Blog

Benutzerhandbuch

Kling 3.0 Omni 图生视频-Prompt-Rezepte: Copy-and-paste-Vorlagen für Entwickler

Struktur von Start-/Endframe, Formulierungen für Kamerabewegung, Hinweise für nativen Ton und eine Stabilitäts-Negativliste – mit real generierten Clips

Nov 10, 2026
Miteinander verflochtene flache Messing- und grüne Bänder, die auf einem fast schwarzen grünen Hintergrund ein offenes gewebtes Gitter bilden; Cover-Art für einen Kling-Prompt-Rezeptleitfaden.
Auf dieser Seite
Eine von Startframe bis zur Bewegung generierte Demo mit kling-3.0-omni 图生视频 – genau dieses direkt kopierbare Prompt-Rezept wird im Artikel zerlegt.

Warum Prompt-Struktur wichtiger ist als Länge

Die meisten Bild-zu-Video-Prompts scheitern nicht, weil sie zu kurz sind, sondern weil sie keine Reihenfolge haben. Ein Text, der Subjektbeschreibung, Kameraabsicht, Audioatmosphäre und Korrekturanweisungen durcheinanderbringt, kann dem Modell keine deterministische Zuordnung von Text zu Bewegung liefern. Wenn der generierte Clip fehlerhaft ist, kann man nicht erkennen, welcher Satz dafür verantwortlich ist – also kann man ihn nicht reparieren und muss neu ziehen.

Die praktikable Lösung ist Abschnittsdisziplin. Betrachten Sie den Prompt als einen festen Fünf-Block-Vertrag, der immer in derselben Reihenfolge angeordnet ist:

  1. Frame-Verankerung – welches Bild der Startframe ist, welches der Endframe, und wie strikt diese Bindung ist.
  2. Subjekt – wer oder was im Bild ist und welche Identitätsdetails während des Übergangs unverändert bleiben müssen.
  3. Bewegung – was sich zwischen den beiden Frames physisch verändert, in schlichter zeitlicher Formulierung.
  4. Kamera – wie sich der Blickpunkt bewegt (oder ausdrücklich statisch bleibt).
  5. Audio + Negativ – Hinweise für den nativen Ton, dann die zu unterdrückenden Fehlermuster.

Diese Reihenfolge entspricht der Art, wie das Modell Einschränkungen auflöst: Zuerst werden die Frames fixiert, dann wird entschieden, was sich bewegt, dann, wo das Publikum steht, und schließlich werden nichtvisuelle Ausgaben gefüllt. Audio und Negative an das Ende zu setzen bedeutet, dass Anweisungen zu Ton oder Korrekturen die visuelle Schlussfolgerung nicht stören.

Für Engineering-Teams ist der Gewinn Reproduzierbarkeit. Ein stabiles Skelett bedeutet, dass der Diff zwischen zwei Prompt-Versionen lesbar ist: Sie ändern die Kamera-Zeile, nicht den gesamten Block. Es bedeutet auch, dass Prompts zu Parametern statt zu Prosa werden – Sie können sie in der Pipeline templatisieren, versionieren und A/B-testen, was die folgenden Kapitel aufbauen werden.

Länge ist ein Symptom, kein Hebel. Ein 60-Wörter-Prompt in fester Reihenfolge schlägt einen 200-Wörter-Absatz, der Adjektive vorne stapelt. Komprimieren Sie zuerst jeden vorhandenen Prompt in diese fünf Slots und löschen Sie alles, was nicht in einen Slot passt.

Das Basisrezept: ein direkt kopierbares Prompt-Skelett

Hier ist das Standardskelett. Fügen Sie es ein, füllen Sie die eckigen Klammern aus und löschen Sie Slots, die Sie wirklich nicht brauchen – aber behalten Sie die Reihenfolge bei.

[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: [describe end state, or "none — open-ended continuation"].
Transition: [smooth continuous | single cut-free motion | holds start pose].

[SUBJECT]
[Subject identity + 2-3 invariant details that must not change].

[MOTION]
[What moves, direction, and how far — one sentence per moving element].

[CAMERA]
[Static locked-off shot | slow push-in | left-to-right pan | gentle orbit].
Pace: [slow and even | builds to a faster finish].

