Ray 3.2 Text-zu-Video-Prompt-Rezepte: 5 Vorlagen mit echten Clips

TL;DR

• Ray 3.2 Text-zu-Video hat kein Eingangsbild, deshalb muss der Prompt die gesamte Einstellung aufbauen: Motiv, Bildkomposition des ersten Frames, Kamerabewegung, Tempo, Licht und eine kurze Negativliste. Genau diese Kernfähigkeit vermittelt diese Seite.
• Unten stehen fünf Prompts zum direkten Kopieren und Einfügen, die wir selbst verfasst und auf ray-3.2/text-to-video ausgeführt haben, jeweils mit dem Clip, den sie tatsächlich erzeugt haben. Jeder Clip wurde in 5 Sekunden generiert; vier davon in 540p, einer in 720p.
• Ein zuverlässiger Ray-3.2-Prompt folgt jedes Mal derselben Reihenfolge: Kamerabewegung → Motiv → Umgebung → Licht und Farbe → Negativbegriffe. Beginne mit der Kamera, nicht mit dem Motiv.
• Vor der Veröffentlichung praktisch verifiziert: duration akzeptiert 5 oder 10, resolution akzeptiert 540p / 720p / 1080p, aspect_ratio akzeptiert sechs Werte – 16:9, 9:16, 1:1, 4:3, 3:4, 21:9.
• Die Preisgestaltung erfolgt pro Clip, nicht pro Sekunde: ein 5-Sekunden-/540p-Clip kostet $0.2145; 5 Sekunden / 720p kosten $0.429 (Preisstand 2026-10 – aktuelle Preisliste auf der Preis-Seite).

Warum Text-zu-Video-Prompts eine eigenständige Fähigkeit sind

Wenn du Bild-zu-Video verwendet hast, wird dich dein Muskelgedächtnis hier in die Irre führen. Bei Bild-zu-Video bekommt das Modell das erste Frame geliefert, dein Prompt muss also nur die Bewegung beschreiben. Text-zu-Video beginnt bei null – das Modell erfindet allein aus deinem Text gleichzeitig das erste Frame und die Bewegung. Ein Prompt, der nur sagt „die Kamera fährt langsam vorwärts“, hat überhaupt kein Objekt, auf das sie zufahren könnte.

Auf ray-3.2/text-to-video trägt der Prompt also eine doppelte Last: Er muss sowohl ein glaubwürdiges Eröffnungsframe komponieren, als auch choreografieren, wie sich dieses Frame bewegt. Die folgenden Rezepte sind um eine Struktur herum aufgebaut, die beide Aufgaben explizit macht. Wenn du bereits ein Standbild hast, das du in Bewegung bringen willst, erzwinge kein Text-zu-Video – nutze stattdessen den Ray 3.2 Image-zu-Video-Endpunkt, der dein Frame als Anker nimmt und nur die Bewegungs-Hälfte des Prompts braucht.

Das Prompt-Gerüst, das auf Ray 3.2 funktioniert

In allen Tests folgten die Clips, die in sich kohärent blieben, derselben Reihenfolge der Teilsätze:

1. Kamerabewegung zuerst. „Langsamer filmischer Dolly“, „seitlich driftende Luftaufnahme“, „Handkamera-Vorwärtsfahrt“. Ray 3.2 behandelt den ersten Teilsatz als führende Anweisung, also gehört die Bewegung dorthin.
2. Motiv + seine Handlung. Ein klares Motiv, das eine klare Sache tut. Zwei konkurrierende Motive sind genau der Punkt, an dem die Bewegung zu verschmieren beginnt.
3. Umgebung. Die Szene soll das Bild füllen, aber nicht überfüllt sein – dichte Szenen kosten Bewegungskohärenz.
4. Licht und Farbstimmung. Hier glänzt Ray 3.2; es reagiert stark auf Lichtsprache („goldene Stunde“, „Neon in Türkis und Magenta“, „Gegenlicht“). Sage den Farb-Look ausdrücklich.
5. Eine kurze Negativliste. Schließe mit Negativ: ... ab, um häufige Fehlermuster zu unterdrücken – Text, Logos, verzerrte Gliedmaßen, Flackern, harte Schnitte.

Halte den gesamten Prompt bei wenigen Sätzen. Länger ist nicht besser; überflüssige Teilsätze verwässern die Kameraanweisung.

Rezept 1 – Mit der Kamera beginnen: langsamer Dolly

Lernpunkt: Setze die Kamerabewegung in den ersten Teilsatz und nutze 21:9 für ein breitwandiges Kinogefühl.

Langsamer filmischer Dolly nach vorn auf einen Leuchtturmwärter, der allein auf einem verwitterten eisernen Balkon steht,
salziger Sprühnebel treibt durch das Bild. Bewölktes Morgenlicht, kühle blaugraue Töne, weiche diffuse Schatten.
Die Kamera gleitet in einem ruhigen, gelassenen Tempo vorwärts und verdichtet zunehmend die Distanz, Möwen ziehen durch den Hintergrund. Anamorpher Breitwand-
Look, geringe Schärfentiefe, sanftes Filmkorn. Negativ: kein Text, keine
Logos, keine verzerrten Hände, keine harten Schnitte.

