01 Die Grundformel
HappyHorse 1.1 versteht strukturierte Regieanweisungen: wer, was passiert, wie sich die Kamera bewegt, wo und in welchem Stil. Dieses Kapitel zerlegt einen guten Prompt in fünf wiederverwendbare Bausteine und demonstriert dann mit einem 15-Sekunden-Aushängeschild-Sample das vollständige Grundgerüst einer hochkomplexen Szene. Steht das Grundgerüst, ist jedes weitere Kapitel nur noch eine Erweiterung davon. Eine Prämisse gilt es zu behalten: HappyHorse gibt Videos standardmäßig mit Ton aus — lässt du den Ton unbeschrieben, improvisiert das Modell, also sollte jeder Prompt eine Audioebene tragen.
1.1 Die grundlegende Prompt-Formel
Alles beginnt mit einem Satz: Subjekt und Bewegung sind die beiden Pflichtteile; Kamera, Umgebung und Stil kommen nach Bedarf dazu. Spiele den Clip zuerst im Kopf durch und schreibe ihn dann nach der Formel auf. Die Dauer ist ein stufenloser Regler von 3 bis 15 Sekunden — plane genau so viel Aktion, wie die gewählten Sekunden hergeben. Eine zweite Aktion, die noch hineingequetscht wird, sorgt meist dafür, dass beide schlecht aussehen. Der Ton ist immer an: Gib der Atmosphäre und den Effekten je eine Zeile, und der Clip kommt vollständig zurück.
[Subjekt] + [Bewegung] + optional [Kamera] [Umgebung] [Stil]
Subjekt
Der Star des Bildes — eine Person, ein Tier oder ein Produkt. Je konkreter, desto besser.
Bewegung
Was das Subjekt tut, mit genau beschriebenen Körperteilen und Tempo; langsame, kontinuierliche kleine Bewegungen sind am sichersten.
Kamera
Bildausschnitt und Kamerabewegung: Nahaufnahme, Heranfahren, Dollyfahrt — eine Bewegung pro Einstellung.
Umgebung
Schauplatz und Stimmung: Ort, Tageszeit, Licht, Wetter.
Stil
Bildsprache und Qualität: Farbpalette, Textur, Schärfe.
Eine Karawane auf den Dünen
Prompt
Eine Wüste in der Abenddämmerung. Eine Kamelkarawane zieht langsam über den Kamm einer Düne, die Lasten auf den Rücken der Kamele schaukeln bei jedem Schritt, der Anführer in einem rostbraunen Umhang geht voran. Die Kamera fährt langsam aus niedrigem Seitenwinkel mit, während die untergehende Sonne die Schatten von Menschen und Kamelen über den Sand streckt und feine Sandkörner über den Boden wehen. Kinofilm-Qualität, warme goldene Farbpalette, reich an Details. Audio: Kamelglocken, die bei jedem Schritt leise läuten, ein fernes tiefes Summen von windgetriebenem Sand, gelegentlich der schwere Atem eines Kamels.
Zwei Sätze für Subjekt + Bewegung, je einer für Kamera und Umgebung, dann Stil- und Audioebenen zum Abschluss — das ist ein solider HappyHorse-Basisprompt. Empfohlen: 1080p, 21:9.
