01 Die Drei-Spuren-Formel
Die meisten Videomodelle erzeugen ein Bild; H3 erzeugt einen Film — Bild, Umgebungsgeräusche und Musik entstehen im selben Durchgang. Das ändert die Art, wie du schreibst: Ein guter H3-Prompt beschreibt, was wir sehen, wie die Szene klingt und (optional) welche Musik darunter liegt. Dieses Kapitel baut dieses Grundgerüst auf und behandelt danach die zwei Regler, die jede Aufgabe braucht: Auflösung und Dauer.
1.1 Für Augen und Ohren gleichzeitig schreiben
Beginne mit einem Satz aus Motiv und Aktion, dann kommen Kamera, Umgebung und — die H3-spezifische Gewohnheit — Sound dazu. Da Audio gemeinsam mit dem Bild generiert wird, wird alles, was du nicht angibst, für dich erfunden. Eine Zeile Atmosphäre und eine Zeile Musik reichen meist, um die Kontrolle zu übernehmen. Natürliche Sprache funktioniert; H3 wurde außerdem auf ein strengeres strukturiertes Format trainiert, dem wir in Kapitel 3 begegnen.
[Motiv] + [Aktion] + optional [Stil] [Kamera] [Umgebungssound] [Musik]
Motiv
Worum es in der Einstellung geht — je konkreter die Beschreibung, desto stabiler das Ergebnis.
Aktion
Was das Motiv tut, ein klarer Schritt nach dem anderen. Vage Verben erzeugen vage Bewegung.
Stil
Der Gesamtlook, gleich zu Beginn genannt: cineastischer Realfilm, 2D-Animation, Knetanimation, Vintage-Film.
Kamera
Einstellungsgröße und Bewegung. H3 folgt expliziter Kamerasprache sehr gut — Kapitel 2 liefert das vollständige Vokabular.
Umgebungssound
Wie die Szene selbst klingt: Regen, Verkehr, brutzelndes Öl. Die Figuren können das hören.
Filmmusik
Musik, die nur das Publikum hört. Nenne Instrumente und Tempo, keine Stimmungen.
Die nächtliche Nudelbude
Prompt
Realfilm, cineastisch. Eine nächtliche Straßen-Nudelbude leuchtet unter einer einzelnen Hängelampe; der Koch hebt ein Sieb voller Nudeln aus dem sprudelnden Wasser, Dampf flutet das Bild, und schüttet sie in eine wartende Schüssel. Die Kamera hält eine Halbtotale und fährt dann langsam auf die Schüssel zu. Das Kochwasser brodelt, das Sieb klappert auf dem Topfrand, in der Ferne fahren Roller vorbei. Eine einsame Erhu-Melodie spielt leise unter der Szene.
Ein Motiv, eine klare Aktion, eine Kamerabewegung — und beide Soundebenen benannt. Das ist die Grundform des H3-Prompts.
Leuchtturm im Sturm
Prompt
Realfilm, cineastisch, kühle blaugraue Farbpalette. Ein Leuchtturmwärter im gelben Regenmantel lehnt sich auf der Umgangsplattform in den Wind und klammert sich ans Geländer, während die Gischt über ihn hereinbricht; der Lichtstrahl zieht zweimal vorbei. Die Kamera fährt mit großer Amplitude bei langsamer Geschwindigkeit nach rechts und hält ihn vor der aufgewühlten See im Bild. Der Wind heult, Wellen schlagen auf die Felsen unten, der Regenmantel knattert und flattert. Tiefe, gehaltene Streicher bauen sich langsam auf und bleiben ohne Auflösung stehen.
Alle sechs Elemente im Einsatz — zuerst der Stil, dann Motiv, Aktion, eine explizite Kamerabewegung und je eine Zeile für Umgebungssound und Musik.
1.2 Auflösung & Dauer: 768p zum Ausprobieren, 2K für die Auslieferung
Zwei Auflösungen — 768p und natives 2K — und ein durchgehender Regler von 4–15 Sekunden, der jede ganze Zahl akzeptiert. Der Arbeitsrhythmus: Iteriere in 768p, wo jede Sekunde nur einen Bruchteil von 2K kostet, und führe den Gewinner-Prompt dann in 2K für den finalen Schnitt erneut aus. Passe die Aktionsdichte an die Sekunden an: Ein Beat pro 4–5 Sekunden ist zuverlässig; 15 Sekunden tragen eine Miniaturszene mit drei Beats. H3 rendert in jeder Stufe mit 24 fps und Stereo-Audio.