[AUDIO]
Ambience: [environment sound].
Music: [feel, not genre-name dropping].
Sync: [what the audio should land on].

[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift

Ein ausgefülltes Beispiel – eine Produktaufnahme einer Keramiktasse auf einer Fensterbank:

[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: same cup, steam gone, light shifted warmer.
Transition: smooth continuous motion, no cuts.

[SUBJECT]
Matte white ceramic cup, thin dark rim, wooden windowsill.

[MOTION]
Steam thins and disappears over the shot; curtain edge drifts slightly.

[CAMERA]
Static locked-off shot, very slow push-in.
Pace: slow and even.

[AUDIO]
Ambience: quiet room tone, faint birds outside.
Music: soft, sparse, low volume.
Sync: birds chirp as steam vanishes.

[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift

Wenn Sie dies über kling-3.0-omni/image-to-video ausführen, entsteht ein Clip, in dem die Tasse durchgehend eine Tasse bleibt, die Veränderung deutlich erkennbar ist und das Audio stützt statt konkurriert. Es funktioniert, weil jede Teilsatz nur eine Aufgabe hat: Die Verankerung begrenzt die Geometrie, das Subjekt schützt die Identität, die Bewegung ist das Einzige, was sich ändern darf, die Kamera wird ausdrücklich erklärt statt angedeutet, und die Negative werden als separate Sperre behandelt.

Behalten Sie zwei Gewohnheiten bei: Schreiben Sie Bewegung chronologisch („verdünnt sich, dann verschwindet“) und lassen Sie Kamera und Subjekt niemals gegeneinander arbeiten – wenn das Subjekt nach links geht, schwenken Sie nicht gleichzeitig schnell nach links, es sei denn, Sie wollen, dass das Bild instabil wirkt.

Slot-Disziplin

Jeder Slot sollte nur sein eigenes Anliegen enthalten. Wenn Sie sich dabei ertappen, „die Kamera fährt langsam heran, während der Dampf der Tasse sich in einen Vogel verwandelt“ zu schreiben, haben Sie Kamera und Bewegung in einem Teilsatz zusammengeführt und die Fähigkeit verloren, eines der beiden unabhängig anzupassen. Trennen Sie es.

Rezepte für Start- und Endframe

Bild-zu-Video mit zwei Frames ist ein Interpolationsproblem, kein Generierungsproblem. Die Aufgabe des Modells besteht darin, einen glaubwürdigen Pfad zwischen zwei festen Zuständen zu finden. Es scheitert hier, wenn der Prompt eine Szene statt eines Übergangs beschreibt – das Modell reinterpretiert dann den Inhalt und der Endpunkt driftet.

Rezept: strikte Endpunkte, minimale Erfindung

Verwenden Sie dies, wenn beide Frames vorhanden sind und Sie möchten, dass das Modell sie wörtlich verbindet.

Start frame: provided image, preserved exactly.
End frame: provided image, preserved exactly.
The clip must begin on the start frame and end on the end frame.
Do not introduce new subjects or objects. Only intermediate motion.
Transition: continuous, no cuts, no scene change.
Motion: [the single physical change that carries start to end].
Camera: static locked-off shot.

Der entscheidende Satz ist nur Zwischenbewegung. Er sagt dem Modell, dass die Endpunkte eine Einschränkung sind, kein Vorschlag. Eine statische Kamera zu erklären entfernt einen weiteren Freiheitsgrad und macht die Interpolation deutlich stabiler.

Rezept: offene Fortsetzung

Verwenden Sie dies, wenn Sie nur den Startframe haben und eine natürliche Erweiterung wünschen.

Start frame: provided image, preserved exactly.
End frame: none — open-ended continuation of the same scene.
Transition: continuous motion, same location, same lighting.
Motion: [primary action], resolving within the clip length.
Camera: [declared move].
Negative: scene change, new location, new characters.