Einstellungen: duration 5, resolution 540p, aspect_ratio 21:9. Das einleitende „Langsamer filmischer Dolly“ trägt die Hauptarbeit – Ray 3.2 liest es als führende Anweisung und hält die Vorwärtsfahrt stabil, ohne zu driften. „Gelassenes Tempo“ ist eine nützliche Formulierung, um die überhastete, schnelle Bewegung zu dämpfen, die Text-zu-Video-Modelle standardmäßig zeigen.

Rezept 2 – Establishing Shot und Tempo

Lernpunkt: Eine luftige Establishing-Bewegung mit absichtlicher „Enthüllung“ und wie Lichtsprache die Gesamtstimmung trägt.

Luftige Establishing-Aufnahme, die in der goldenen Stunde langsam über ein Tal mit terrassierten Reisfeldern driftet, die tief stehende Sonne streift schräg über
die bewässerten Felder, die den bernsteinfarbenen Himmel spiegeln. Dunst sammelt sich auf den unteren Terrassen. Die Kamera bewegt sich in einem langsamen, gelassenen
Tempo seitwärts und enthüllt nach und nach einen Bauern, der einen schmalen Feldweg entlanggeht. Warmes HDR-
Licht, satte Grüne und Goldtöne, filmischer Dunst. Negativ: kein Text, kein Wasserzeichen,
kein Flackern, keine verzerrte Geometrie.

Einstellungen: duration 5, resolution 720p, aspect_ratio 16:9. Zwei Dinge machen diesen Clip stark. Erstens gibt „enthüllt nach und nach einen Bauern“ der seitlichen Bewegung ein Ziel – die Kamera hat einen Ort, an den sie will. Zweitens ist der Lichtabschnitt („goldene Stunde“, „die tief stehende Sonne streift schräg“, „warmes HDR“) genau das, woher Ray 3.2 seinen filmischen Look nimmt; streiche ihn, und du bekommst nur eine flache Drohnenaufnahme. Das ist auch der Clip, aus dem wir das Titelbild extrahiert haben.

Rezept 3 – Lichtgetriebene Stimmung und Handkamera-Bewegung

Lernpunkt: Mit Farbstimmungs-Sprache Atmosphäre erzeugen und mit einer „Handkamera-Vorwärtsfahrt“ Energie ohne Chaos gewinnen.

Eine regennasse Gasse bei Nacht, Neonreklamen spiegeln sich in Pfützen, Dampf steigt von einem Straßenessensstand auf.
Eine Handkamera schiebt sich sanft die Gasse entlang, die nassen Spiegelungen flirren leicht mit jedem Schritt. Stimmungsvolles
türkises und magentafarbenes Neonlicht, tiefe Schatten, volumetrischer Lichtnebel, filmisches Bokeh der Schilder im Hintergrund.
Negativ: kein lesbarer Text, keine Logos, keine verzerrten Personen, kein Flackern.

Einstellungen: duration 5, resolution 540p, aspect_ratio 16:9. „Eine Handkamera schiebt sich sanft“ gibt dir ein wenig organisches Wackeln, während „sanft“ verhindert, dass es zur Wackelkamera wird. Der Negativbegriff kein lesbarer Text ist bewusst gesetzt: Neonszenen verleiten das Modell, Kauderwelsch-Schilder zu erzeugen, und zu verlangen, keinen lesbaren Text zu erzeugen, ist zuverlässiger, als zu hoffen, dass es Wörter korrekt buchstabiert.

Rezept 4 – Einem bewegten Motiv folgen

Lernpunkt: Ein Tracking Shot, der ein einzelnes Motiv zentriert hält, plus Negativbegriffe gegen anatomische Fehler.

Ein Rotfuchs springt durch frisch gefallenen Pulverschnee in einem von der Sonne beschienenen Birkenwald, Schneepartikel spritzen langsam im Gegenlicht auf.
Die Kamera folgt in einem stabilen Tempo seitlich neben dem Fuchs und hält ihn in der Bildmitte, während die Bäume vorbeirauschen.
Klare Wintermorgenluft, kühle Weißtöne mit warmem Sonnenkantenlicht, glitzernde Schneekörner. Negativ:
keine zusätzlichen Gliedmaßen, kein Zittern, kein Text, keine unnatürlichen Geschwindigkeitsänderungen.

Einstellungen: duration 5, resolution 540p, aspect_ratio 16:9. „Hält ihn in der Bildmitte, während die Bäume vorbeirauschen“ ist der entscheidende Satz – er sagt Ray 3.2, dass das Motiv der Anker ist und der Hintergrund das, was sich bewegt, was genau der Lesart eines echten Tracking Shots entspricht. Tierbewegung legt Gliedmaßenfehler am ehesten offen, deshalb haben keine zusätzlichen Gliedmaßen und keine unnatürlichen Geschwindigkeitsänderungen ihren Platz in der Negativliste.

Rezept 5 – Vertikales Format und Makro-Schwenk

Lernpunkt: Wechsel zu 9:16 für Social Media und ein langsamer Schwenk über ein kompaktes Makro-Motiv.

