Seedance-2.0-Prompts schreiben: Regie führen statt beschreiben

Wer Seedance 2.0 zum ersten Mal ausprobiert, merkt schnell dasselbe: Tippst du „ein Mann rennt durch die Straßen, sehr cinematisch“, spielst du Lotterie — fünfmal neu generieren und hoffen, dass ein Take sitzt. Andere Prompts dagegen liefern beim ersten Versuch eine fast fertige Einstellung. Der Unterschied ist kein Glück. Es ist das Verständnis dafür, was das Modell tatsächlich liest.

Seedance 2.0 verarbeitet deinen Text, deine Bilder, Videos und dein Audio gemeinsam und zerlegt intern alles in zwei Dimensionen: eine räumliche Ebene (was im Frame ist) und eine zeitliche Ebene (wie sich Dinge über die Zeit verändern). Das Modell ist kein Texter-Assistent, der auf Stimmungswörter reagiert — es ist ein multimodaler Regisseur, der auf eine Arbeitsanweisung wartet. Ein guter Prompt liest sich wie Produktionsnotizen, nicht wie Lyrik: wer, wo, tut was, wie bewegt sich die Kamera, in welcher Reihenfolge.

Dieser Beitrag verdichtet, was wir über Hunderte von Generierungen gelernt haben, in fünf Regeln und eine Troubleshooting-Tabelle. Einmal lesen — und du verschwendest deutlich weniger Generierungen.

Schritt eins: das richtige Aufgaben-Verb wählen

Wenn du aus Referenzmaterial generierst (Bilder, Videos, Audio), entscheide zuerst, welche Art von Aufgabe du stellst — deine Satzstruktur sagt dem Modell, wie es alles andere interpretieren soll:

Und hier tappen fast alle in dieselbe Falle: Bei Bearbeitungs- und Verlängerungsaufgaben schreibst du „Video 1“ — niemals „mit Referenz auf Video 1“. Diese eine zusätzliche Formulierung kann dazu führen, dass das Modell deinen Edit als Referenzaufgabe missversteht — und du bekommst ein neues Video, das dem Original nur entfernt ähnelt.

Die drei Aufgabentypen lassen sich auch kombinieren: „Mit Referenz auf die Kameraarbeit in <Video 2>, bearbeite <Video 1> strikt …“

Die Kernformel

Für Text zu Video oder jede komplexe Aufgabe strukturierst du deinen Prompt entlang dieses Skeletts:

präzises Subjekt + Aktionsdetail + Szene + Licht & Farbstimmung + Kameraarbeit + visueller Stil + Qualität + Constraints

Die Reihenfolge hat System: Zuerst legst du fest, wer was tut (der Protagonist der zeitlichen Ebene), dann etablierst du, wo und in welcher Atmosphäre (die räumliche Ebene), dann sagst du dem Modell, wie es drehen soll, und zum Schluss ziehst du den Output mit Stil-, Qualitäts- und Constraint-Wörtern fest. Die fünf Regeln unten packen diese Formel aus.

Regel 1: Benenne deine Besetzung

Ein Referenzbild enthält meist mehr als eine Sache, und das Modell weiß nicht, wer „er“ ist. Der erste Schritt ist deshalb die Subjekt-Definition:

Definiere die Frau in Bild 1 mit rotem Kleid und Strohhut als Rosa.

Drei Dinge zählen:

• Definiere mit 2–3 stabilen, statischen Merkmalen (Kleidung, Frisur, Kategorie), damit das Subjekt eindeutig identifizierbar ist;

• Einmal definiert, bleib konsequent beim selben Label — wechsle nicht zwischen „Rosa“ und „die Frau“ hin und her;

• In einfachen Szenen ohne formale Definition bindest du das Subjekt bei jeder Erwähnung an seine Quelle, per Subjekt@Image N — z. B. „der Barista@Image 1“.