Eine 15-sekündige F1-Onboard-Runde (Aushängeschild-Sample)
Prompt
[Style and Camera Setup] Ultra-photorealistic F1 onboard camera POV footage, mounted directly behind the driver's helmet on the roll hoop, identical to the official F1 onboard camera angle. The lower foreground of the frame captures the driver's helmet, the full nose and front wing of the car stretching ahead, with rival F1 cars clearly visible on track. Hyper-realistic physics simulation including authentic car vibration, chassis flex, suspension movement and aerodynamic buffeting. 8K cinematic quality, real broadcast color grading, motion blur on high-speed moving elements, tire smoke and rubber debris on track surface. [0-4 seconds] The car launches out of a high-speed corner at approximately 280km/h, the chassis shaking violently from kerb vibration as it exits the corner. Two rival F1 cars appear directly ahead, one slightly to the left and one slightly to the right, their rear diffusers and rear wings filling the frame. The driver's gloved hands make micro-corrections on the steering wheel, the car weaving slightly under braking instability. Engine roar is deafening, the entire frame vibrates with mechanical intensity. Tire squeal and downforce whistle fill the audio. Track surface details, paint marks and rubber racing lines are hyper-realistic. [4-9 seconds] The car approaches a tight chicane at full racing speed, heavy braking causes the nose to dip dramatically, the entire car shuddering under 5G deceleration force. The driver's helmet tilts forward under braking load. The car turns sharply left then immediately right through the chicane, the chassis rolling and yawing with authentic weight transfer, tires visibly deforming under lateral load. A rival car is overtaken aggressively on the inside of the corner, the two cars passing within centimeters of each other, slipstream turbulence causing the camera to shake violently. Tire smoke wisps from the front wheels under trail braking. [9-15 seconds] The car accelerates hard out of the final corner onto a long straight, the rear tires momentarily breaking traction causing a visible rear-end snap and oversteer, the driver catching the slide with a sharp opposite lock steering input. The car straightens and rockets down the straight at increasing speed, the two cars ahead growing smaller in the distance. Grandstand crowds on both sides blur past at extreme speed. The engine note rises through the rev range hitting the limiter, the driver upshifting via paddle shifts causing sharp torque interruptions. The camera shakes continuously with road surface imperfections and aerodynamic turbulence. The final frame shows the car at full speed with heat haze rising from the asphalt ahead. [Quality Enhancement] Authentic F1 onboard footage realism, real physics-based car movement, genuine suspension travel and chassis flex, accurate tire behavior under load, realistic engine and aerodynamic audio, cinematic motion blur on high-speed elements, broadcast-accurate color grading, hyper-realistic track surface with rubber marbles and tire marks, continuous realistic camera vibration throughout the entire clip, no artificial smoothing applied.
Ein validiertes Aushängeschild-Sample, wortgetreu: [Style and Camera Setup] gibt den Ton vor → Sekundenbeats takten die Aktion (0–4 / 4–9 / 9–15) → [Quality Enhancement] schließt ab, wobei der Ton (Motor, Reifenquietschen, Fahrtwind) in jeden Beat hineingeschrieben ist — das komplette Grundgerüst für eine komplexe 15-Sekunden-Szene.
1.2 Die Wahl unter 9 Seitenverhältnissen
HappyHorse 1.1 bietet neun Seitenverhältnisse — die meisten auf Molyin: 16:9, 9:16, 1:1, 4:3, 3:4, 4:5, 5:4, 21:9 und 9:21. Für die Wahl gibt es nur eine Regel — richte dich nach dem Veröffentlichungsort: 16:9 für Breitbild-Videos, 9:16 für vertikale mobile Feeds, 4:5 oder 1:1 für Feed-Posts, 21:9 für einen cineastischen Breitbild-Look, 9:21 für ultrahohe visuelle Experimente. Lege das Verhältnis vor dem Generieren fest; nachträgliches Zuschneiden verschenkt nur Qualität.
Ein Solo im Probenraum
Prompt
Ein Probenraum, durchflutet von Morgenlicht. Eine zeitgenössische Tänzerin in schwarzer Übungskleidung streckt ihre Arme über den Holzboden, hebt sich dann auf die Spitzen und dreht sich einmal, ihr Rock schwingt mit der Drehung mit, bevor sie in einer ruhigen, kontrollierten Pose landet. Statische Halbtotale; das Morgenlicht fällt schräg durch hohe Fenster, feiner Staub treibt in den Lichtstrahlen. Audio: das leise Scharren der Tanzschuhe auf dem Holz, ein Rascheln des Stoffs bei der Drehung, ein geerdetes dumpfes Aufsetzen bei der Landung und der ruhige, atmende Raumton des Studios.