Den Endzustand ohne Endbild beschreiben

Wenn kein Endframe vorhanden ist, Sie aber ein gerichtetes Ergebnis wünschen, beschreiben Sie den Endzustand in Begriffen des Aussehens, nicht des Ereignisses: „die Flüssigkeit ist zur Ruhe gekommen und fließt nicht mehr“, „die Tür ist vollständig geöffnet“, „der Dampf ist verschwunden“. Aussehenszustände sind visuell überprüfbar; Ereignisbeschreibungen („die Figur beschließt zu gehen“) verleiten das Modell dazu, eine Inszenierung zu erfinden.

Zwei Regeln verhindern die meisten Endpunktfehler:

  • Erklären Sie die Beständigkeit des Startframes ausdrücklich. „Exakt erhalten“ ist stärker als „das Bild als Referenz verwenden“.
  • Halten Sie die Anzahl der Übergänge bei eins. Wenn sich zwei Dinge ändern müssen, lassen Sie eines führen und das andere folgen, in dieser Reihenfolge. Konkurrierende Übergänge werden als Szenenwechsel gelesen, und das Modell generiert neu statt zu interpolieren.

Kamerabewegung und Tempo-Formulierungen

Hier kollabieren vage Prompts am häufigsten zu zufälligem Drift. Die Lösung besteht darin, für jede Kamerabewegung die Bewegung, das Ziel und die Geschwindigkeit zu benennen – drei Wörter.

Bewegungen mit klarer Zuordnung

  • Push-in – „slow push-in toward [subject], centered.“ Vorhersehbar, gut für Produkt- und Porträtenthüllungen.
  • Pull-back – „slow pull-back revealing [context].“ Verwenden, wenn der Startframe ein Detail ist.
  • Schwenk – „left-to-right pan across [scene], constant speed.“ Immer Richtung und Konstanz angeben.
  • Tilt – „gentle tilt up from [lower element] to [upper element].“
  • Orbit – „slow orbit around [subject], subject stays centered.“ Orbits scheitern am leichtesten; der zentrierende Teilsatz verhindert, dass das Subjekt aus dem Bild rutscht.
  • Statisch – „static locked-off shot, no camera movement.“ Schreiben Sie es hin, auch wenn Sie es für offensichtlich halten.

Tempo ohne nicht überprüfbare Zahlen ausdrücken

Sie müssen keine Frame-Anzahl raten. Beschreiben Sie das Tempo mit Adverbien, die auf den Takt abbilden: langsam und gleichmäßig, stetig, allmählich schneller werdend zum Ende hin, im letzten Moment zur Ruhe kommend. Diese übersetzen sich in Beschleunigung und Verzögerung, passen zum Rhythmus von Kurzvideos, und Sie müssen sich nicht auf einen nicht messbaren Zeitpunkt festlegen.

Für den Rhythmus von Kurzvideos ist das zuverlässige Muster eine Kamerabewegung pro Clip. Ein Push-in, der zu einem Schwenk und dann zu einem Orbit wird, liest sich wie eine Demo-Showreel, nicht wie eine Einstellung. Wenn Sie eine zweite Bewegung brauchen, ordnen Sie sie nacheinander an: „zuerst langsam heranfahren, dann kurz halten.“

Kamera und Subjekt unabhängig halten

Schreiben Sie dies im Prompt immer in getrennten Zeilen:

Camera: slow push-in toward the subject.
Pace: slow and even.
Motion: the subject turns slightly toward the camera.

Drei Zeilen, drei Anliegen. Wenn Sie sie zusammenführen – „die Kamera fährt heran, während sich das Subjekt dreht“ – verlieren Sie die Fähigkeit, das eine zu ändern, ohne das andere zu stören, und kleine Änderungen erzeugen große unvorhersehbare Schwankungen.

Schließlich sollten Sie die Einstellungsgröße angeben, wenn sie wichtig ist: „medium shot“, „close-up“, „wide establishing shot“. Die Einstellungsgröße ist eine billige Einschränkung, die verhindert, dass das Modell mitten im Clip neu komponiert.

Hinweise für nativen Ton

kling-3.0-omni/image-to-video generiert nativen Ton zusammen mit dem Bild. Der häufigste Fehler besteht darin, Audiobeschreibungen mit Bewegungssätzen zu vermischen, sodass Audiohinweise als visuelle Anweisungen gelesen werden. Legen Sie Audio in einen eigenen Block und schreiben Sie ihn ausschließlich in Klangbegriffen.