Mehrere Figuren bekommen separate Definitionen und separate Labels: „Definiere den großen Mann in Video 1 als den Cop und den kleinen Mann als den Dieb.“ Ab da heißt es in der Verfolgungsjagd immer Cop und Dieb, und die Referenzen verheddern sich nie.

Ein fortgeschrittener Move: Wenn das Gesicht einer Figur wichtig ist, bereite ein eigenes Porträt nur vom Kopf vor und schreib die Arbeitsteilung explizit aus — „Leos Gesichtszüge folgen Bild 1 (Porträt); Outfit und Styling folgen Bild 2 (Ganzkörperaufnahme).“ Das ist die mit Abstand wirksamste Verteidigung gegen Gesichtswechsel mitten im Video.

Regel 2: Schreib Shots, keine Vibes

Die interne Repräsentation des Modells entkoppelt Raum und Zeit — die ideale Prompt-Form für ein komplexes Video ist deshalb eine Timeline aus Shots: Zerlege das Video in Shot 1, Shot 2, Shot 3, beschrieben in der Reihenfolge, in der die Ereignisse passieren.

Schlecht: „Ein Mann rennt nervös durch die Straßen, sehr cinematisch.“ Das Modell kann nur raten.

Gut:

Shot 1: Seitenansicht einer Gasse; der Mann fällt in einen langsamen Lauf, atmet schwer. Shot 2: Er kracht in einen Obststand; die Kamera reißt herum zu einer Großaufnahme seines panischen Gesichts. Shot 3: Er springt über eine niedrige Mauer und verschwindet; die Kamera zieht sich langsam zurück und hält auf der leeren Straße.

Innerhalb jedes Shots deckst du vier Dinge in fester Reihenfolge ab:

• Kamerabewegung oder Übergang („Halbnah, langsamer Push-in“, „Schnitt auf …“)

• Aktion und Mimik des Subjekts

• Position oder räumliche Veränderung

• Audio (Soundeffekte, Dialog, Musik)

Eine Warnung: Schreib keine exakten Timestamps wie „0–3 Sekunden“. Präzises Timing beherrscht das Modell nur instabil, und erzwungene Zeitangaben produzieren gern Artefakte. Lass es die Geschichte in ihrem natürlichen Tempo erzählen.

Regel 3: Choreografiere, statt zu etikettieren

Das Prinzip für Aktionen: konkrete Körperteile + quantifizierte Intensität. Werde konkret bei Händen, Beinen, Kopf — und ergänze Amplitude, Tempo und Kraft: „hebt langsam eine Hand“, „wirbelt den Kopf herum“, „stößt sich kraftvoll ab“ statt eines vagen „er bewegt sich“.

Zwei teuer bezahlte Lektionen:

• Bevorzuge langsame, sanfte, kontinuierliche kleine Bewegungen. Langsames Gehen, eine leicht gehobene Hand, sich behutsam in einen Stuhl sinken lassen — das gelingt deutlich öfter als Sprinten, Springen oder heftige Stürze;

• Schreib die Übergänge zwischen Aktionen aus. „Vom Schwung seiner Drehung getragen hebt er eine Hand“ fließt weit besser als zwei unverbundene Aktionen.

Dasselbe gilt für Emotionen — schreib keine abstrakten Etiketten, sondern übersetze Gefühle in körperliche Details:

Regel 4: Eine Kamerabewegung pro Shot

Seedance 2.0 versteht das Standardvokabular der Kameraarbeit sehr gut — nutz es einfach: Halbnah, Großaufnahme, Totale, langsamer Push-in, ruhige seitliche Kamerafahrt, statische Kamera, Handkamera folgt …

Die eine eiserne Regel: Gib pro Shot nur eine Kamerabewegung an. Push, Pull, Schwenk und Fahrt gleichzeitig zu verlangen destabilisiert das Bild sichtbar. Komplexe Kamera-Choreografie teilst du auf mehrere Shots auf — oder noch besser: Du gibst dem Modell ein Kamera-Referenzvideo.

