieren. So bleibt der Raum auch bei Kameraschwenks konsistent, statt sich hinter der Kamera „neu zu erfinden". Funktioniert genauso für Produkte (Foto machen → „mach ein Character-Objekt-Sheet daraus").

🖼️ Image-to-Video statt Text-to-Video

Text-to-Video startet bei jeder Generierung bei null – Charakter und Ort ändern sich unkontrollierbar. Image-to-Video legt das erste Frame fest: Die KI muss nicht raten, wie Figur und Licht aussehen. Erfahrene Creator nutzen fast ausschließlich diesen Weg. Voraussetzung: hochwertige Ausgangsbilder (siehe Kino-Prinzipien).

🔗 End-Frame-Technik (nahtlose Langvideos)

Bei Modellen mit Start- und End-Frame (z. B. Veo 3.1): Das Endbild von Clip 1 wird das Startbild von Clip 2. So entstehen beliebig lange Videos ohne sichtbaren Schnitt. Zusätzlich kann Seedance 2.0 ein ganzes Video als Referenz nehmen und Stil/Stimmung neu aufbauen, während Struktur und Bewegung erhalten bleiben.

💡 1 · Licht

Licht mit Richtung und Schatten macht aus einem flachen Foto eine lebendige 3D-Szene. Der Unterschied zwischen schlechtem und gutem Licht ist der größte Einzelhebel – Hollywood gibt allein dafür Hunderttausende aus.

🏔️ 2 · Tiefe

Drei Ebenen: Vordergrund leicht unscharf (reicht schon ein angeschnittenes Geländer), Subjekt scharf in der Mitte, Umgebung im Hintergrund. So liest das Auge echten Raum statt Fläche.

📐 3 · Komposition

Drittel-Regel statt Zentrum: Subjekt auf eine der vertikalen Drittellinien setzen. Leading Lines (Straßen, Flure, Wände) lenken den Blick zum Subjekt.

❤️ 4 · Emotion

Die wichtigste Frage vor dem Generieren: Was soll der Zuschauer fühlen? Steht die Emotion fest, ergeben sich Licht, Komposition und Farben von selbst. Ohne sie werden alle technischen Entscheidungen zufällig.

🎨 5 · Farbe

Jede Farbe trägt ein Gefühl: Warme Töne (Orange, Gold) = Intensität, Spannung, Leidenschaft. Kühle Töne (Blau, Grau) = Ruhe, Distanz, Isolation. Warm und kalt nicht wahllos mischen.

0 € – Gratis-Einstieg

• Google Flow: Test-Credits im 1. Monat
• Producer AI: gratis inkl. Nutzungsrechte
• AutoFlow / AutoWhisk: gratis
• CapCut Basis, Canva Basis
• HeyGen Free-Tier (Avatar-Basics)

~23–40 € / Monat – Solide Basis

• Google AI-Abo (Veo/Flow): 23 €
• Higgsfield / OpenArt / Freepik Einstiegs-Abo
• ElevenLabs Starter
• Suno Bezahl-Abo (wichtig: erst damit gibt es Nutzungsrechte!)

~100 $ / Monat – Vollausbau

• Invideo Generative Plan (~100 $) – Argument: billiger als 5 Einzel-Abos für Sora 2, Veo 3, Kling & Co.
• Alternativ: höhere Credit-Pakete bei Higgsfield/OpenArt

🐟 Die Putzerfisch-Strategie

Themen der großen Kanäle der eigenen Nische besetzen (z. B. „Aktien mit Kopf" bei Finanzen). YouTube spielt das eigene Video als „Vorgeschlagenes Video" neben den Großen aus – man zwackt deren Reichweite ab. Belegte Zahlen aus den Videos: 129.000 Aufrufe = 318 $; Kundenkanal mit 6.000 Abos: 920.000 Aufrufe und 2.000 € in 28 Tagen.

⚡ Geschwindigkeit bei News

Aktuelle Nachrichten (Politik funktioniert besonders: „jeden Tag passiert etwas Neues") schnell aufgreifen und mit eigener Meinung kommentieren – nicht 1:1 nacherzählen. Wer als Erster zum Thema publiziert, wird bevorzugt ausgespielt.