Drei Slots, immer in dieser Reihenfolge

Ambience: [continuous environment sound].
Music: [feel and density, not track names].
Sync: [what the audio should land on].

Ambience ist das Bett: Raumgrundrauschen, Wind, Straßenbrummen, Wassergeräusche. Beschreiben Sie es als kontinuierlich und niedrigpegelig, es sei denn, Sie möchten, dass es hervortritt.

Musik sollte über Gefühl und Dichte beschrieben werden – „spärlich und sanft“, „stetiger leiser Puls“, „hell und luftig“. Genres zu benennen ist schwächer als die Beschreibung der Textur, weil das Modell die Phrase auf eine Klangkonfiguration abbilden muss; Adjektive bilden konsistenter ab als Labels.

Sync ist die zeitliche Brücke. Benennen Sie ein visuelles Ereignis und den Klang, der darauf fallen soll: „ein leises Klicken, wenn der Deckel schließt“, „Vogelgezwitscher, wenn der Dampf verschwindet“. Ein bis zwei Sync-Punkte pro Clip reichen aus. Darüber hinaus wird das Audio geschäftig und das Bild wird dazu gezogen, jedem Hinweis zu entsprechen.

Hinweise, die funktionieren

  • Start: „Der Ton beginnt mit der Bewegung“ – gut für harte Schnitte.
  • Ausblenden: „Ambience blendet am Ende aus“ – verhindert abruptes Abschneiden.
  • Betonung: „ein sanfter Aufprall, wenn [Objekt] fällt“.
  • Zurückhaltung: „keine Musik, nur Ambience“ – eine legitime und oft bessere Wahl.

Mischen ohne Konflikt

Wenn Ambience und Musik gleichzeitig vorhanden sind, erklären Sie einmal ihre Beziehung: „Ambience leise, Musik darunter.“ Das kostet einen Teilsatz und verhindert, dass zwei Betten gegeneinander arbeiten.

Eine Warnung: Beschreiben Sie Audio nicht mit Onomatopoesie oder Soundeffekt-Namen. „Whoosh“ und „Ding“ sind in verschiedenen Kontexten mehrdeutig. Beschreiben Sie stattdessen Quelle und Charakteristik – „ein kurzes, sanftes Zischen, wenn der Stoff aufweht“. Der Audio-Block sollte wie die Notizen eines Sounddesigners klingen, nicht wie ein Comic.

Negativliste für Stabilität

Negative sind die Reparaturschicht, kein kreatives Werkzeug. Halten Sie sie kurz, gezielt und kopierbar. Hier ist die Basisliste, gefolgt von dem Fehlermuster, auf das jedes Wort abzielt.

flicker, morphing, warping text, extra limbs, identity drift,
scene change, jitter, frame tearing, duplicated objects

Fehlermuster → Begriff

  • Helligkeitsflackern zwischen Frames → flicker
  • Objekte schmelzen oder verschmelzen zwischen Frames → morphing
  • Schilder und Untertitel verzerren sich → warping text
  • Hände und Gliedmaßen wachsen oder kollabieren → extra limbs
  • Gesichts- oder Produktidentität ändert sich mitten im Clip → identity drift
  • Hintergrund wird zu einem neuen Ort regeneriert → scene change
  • Mikro-Zittern in einer eigentlich statischen Einstellung → jitter
  • Randartefakte an Frame-Grenzen → frame tearing
  • Bewegungsunschärfe erzeugt doppelte Objekte → duplicated objects

Bedingte Negative

Fügen Sie diese nur hinzu, wenn der Fehler tatsächlich auftritt – eine überlange Negativliste verwässert die Wirkung jedes Wortes:

  • Für textreiche Frames: illegible text, scrambled letters
  • Für Produktaufnahmen: shape distortion, color shift
  • Für Porträts: asymmetric face, warped eyes
  • Für Slow Motion: sudden motion, pop-in

Die Liste als Checkliste verwenden

Behandeln Sie sie wie eine Vorflug-Checkliste, nicht wie Prompt-Zubehör. Bevor Sie eine Charge von Aufgaben ausführen, fragen Sie, welchen Fehlermustern Ihre Szene ausgesetzt ist. Eine statische Produktaufnahme braucht Schutz vor Flackern und Formverzerrung; bewegte Subjekte brauchen Begriffe für Identitätsdrift und Gliedmaßen; Frames mit Text brauchen Textbegriffe. Für alles andere verwenden Sie die Basisliste.