Regel 5: Schließe mit Constraints ab

Der letzte Absatz deines Prompts ist dafür da, den Zufall einzusperren. Drei Wortgruppen, jede mit einem Job:

• Qualität: hohe Auflösung, reiche Details, cineastische Textur, natürliche Farben, weiches Licht;

• Stil: Benenne den Ziellook explizit — „2D-Anime-Stil“, „Vintage-Film“, „Cyberpunk mit kalter Blauviolett-Palette“. Das zählt am meisten, wenn dein Referenzbild fotorealistisch ist, du aber ein animiertes Ergebnis willst; lässt du es weg, driftet der Output Richtung Realfilm;

• Constraints: Dieses Trio hat Dauerdienst — „keine Untertitel“, „kein Wasserzeichen“, „kein Logo“. Bei Szenen mit mehreren Figuren ergänzt du eine globale Zeile: „Zeige im gesamten Video niemals doppelte Figuren mit identischem Aussehen und identischer Kleidung.“

Dein Referenz-Kit: 4–5 Assets, jedes mit einem Job

Mehr Referenzmaterial ist nicht besser. Weise jedem Asset eine von vier funktionalen Rollen zu:

• Charakter-Anker: fixiert das Aussehen (Porträt + Ganzkörper, 1–2 Bilder)

• Szenen-Setter: fixiert Umgebung und Art Direction (1 Bild)

• Kamera-Referenz: fixiert Bildsprache und Bewegungsrhythmus (1 Video)

• Stimmungs-Steuerung: fixiert Emotion und Stimmfarbe (1 Audio-Clip)

Vier bis fünf Assets insgesamt sind der Sweet Spot. Das Upload-Limit auszureizen schadet aktiv — bei zu vielen Inputs kann das Modell die Priorität der Merkmale nicht mehr ordnen, und du bekommst Stilkonflikte und Subjekt-Verwirrung. Und eine kontraintuitive Regel: Verwende niemals Multi-View-Charakterbögen (Front/Seite/Rücken in einem Bild). Das Modell liest verschiedene Blickwinkel gern als verschiedene Personen — Gesichtsdrift und „Zwillings“-Glitches werden dadurch schlimmer.

Auch die Reihenfolge zählt: Je präziser ein Asset reproduziert werden muss, desto früher gehört es in deinen Prompt.

Zeichensetzung, die das Modell versteht

Seedance 2.0 hat eine Symbol-Konvention, um Informationstypen zu unterscheiden. Sie korrekt zu nutzen verbessert das Verständnis messbar:

Halte Dialoge durchgehend in einer Sprache — wechsle nicht mitten im Skript die Sprache (Eigennamen ausgenommen).

Die Troubleshooting-Tabelle

Eine Entscheidung, die ihren eigenen Absatz verdient: Wann verlängern, wann schneiden? Für dialoggetriebene Szenen an einem einzigen Ort — lange Gespräche, emotionaler Aufbau — nimm die Video-Verlängerung für ein immersives Plansequenz-Gefühl. Für Wendepunkte oder schnelle Action — Verfolgungsjagden, Kämpfe, Montagen — generierst du die Segmente einzeln und schneidest sie zusammen, um Rhythmus und Wucht zu schützen. Echte Projekte kombinieren meist beides.

Ein komplettes Beispiel: Nudelstand auf dem Nachtmarkt

Hier ist jede Regel in einem einzigen Prompt angewendet.

Assets: Bild 1 = Porträt des Verkäufers; Bild 2 = Ganzkörperaufnahme des Verkäufers; Bild 3 = Nachtmarkt-Szene mit Stand; Audio 1 = beschwingte Straßenmarkt-Hintergrundmusik.