🪝 Hooks wie die Bild-Zeitung

Reißerische Überschriften und Thumbnails ziehen – das Prinzip Boulevardpresse funktioniert auf YouTube identisch. Bold Text, hohe Kontraste, neugierig machende Formulierungen. Und: Wiederholung – was durch die Decke geht, mit neuen Quellen mehrfach verwerten.

🌲 Evergreen schlägt Viral

Bildungsinhalte („Wie funktioniert Photosynthese?") werden ganzjährig gesucht und verdienen über Jahre – eine wachsende Content-Bibliothek statt einmaliger Viral-Hits. Beste Faceless-Nischen: Finanzen, Technik, Bildung (RPM 10–30 $), Geschichte, Motivation, Meditation, Doku-Storytelling.

💰 Monetarisierung

• YouTube-Partnerprogramm: 1.000 Abos + 4.000 Watch-Stunden (bei Konsistenz in 3–6 Monaten erreichbar)
• Long-Form bringt mehr Werbeumsatz und Abonnenten-Bindung als Shorts
• Weitere Ströme: Affiliate, Sponsoring, eigene Produkte, Lead-Generierung – oder den Workflow selbst als Dienstleistung verkaufen
• Wichtig: YouTube straft massenhaft identischen KI-Content ab („inauthentic content"-Richtlinie) – eigener Blickwinkel und echte Sorgfalt sind Pflicht

📈 Belegte Fallstudien aus den Videos

• Boring History: 6-Stunden-KI-Dokus als Einschlaf-Content, 100k+ Views pro Video
• Aperture: 2 Mio. Abos nur mit KI-Voiceover + Stock-Footage
• Gaming-Animations-Kanal: 150k Views + 1.000 Abos in 7 Tagen (48h Abstand zwischen Uploads, Fokus auf Retention)
• Musik-Kanäle: KI-Tracks (MusicGPT) + KI-Visuals, geschätzt 15–30k $/Monat im Netzwerk
• Vorsicht: Zahlen stammen aus den Videos selbst und sind nicht unabhängig verifizierbar – viele dieser Videos verkaufen am Ende ein Tool oder Coaching.

🔁 Batch-Produktion mit AutoFlow (gratis)

Chrome-Extension für Google Flow/Veo: Beliebig viele Prompts (durch Leerzeilen getrennt) in eine Warteschlange legen → die Extension stellt Settings ein, generiert Clip für Clip und lädt jeden automatisch herunter. Starten, weggehen, später fertige Clips einsammeln.

• Image-to-Video-Batch: Referenzcharakter mit Whisk/AutoWhisk erstellen → Bilder nummerieren (1, 2, 3 …) → Bilder und Prompts in gleicher Reihenfolge hochladen → Warteschlange läuft durch
• Einschränkungen: 4K-Upscale (noch) nicht unterstützt; fehlgeschlagene Generierungen einfach nachlaufen lassen

⚙️ Zapier-Content-Pipeline

Die komplette Produktion als Automation:

• Trigger: RSS-Feed / Reddit der eigenen Nische liefert neue Themen
• Schritt 2: ChatGPT analysiert und erstellt Skript-Outline
• Schritt 3: ChatGPT schreibt das volle Skript nach Template
• Schritt 4: ElevenLabs generiert das Voiceover
• Schritt 5: Invideo/Pictory baut das Video zusammen

Erfahrene Creator betreiben so 3–5 Kanäle parallel, jeder für eine andere Nische/Zielgruppe.

🎛️ End-to-End-Automaten

Invideo (10-Min.-Video aus einem Prompt, Edits per Textbefehl) und Wondercraft (geführter Workflow: Entscheidungen treffen statt prompten) machen den Editor überflüssig – ideal für Explainer und Ads. Qualitätskontrolle bleibt beim Menschen: Sichten vor dem Upload ist Pflicht.

🗓️ Der 4-Wochen-Startplan

• Woche 1: Nische per VidIQ wählen, Konten anlegen (Gratis-Tiers), Kanal-Branding per KI, erstes Testvideo
• Woche 2–4: Automations-Workflows bauen, Templates festlegen, fester Rhythmus (mind. 2–3 Videos/Woche), Formate testen
• Ab Monat 2: Monetarisierung beantragen, Top-Formate identifizieren, ggf. weitere Kanäle, zusätzliche Umsatzströme
• Dauerprinzip: KI übernimmt die Fließbandarbeit – Strategie, Qualitätskontrolle und Authentizität bleiben Menschensache