Wenn ein Clip fehlschlägt, ändern Sie nur eine Sache – fügen Sie ein Negative hinzu oder verschärfen Sie eine Bewegungszeile – und führen Sie ihn erneut aus. Wenn Sie fünf Negative auf einmal bearbeiten, können Sie nicht erkennen, welches gewirkt hat.

Die Rezepte an eine API-Pipeline anpassen

Prompts, die in einem Notebook leben, skalieren nicht. Der letzte Schritt besteht darin, das Skelett in einen templatisierten String mit Variablen zu verwandeln, sodass Rezepte über die HiAPI-API versioniert, geprüft und in Batches ausgeführt werden können.

Das Skelett templatisieren

PROMPT = """[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: {end_frame}.
Transition: {transition}.

[SUBJECT]
{subject}

[MOTION]
{motion}

[CAMERA]
{camera}
Pace: {pace}.

[AUDIO]
Ambience: {ambience}.
Music: {music}.
Sync: {sync}.

[NEGATIVE]
{negatives}
"""

Jede Variable ist ein Slot in einem Rezept. Die Vorlage selbst ändert sich nie – nur die Variablen ändern sich –, was bedeutet, dass ein Prompt-Diff ein Einzeilen-Diff ist und Regressionen auf einen bestimmten Slot zurückgeführt werden können.

Rezepte als Daten speichern

Speichern Sie jedes Rezept als Dictionary mit Name und Version:

recipes = {
  "product-static-v2": {
    "end_frame": "none — open-ended continuation",
    "subject": "matte white ceramic cup, thin dark rim",
    "motion": "steam thins and disappears",
    "camera": "static locked-off shot, very slow push-in",
    "pace": "slow and even",
    "ambience": "quiet room tone, faint birds",
    "music": "soft, sparse, low volume",
    "sync": "birds chirp as steam vanishes",
    "negatives": "flicker, morphing, warping text, extra limbs, identity drift",
  }
}

Versionsnamen sollten aussagekräftig sein, nicht nur Zahlen – product-static-v2 sagt Ihnen, was geändert wurde; v2 nicht. Wenn ein neuer Fehler auftritt, fügen Sie eine neue Version hinzu, statt an Ort und Stelle zu bearbeiten, damit alte Ausgaben reproduzierbar bleiben.

Batch-Disziplin

  • Beim Tuning nur eine Variable auf einmal rendern. Erst wenn das Rezept stabil ist, in Batches ausführen.
  • Für jede Ausgabe den gefüllten Prompt-String protokollieren. Ohne ihn können Sie einen schlechten Clip nicht zuordnen.
  • Eine gemeinsame Negativbasis beibehalten, die Rezepte erweitern, niemals ersetzen.

Wo die API ins Spiel kommt

Die Rezeptstruktur ist modellseitig ausgerichtet, daher kann sie vollständig an kling-3.0-omni/image-to-video auf HiAPI übergeben werden: Sie senden die Frame-Eingaben plus den gerenderten Prompt-String, und die Abschnittsreihenfolge, die Sie in der Vorlage erzwingen, ist die Abschnittsreihenfolge, die das Modell sieht. Genau das ist der Sinn des Skeletts – es ist gleichzeitig menschenlesbare Dokumentation und der exakte String in der Produktion.

Beginnen Sie mit einem Rezept, versionieren Sie es und lassen Sie die Variablennamen sprechen. Details zu Endpunkten und Parameternamen finden Sie in der HiAPI-API-Dokumentation.

Ähnliche Artikel

Alle Artikel ansehen →

Starte mit persistenten KI-Artefakten

Hol dir deinen API-Key und rufe Bild-, Video- und Audiomodelle über eine einzige task-basierte API auf.

API-Dokumentation lesen