Definiere den Mann in Bild 1 und Bild 2 als Leo; seine Gesichtszüge folgen Bild 1 (Porträt), Outfit und Styling folgen Bild 2 (Ganzkörperaufnahme). Die Szene folgt dem Nachtmarkt-Nudelstand in Bild 3; die Hintergrundmusik verschmilzt mit Audio 1. Shot 1: Statische Kamera, Halbnah. Leo steht hinter der Wok-Station und schwenkt Nudeln; Flammen schlagen hoch, während sein Handgelenk in schnellen, kontrollierten Stößen schnippt, ein Schweißfilm auf der Stirn. （Im Hintergrund läuft beschwingte Straßenmarkt-Musik） Shot 2: Die Kamera fährt langsam in eine Naheinstellung. Leo richtet die Nudeln an und reicht sie hinüber, ein Mundwinkel hebt sich, und er sagt zu einem Kunden außerhalb des Bildes {Iss, solange es heiß ist}. Shot 3: Die Kamera zieht sich langsam in die Totale zurück. Das Schild des Stands leuchtet gegen die Nacht auf, Menschen ziehen vorbei, und Leo wendet sich zurück zum Wok. Insgesamt: hohe Auflösung, reiche Details, warme Farbtöne, cineastische Textur, weiches Licht. Keine Untertitel, kein Wasserzeichen, kein Logo. Im gesamten Video erscheint nur ein Leo; zeige niemals doppelte Figuren mit identischem Aussehen.

Zum Gegenprüfen: Aufgaben-Verb (Referenz), Subjekt-Definition mit Arbeitsteilung (das Porträt besitzt das Gesicht, die Ganzkörperaufnahme das Styling), drei Shots mit jeweils Kamera/Aktion/Raum/Audio, eine Kamerabewegung pro Shot, korrekte Symbole und der Abschluss aus Qualität + Stil + Constraints.

Bild zu Video: zwei weitere Prompts zum Direktverwenden

Das Nudelstand-Beispiel zeigt den Ansatz mit vollem Asset-Kit. Bild zu Video startet aber meist deutlich bescheidener: Du hast ein oder zwei Bilder und willst, dass sie sich bewegen. Die beiden Prompts unten — einer simpel, einer in voller Größe — demonstrieren eine Abwägung, die leicht untergeht: Nicht jeder Prompt braucht eine Shot-Liste. Eine einzelne kontinuierliche Aktion an einem Ort passt in einen Absatz; erst eine Geschichte mit mehreren Ereignissen über mehrere Räume verdient die volle Struktur aus „Setup + Shots + Constraints“.

Beispiel 1 — ein Bild, Mikro-Bewegung: ein altes Foto zum Leben erwecken

Assets: Bild 1 = ein altes Foto einer älteren Frau, die in einem Rattanstuhl in einem Innenhof sitzt.

Mit Referenz auf die ältere Frau in Bild 1 — silberhaarig, in einer dunkelblauen Baumwollbluse, in einem Rattanstuhl sitzend — generiere eine Szene von ihr im Innenhof an einem stillen Nachmittag: Sie blickt ruhig geradeaus, dann blinzeln ihre Augen langsam, die Mundwinkel heben sich zu einem feinen Lächeln, sie neigt den Kopf leicht zur rechten Bildseite und hebt, von dieser Bewegung getragen, die rechte Hand, um sich sanft eine lose Haarsträhne hinters Ohr zu streichen; hinter ihr wiegen sich trocknende Wäsche und Baumschatten leise im Wind. Statische Kamera, Naheinstellung. Vintage-Film-Textur, warme Farbtöne, weiches Licht; Gesicht stabil und unverzerrt, Bewegungen langsam und kontinuierlich; keine Untertitel, kein Wasserzeichen, kein Logo.