Vertikale Makroaufnahme, ein Espresso wird gerade extrahiert, dunkle Crema wirbelt im warmen Glas auf der Marmorplatte
im weichen Morgenlicht am Fenster. Die Kamera schwenkt langsam von der tropfenden Brühgruppe nach oben
zum fertigen Glas. Geringe Schärfentiefe, warme Karamelltöne, sanft aufsteigender Dampf, hochwertige Werbeoptik.
Negativ: keine zitternden Hände, kein Verschütten, keine Text-Overlays, kein Color Banding.

Einstellungen: duration 5, resolution 540p, aspect_ratio 9:16. Der Wechsel zu 9:16 kostet nichts extra – Ray 3.2 rechnet nach Dauer und Auflösung ab, nicht nach Seitenverhältnis, du kannst also vertikale Social-Clips zum gleichen Preis wie Breitwand produzieren. Der langsame Schwenk („schwenkt langsam von … nach oben zu …“) verleiht dem kompakten Makro-Motiv Bewegung, ohne dass sich die ganze Szene bewegen muss.

Spickzettel für Einstellungen und Kosten

Parameter	Akzeptierte Werte
duration	5, 10 (Ganzzahlen)
resolution	540p, 720p, 1080p
aspect_ratio	16:9, 9:16, 1:1, 4:3, 3:4, 21:9

Die Preisgestaltung ist ein fester Betrag pro Clip (Stand 2026-10):

Clip	Preis
5 Sekunden · 540p	$0.2145
5 Sekunden · 720p	$0.429
5 Sekunden · 1080p	$1.7145
10 Sekunden · 540p	$0.643
10 Sekunden · 720p	$1.286
10 Sekunden · 1080p	$5.143

Ein sinnvoller Workflow ist, den Prompt zuerst in 5 Sekunden / 540p zu iterieren (etwa 21 Cent pro Versuch) und den behaltenen Prompt in höherer Auflösung erneut laufen zu lassen, sobald Komposition und Bewegung stimmen. Die vollständige, aktuelle Preisliste findest du auf der HiAPI-Preisseite.

Häufige Fehlermuster und wie man sie mit Formulierungen behebt

• Bewegung zu schnell. Ergänze im Kamera-Teilsatz „langsames, gelassenes Tempo“.
• Kauderwelsch auf Schildern oder Untertiteln. Setze kein lesbarer Text / keine Text-Overlays in die Negativbegriffe, statt zu versuchen, Wörter zu buchstabieren.
• Motiv verschmiert oder doppelt. Reduziere auf ein Motiv und benenne es als Anker („hält es in der Bildmitte“).
• Flackern und Stroboskop in Neon- oder kontrastreichen Szenen. Ergänze kein Flackern, kein Stroboskop.
• Gliedmaßenfehler bei Menschen und Tieren. Ergänze keine zusätzlichen Gliedmaßen, keine verzerrten Hände.

FAQ

Wie lang können Ray-3.2-Text-zu-Video-Clips sein? Zwei Längen: 5 oder 10 Sekunden. Das Feld duration akzeptiert nur die Ganzzahlen 5 und 10.

Welche Auflösungen und Seitenverhältnisse werden unterstützt? Die Auflösungen sind 540p, 720p und 1080p. Die Seitenverhältnisse sind 16:9, 9:16, 1:1, 4:3, 3:4 und 21:9 – insgesamt sechs, die Breitwand, Hochformat, quadratisch und anamorphotische Breitwand abdecken.

Ist das Rendern eines vertikalen (9:16) Clips teurer? Nein. Der Preis hängt nur von Dauer und Auflösung ab, ein vertikaler 9:16-Clip kostet also bei gleicher Länge und Auflösung dasselbe wie ein 16:9-Clip.

Kann ich Ray 3.2 ein Startbild statt eines Text-Prompts geben? Ja, aber das ist ein anderer Endpunkt – Ray 3.2 Image-zu-Video akzeptiert ein erstes Frame (und optional ein letztes Frame). Text-zu-Video ist für den Fall, dass du von einer Beschreibung statt von einem Bild ausgehst.

Erzeugen diese exakten Prompts genau diese Clips erneut? Videomodelle sind nicht deterministisch, du bekommst also denselben Stil und Bildaufbau, aber keinen pixelgenau identischen Clip. Betrachte diese Prompts als verlässliche Ausgangspunkte und passe die Kamera- und Licht-Teilsätze nach Geschmack an.

Lust, diese Prompts auszuprobieren?

Kopiere ein beliebiges Rezept oben und führe es auf der Ray 3.2 Text-zu-Video-Modellseite aus – derselbe /v1/tasks-Endpunkt, ein API-Key für alle Modelle. Wenn du Videomodelle vergleichst, findest du dieselbe Aufbereitung „kopierbar + echter Clip“ auch in unseren Seedance-2.5-Prompt-Rezepten und den Veo-3.1-Lite-Text-zu-Video-Prompts, sodass du noch vor dem Investieren siehst, wie dieselbe Prompt-Struktur auf einer anderen Engine abschneidet.