Voreingestellt auf 9:16 im Hochformat — der Standardrahmen für mobile Feeds, und eine Ganzkörperfigur füllt ihn perfekt; die Audioebene verleiht dem stillen Studio seinen Atem.
1.3 Mit Seed reproduzieren und iterieren
Der Seed ist der Zufallsstartwert von HappyHorse 1.1 — und eine der Fähigkeiten, die das Modell auszeichnen. Fixierst du den Seed, reproduziert derselbe Prompt ein weitgehend gleiches Ergebnis: Ändere ein einzelnes Wort und du siehst exakt, was dieses Wort bewirkt. Tauschst du den Seed, wird aus demselben Prompt eine frische Runde Variationen. Zwei Gewohnheiten lohnen sich: Notiere den Seed, wenn ein Ergebnis überzeugt, und friere den Seed ein, während du Formulierungen im A/B-Test vergleichst. Beachte: Die Generierung ist probabilistisch — derselbe Seed garantiert keine pixelidentische Ausgabe, aber Komposition und Subjekt bleiben deutlich stabiler als bei einem zufälligen Wurf.
Ein Rotfuchs im verschneiten Wald
Prompt
Ein Rotfuchs trottet durch einen schneebedeckten Birkenwald. Er bleibt plötzlich stehen, die Ohren aufgestellt, lauscht — und stürzt sich dann kopfüber in eine Schneewehe, sodass Pulverschnee aufstiebt. Die Kamera verfolgt ihn ruhig in einer Halbtotalen; Wintersonne fällt schräg durch die Stämme und sein Atem kondensiert in der kalten Luft zu weißen Wölkchen. Audio: das Knirschen der Pfoten, die den Schnee festtreten, der gedämpfte Puff des Eintauchens, Wind in den Birken und ein, zwei ferne Vogelrufe.
Voreingestellt mit Seed 42 — ändere die Formulierung, behalte den Seed und vergleiche exakt, was jede Anpassung bewirkt; die Audioebene lässt sich genauso im A/B-Test vergleichen.
02 Lip-Sync und gesprochene Zeilen
Lip-Sync ist das Aushängeschild-Szenario von HappyHorse auf dem offiziellen Playground: Schreibe die Zeile Wort für Wort in Anführungszeichen, hänge die Formulierung „präziser Lip-Sync“ an, und die Figur spricht sie exakt in die Kamera. Eine kurze Zeile braucht einen Satz für Tonfall und Bildausschnitt; längere Ansprachen werden in Beats auf Sekundenebene aufgeteilt, eine Zeile pro Beat. Beide Beispiele in diesem Kapitel sind validierte offizielle Samples.
2.1 Nachrichtensprecher-Ansprache
Mehrzeilige Ansprachen werden als „Kameraeinstellung + Sekundenbeats + eine Zeile pro Beat“ geschrieben: Lege zuerst Szene und Bildausschnitt fest, teile dann bei 0–5 s und 5–10 s mit je einer Zeile und einer kleinen Aktion pro Beat (das Drehen zur zweiten Kamera) und schließe ab, indem du „präziser Lip-Sync“ plus den Raumton benennst.
Die Eröffnungsansprache eines Nachrichtensprechers (offizielles Sample)
Prompt
Halbtotale eines professionellen Nachrichtensprechers an einem eleganten Pult in einem modernen Fernsehstudio, kühle blaue Beleuchtung, sanft leuchtende Bildschirme dahinter. 0–5 s: Er blickt in die Kamera und sagt mit klarer, bedachter Stimme: "Good evening. Tonight, a breakthrough that could change how millions of us work." 5–10 s: Er dreht sich leicht zu einer zweiten Kamera: "We'll have the full story, and what it means for you, right after this." Präziser Lip-Sync, dezenter Studio-Raumton, gestochen scharfe Broadcast-Qualität, geringe Tiefenschärfe.
Das Lip-Sync-Sample des offiziellen Playgrounds, wortgetreu: zwei Zeilen in 10 Sekunden, aufgeteilt bei 0–5 s / 5–10 s, die Formulierung „präziser Lip-Sync“ ist Pflicht, und der Studio-Raumton gibt der Stimme ihren Raum.