Gegen die Regeln geprüft: Das Subjekt ist mit drei statischen Merkmalen verankert (Rattanstuhl, dunkelblaue Bluse, Silberhaar); jede Aktion ist eine langsame, kontinuierliche Mikro-Bewegung mit ausgeschriebenem Übergang (die Kopfneigung trägt in den Griff zur Haarsträhne); genau ein Kamera-Setup durchgehend; und ein einziger Schlusssatz bündelt Qualität, Stabilität und das Constraint-Trio. So kurz darf eine simple Anfrage sein — ihr eine Shot-Liste aufzuzwingen gibt dem Modell nur zusätzliche Gelegenheiten zum Improvisieren.

Beispiel 2 — Multi-Bild-Storyboard: ein Kurzfilm in einer Regengasse

Assets: Bild 1 = Porträt der Frau; Bild 2 = ihre Ganzkörperaufnahme im Qipao; Bild 3 = eine regennasse Steingasse in einer alten Stadt im Süden. Achte auf die Upload-Reihenfolge: Das Gesicht — das Asset, das am präzisesten reproduziert werden muss — kommt zuerst.

Gesamtsetting: eine neblige, regenverhangene Steingasse in einer alten Stadt im Süden, cineastischer Realismus. Definiere die Frau in Bild 1 und Bild 2 als Mei: Ihre Gesichtszüge folgen Bild 1 (Porträt), Outfit und Styling folgen Bild 2 (Ganzkörperaufnahme); die Szene folgt der Steingasse in Bild 3, mit Bild 3 als Eröffnungsframe. Shot 1: Statische Kamera, Totale. Feiner Regen fällt auf das Steinpflaster, während Mei unter einem Ölpapierschirm langsam vom Gassenanfang ins Bild geht, die Schritte gemächlich, der Saum ihres Qipao schwingt sanft mit jedem Schritt. Shot 2: Die Kamera fährt langsam in eine Naheinstellung. Mei bleibt vor einer Holztür stehen, neigt den Schirm leicht, während sie den Kopf dreht, ihr Blick legt sich auf den Messing-Türklopfer, winzige Regentropfen hängen an ihren Wimpern. Shot 3: Ruhige seitliche Kamerafahrt. Vom Schwung des gehobenen Arms getragen faltet Mei den Schirm in einer Bewegung zusammen, dreht sich um und tritt durch die Tür; das Bild hält auf dem dunstigen Laternenlicht tief in der Gasse. （Im Hintergrund steigt langsame Guzheng-Musik auf） Insgesamt: hohe Auflösung, reiche Details, filmkörnige cineastische Textur, kühle, entsättigte Palette, gestaffeltes Licht; Gesicht stabil und unverzerrt, Bewegungen langsam, kontinuierlich und natürlich, kein Clipping, kein Ruckeln; keine Untertitel, kein Wasserzeichen, kein Logo; im gesamten Video erscheint nur eine Mei — zeige niemals doppelte Figuren mit identischem Aussehen.

Dieser Prompt fädelt alle fünf Regeln zusammen und ergänzt eine Technik, die spezifisch für Bild zu Video ist: das Eröffnungsframe deklarieren. „Bild 3 als Eröffnungsframe“ lässt das Video aus der Komposition des Szenenbilds heraus entstehen — erst die leere Gasse, dann tritt die Figur ein — deutlich stabiler, als das Modell den Anfang raten zu lassen. Beachte auch, wie die Emotion geschrieben ist: Das Wort „wehmütig“ fällt nie; geschrieben steht „ihr Blick legt sich auf den Messing-Türklopfer, Regentropfen hängen an den Wimpern“.

Text zu Video: Schreiben ganz ohne Bilder

Jedes Beispiel bisher stützte sich auf Referenz-Assets. Aber was, wenn du gar nichts hast — pures Text zu Video? Die Formel bleibt das Skelett vom Anfang dieses Beitrags, mit einem entscheidenden Unterschied: Es gibt kein Bild zum Anbinden — Subjekt und Stil stehen und fallen mit deinen Worten. Also: Merkmale dichter packen. Gleiches Paar wie oben: einer simpel, einer in voller Größe.