2.2 Character-Syntax und vertikale Sketche
Die offizielle Notation für vertikale Sketche benennt die Figur direkt mit character1: „character1 tut etwas in irgendeiner Szene, blickt auf und sagt auf Englisch: die Zeile“ — ein Satz packt Szene, Aktion, Sprache und Zeile; kombiniert mit 9:16-Hochformat ergibt das einen feed-fertigen Sketch.
Ein Gitarrist um drei Uhr morgens (offizielles Sample)
Prompt
character1 zupft in einem gemütlichen, gedämpft beleuchteten Raum einmal die Saiten, blickt auf und sagt auf Englisch: "This next one I wrote at three in the morning." Warmes praktisches Licht, intim, cineastisch, präziser Lip-Sync.
Das offizielle Character-Syntax-Sample, wortgetreu: character1 eröffnet namentlich, „sagt auf Englisch“ fixiert die Sprache, voreingestellt auf 9:16-Hochformat — je kürzer die Zeile, desto stabiler die Synchronisation.
03 Bild zu Video
Ein Startbild plus ein Satz zur Bewegung, und HappyHorse 1.1 erweckt das Bild zum Leben — der Fokus deines Prompts verschiebt sich von der Beschreibung der Szene hin zur Beschreibung von Bewegung und Ton, denn die Szene existiert bereits. Eine feste Regel solltest du dir merken: Die Ausgabe von Bild-zu-Video folgt automatisch dem Seitenverhältnis des Startbildes, ohne Verhältnis-Auswahl. Du willst ein 9:16-Ergebnis? Lade ein 9:16-Bild hoch. Die Kontrolle über die Komposition bleibt in deiner Hand.
3.1 Ein Foto zum Leben erwecken
Ein Bild-zu-Video-Prompt deckt nur drei Dinge ab: was sich bewegt, wie es sich bewegt und ob sich die Kamera bewegt. Erzwinge nichts, was nicht im Bild ist — „wecke“ stattdessen das, was schon da ist: ein flatternder Saum, fließendes Wasser, eine schwingende Laterne sind kleine Bewegungen mit hoher Trefferquote. Ergänze eine Zeile wie „die ursprüngliche Textur beibehalten“, und der Stil driftet nicht ab. Schreibe die Audioebene wie gewohnt — ein Standbild trägt von sich aus keine Audioinformation.
Ein Kanu auf dem Morgensee
Prompt
Erwecke dieses Foto zum Leben: Feiner Nebel zieht langsam über den See, das Kanu hebt und senkt sich sanft auf kleinen Wellen, die am Bug hängende Laterne schwingt leicht, und ein Wasservogel steigt aus dem fernen Schilf auf und fliegt über das Wasser nach rechts aus dem Bild. Die Kamera bleibt statisch und bewahrt durchgehend den kühlen Film-Look des Fotos. Audio: kleine Wellen, die gegen den Rumpf schlagen, das leise metallische Klimpern der Laterne, die vorbeistreifenden Flügelschläge des Wasservogels, das Rascheln des fernen Schilfs.
Erfordert 1 Startbild. Beschreibe nur die Bewegung, nicht die Szene — „den ursprünglichen Look bewahren“ hält den Stil, und die Audioebene liefert, was einem Standbild fehlt; das Ausgabeverhältnis folgt automatisch dem Startbild.
3.2 Produktpräsentation
Für E-Commerce-Produktclips beschreibe zwei Dinge klar: wie sich das Produkt bewegt (drehen, schweben, heranzoomen) und wie die Kamera mitspielt. Ergänze „das Erscheinungsbild des Produkts bleibt dem Bild treu“, um die Details zu fixieren, und definiere dann Licht und Hintergrund — „Studiobeleuchtung, klares Bild“ ist der Universal-Schlusssatz für Produktvideos. Ton ist das Detail, das Produktclips am häufigsten vergessen: das Klicken eines Deckels, eine hochwertig wirkende Filmmusik — Kleinigkeiten, die die Conversion bewegen.
Eine Seladon-Vase in der Rundumsicht
Prompt
Die Seladon-Vase im Bild steht vor einem hellgrauen, nahtlosen Hintergrund und dreht sich langsam mit konstanter Geschwindigkeit einmal vollständig, ihre Krakelee-Glasur schimmert wechselnd unter weichem Studiolicht. Die Kamera fährt langsam von einer Halbtotalen an eine Nahaufnahme der Schulter heran und enthüllt den feinen Glanz der Glasur. Das Erscheinungsbild des Produkts bleibt dem Bild treu. Beleuchtung auf Studioniveau, klar und hochwertig. Audio: der ruhige Raumton einer Galerie, untermalt von einer minimalistischen, hochwertig wirkenden Ambient-Musik.
Erfordert 1 Produktbild. „Volle Drehung + Heranzoomen auf die Nahaufnahme“ ist die Standard-Kombination für Produktpräsentationen — eine hochwertige Filmmusik vollendet das Stück.
04 Referenz zu Video
Wenn Worte ein Gesicht nicht festnageln können — eine Figur, ein Produkt, ein Maskottchen —, überlasse das Referenzbildern. Das Referenz-zu-Video von HappyHorse 1.1 akzeptiert nur Bilder, 1–9 Stück, die in der Upload-Reihenfolge als „Bild 1“, „Bild 2“ referenziert werden. Das Modell fixiert das Erscheinungsbild aus deinen Bildern, während Szene und Aktion vollständig aus deinem Text stammen. Die Arbeitsteilung mit Bild-zu-Video ist einfach: Ein Referenzbild ist nicht das Startbild — es ist das Steckbrief-Material.
4.1 Die Formel für Charakter-Referenzen
Ein Referenz-zu-Video-Prompt ist eine dreiteilige Struktur: Bringe das Material mit „Bild N“ auf die Bühne, beschreibe, was in der neuen Szene passiert, und schließe mit einer Zeile „konsistent bleiben“ ab. Die Upload-Reihenfolge ist die Nummerierungsreihenfolge — das erste Bild ist Bild 1, das zweite ist Bild 2. Aufnahmen derselben Figur aus mehreren Winkeln funktionieren am besten: Das Modell baut einen kompletten „Charaktersteckbrief“, und das Gesicht übersteht jeden Szenenwechsel.
[Referenzen: Bild 1…] + [Szenenbeschreibung] + [Subjekt] konsistent halten
Referenzen
Nur Bilder, 1–9, referenziert als „Bild N“ in Upload-Reihenfolge.
Szenenbeschreibung
Was in der neuen Szene passiert: Aktion, Umgebung, Kamera — das Bild wird völlig neu generiert, komplett von deinen Worten gesteuert.
Konsistenz
Eine Zeile „der Referenz treu bleiben“ verstärkt die Fixierung des Erscheinungsbilds.
Der Alltag eines Astronauten im Orbit
Prompt
Die Katze mit Smoking-Zeichnung aus Bild 1 schwebt in einem weißen Raumanzug langsam durch ein Raumstationsmodul. Neugierig streckt sie eine Pfote aus, um einen treibenden Wassertropfen zu berühren, während sich die blaue Erde draußen vor dem Bullauge langsam dreht. Die Kamera umkreist sie halb. Das Erscheinungsbild von Katze und Anzug bleibt dem Referenzbild treu. 3D-Animationsqualität, reich an Details. Audio: das tiefe Summen der Stationsgeräte, das feine Schwanken des gestörten Tropfens, die besondere Stille der Schwerelosigkeit.
Erfordert 1 oder mehr Referenzbilder. „Bild 1“ bezieht sich auf dein hochgeladenes Charakterbild; das abschließende „treu bleiben“ ist die Standardformulierung zur Fixierung des Erscheinungsbilds, und die Audioebene füllt das Raumgefühl der Kapsel.