Beispiel 1 — eine Katze vor einem Convenience Store in einer Schneenacht (Ein-Absatz-Montage)

Späte Nacht vor einem Convenience Store: Eine orange-weiße Kurzhaarkatze sitzt auf der Türschwelle, während feiner Schnee herabrieselt. Ihre Ohren zucken hin und wieder und schütteln Schneeflocken von den Spitzen; die Schwanzspitze streicht gemächlich hin und her; jeder Atemzug kondensiert in der kalten Luft zu einer kleinen weißen Wolke. Hinter ihr fällt warmgelbes Licht durch die Glastür, und Schneeflocken sinken langsam durch den Lichtschein. Statische Kamera, Naheinstellung. Hohe Auflösung, reiche Details, cineastische Textur, nächtlicher Kalt-Warm-Kontrast, weiches Licht; Felldetails stabil, Bewegungen langsam und kontinuierlich; keine Untertitel, kein Wasserzeichen, kein Logo.

Ohne Referenzbild ist „orange-weiß, Kurzhaar, auf der Türschwelle sitzend“ die gesamte Identität dieser Katze — die Merkmalsdichte bestimmt direkt die Stabilität des Subjekts. Und die Aktionen sind weiterhin ausschließlich langsame Mikro-Bewegungen (Ohrenzucken, Schwanzstreichen, sichtbarer Atem), was bei Tieren als Subjekt noch mehr zählt.

Beispiel 2 — ein Café-Werbespot (Shot-Liste + Text im Bild)

Gesamtsetting: ein unabhängiges Café am frühen Morgen, warme cineastische Farbtöne, natürliches Licht fällt schräg durch große Glasfenster. Shot 1: Statische Kamera, Großaufnahme. Dunkelbraune Kaffeebohnen rieseln langsam von oben in den Metalltrichter einer Mühle, springen beim Aufprall, feiner Staub schwebt im Gegenlicht. Shot 2: Die Kamera fährt langsam heran. In einer weißen Keramiktasse blüht Latte Art aus der Mitte zu einem Blatt auf, während Dampf nach oben kringelt und das Fensterlicht einfängt. Shot 3: Die Kamera zieht sich langsam in die Totale zurück. Das morgendlich erleuchtete Café liegt klar und still da, der Latte dampft auf der Theke; im unteren Drittel des Bildes blendet weiße Handschrift ein: „Erst ein Schluck, dann der Tag.“ （Im Hintergrund sanfte Akustikgitarre） Insgesamt: hohe Auflösung, reiche Details, warme Farbtöne, cineastische Textur, weiches Licht; Flüssigkeit und Dampf verhalten sich natürlich, keine Verzerrung; kein Text außer der angegebenen Zeile, kein Wasserzeichen, kein Logo.

In diesem Prompt steckt eine Regel, die man leicht falsch herum lernt: Wenn du Text im Bild willst, drehen sich die Constraints um. Streich „keine Untertitel“ und schreib stattdessen die vier Essentials des Textes aus — Inhalt, Timing, Position, Auftritt — und schließe mit „kein Text außer der angegebenen Zeile“ als Absicherung. Slogans sind der häufigste kommerzielle Einsatz von Text zu Video; diese Umkehrung solltest du dir einprägen.

Zum Schluss

Seedance 2.0 hat den Engpass der Videogenerierung von der Fähigkeit des Modells zu deiner Fähigkeit zu kommunizieren verschoben. Du musst keinen Film drehen können — du musst Prompts schreiben, wie ein Regisseur Produktionsnotizen schreibt: Besetzung benennen, die Geschichte Shot für Shot erzählen, die Bewegung choreografieren, eine Kamerabewegung pro Shot, mit Constraints abschließen.

Der Rest ist Übung. Der Nudelstand-Prompt oben? Nimm ihn, bieg ihn zurecht, mach ihn zu deinem.