4.2 Mehrere Bilder kombinieren
Jedes Bild bekommt eine Aufgabe: eines für die Figur, eines für das Requisit, eines für das Outfit. Weise jede Rolle in Upload-Reihenfolge zu — „Bild 1“, „Bild 2“ — und das Modell verwechselt sie nicht. Je wichtiger das Material, desto früher sollte es im Prompt erscheinen: Der Hauptdarsteller kommt immer vor den Requisiten.
Der Brautstraußwurf
Prompt
Die Braut aus Bild 1 steht auf efeubewachsenen Steinstufen und wirft lachend den weißen Pfingstrosenstrauß aus Bild 2 über ihre Schulter; mehrere Brautjungfern greifen lächelnd danach, während Blütenblätter durch die Luft wirbeln. Aufnahme aus der Froschperspektive, Nachmittagssonne, die durch Blätter fällt, warm und natürlich. Das Erscheinungsbild der Personen und des Straußes bleibt den Referenzbildern treu. Audio: Jubel und Gelächter der Gäste, das Rascheln der auffliegenden Blütenblätter, ferner Vogelgesang.
Erfordert 2 oder mehr Referenzbilder. Benenne jede Rolle explizit — Personen als Bild 1, das Requisit als Bild 2 — damit nichts durcheinandergerät; der Jubel ist es, der diesen Moment wirklich lebendig macht.
05 Videobearbeitung
Ein Video mit schlichter Sprache umschreiben — das ist das Terrain von HappyHorse Video Edit. Lade einen 3–15 Sekunden langen Quellclip hoch und formuliere eine klare Anweisung: Stil ändern, Outfit ändern, Requisit ändern; alles andere bleibt unberührt. Ausgabedauer und Seitenverhältnis folgen automatisch dem Quellvideo — es gibt keine Dauer- oder Verhältnis-Auswahl. Du kannst außerdem bis zu 5 Referenzbilder anhängen, um dem Modell zu zeigen, wie das Ergebnis aussehen soll.
5.1 Stilübertragung
Gib dem ganzen Clip eine neue künstlerische Hülle. Die Formulierung des offiziellen Samples ist minimal: eine Zeile — „färbe die gesamte Szene im Stil des Referenzbildes neu“ — kombiniert mit einem Referenzbild im Zielstil. Das Bild beantwortet „in was verwandeln“ weit genauer als hundert Adjektive. Ohne Referenzbild benenne drei Merkmale des Zielstils in Worten — Pinselführung, Textur, Farbpalette.
Neu einfärben per Referenzbild (offizielles Sample)
Prompt
Färbe die Szene im Stil des Referenzbildes neu. Halte Kamerabewegung, Komposition und Tempo des Originalvideos unverändert — nur Farbgebung und künstlerische Textur ändern sich, um dem Referenzbild zu entsprechen.
Erfordert 1 Quellvideo von 3–15 Sekunden + 1 Referenzbild im Zielstil; dieses Beispiel wechselt automatisch zu Video Edit, und Dauer sowie Verhältnis folgen der Quelle. Die Kernformulierung des offiziellen Recolor-Samples — der Stil geht ans Referenzbild, das Erzählen bleibt unberührt.
5.2 Elemente ersetzen
Tausche Kleidung, Requisiten oder Produkte aus, ohne den Rest des Materials anzufassen: Beschreibe klar, was wodurch ersetzt wird, und schließe mit „alles andere bleibt unverändert“ ab. Für Ersetzungen fixiert ein Referenzbild den neuen Look — „die beige Strickjacke aus Bild 1“ schlägt hundert Adjektive.
Die Jacke gegen eine Strickjacke tauschen
Prompt
Ersetze die Jacke der Person im Video durch die beige Strickjacke aus Bild 1. Der Stoff soll sich mit der Bewegung natürlich falten, und Textur sowie Lichtrichtung sollen zum Originalmaterial passen. Alles andere bleibt unverändert.
Erfordert ein Quellvideo plus bis zu 5 Referenzbilder. „Ersetze A durch B + alles andere bleibt unverändert“ ist die zuverlässigste Formulierung für Ersetzungen.