Der Koi-Teich in 2K
Prompt
Realfilm, dokumentarischer Makrostil. Ein Koi-Teich nach dem Regen: Orangefarbene und weiße Kois gleiten unter einer von Tropfen gesprenkelten Oberfläche, Seerosenblätter erzittern, wenn Fische darunter hindurchschwimmen, ein Ahornblatt dreht sich langsam in der Strömung. Die Kamera beginnt mit einer langsamen Neigung nach unten und hält dann eine statische Einstellung, während drei Kois auf eine treibende Brotkrume zuschwimmen. Leises, ausklingendes Regenprasseln, Wasser, das gegen Stein schwappt, ein einzelnes Plätschern, wenn ein Koi die Oberfläche durchbricht. Keine Musik.
Vorgeladen mit 15 Sekunden in 2K — bei texturreichen Motiven wie Wasser, Schuppen und Laub zahlt sich natives 2K sichtbar aus. Beachte: „Keine Musik“ ist selbst eine Regieanweisung — sie hält die Musikspur leer.
02 Multi-Shot-Timelines
H3 bildet Schnitte nativ ab — du kannst eine geschnittene Sequenz inszenieren, nicht nur eine einzelne Einstellung. Die Konvention: Beginne mit [Shot 1] und leite jede weitere Einstellung mit einem Tag und einem Zeitstempel ein, etwa [Shot 2] Um 00:04.000. Zeitstempel müssen streng ansteigen und innerhalb der Videodauer bleiben. Dieses Kapitel behandelt die Shot-Liste und das Kamera-Vokabular, das sich innerhalb jeder Einstellung bewegt.
2.1 Die Shot-Liste: Tags + Zeitstempel
Schreibe jede Einstellung als eigenen Satzblock: das Tag, die Schnittzeit, dann was die neue Einstellung zeigt. Nutze einen Schnitt, um wirklich neue Information einzuführen — ein neues Motiv, einen neuen Raum oder eine neue Perspektive; ändert sich nur die Distanz, bewege stattdessen die Kamera. Plane die Sekunden ehrlich: Ein 12-Sekunden-Video trägt drei Einstellungen bequem, fünf sind schon grenzwertig.
[Shot 1] Eröffnungseinstellung … [Shot N] Um MM:SS.mmm schneidet die Kamera zu …
Shot-Tag
[Shot 1] eröffnet das Video ohne Zeitstempel; jede weitere Einstellung bekommt ihr eigenes nummeriertes Tag.
Schnittzeit
MM:SS.mmm am Anfang jeder weiteren Einstellung — streng ansteigend und immer innerhalb der Gesamtdauer.
Schnitt-Formel
„Die Kamera schneidet zu“ ist das Arbeitspferd; „die Einstellung geht über in“ und ähnliche Varianten funktionieren ebenfalls. Überblendungen und Abblendungen nur, wenn du sie wirklich willst.
Neue Information
Was dieser Schnitt zeigt, das die letzte Einstellung nicht zeigen konnte — neues Motiv, neuer Raum, neue Perspektive. Ein Schnitt ohne neue Information sollte eine Kamerabewegung sein.
Morgenmarkt in drei Einstellungen
Prompt
Realfilm, cineastisch, warmes Morgenlicht. [Shot 1] Eine Totale eines überdachten Markts, der erwacht: Händler rollen die Rollläden hoch, Kisten mit Orangen werden zu Pyramiden gestapelt, Sonnenlicht fällt durch Lücken im Dach. [Shot 2] Um 00:04.000 schneidet die Kamera auf eine Nahaufnahme der Hände eines Fischhändlers, die glänzende Makrelen auf Crushed Ice legen, Wassertropfen spritzen. [Shot 3] Um 00:08.000 schneidet die Kamera auf eine ältere Kundin, die eine Orange an die Nase hebt, die Augen schließt und lächelt. Rollläden rattern, Eis knirscht, das Murmeln der Menge schwillt allmählich an. Ein leichtes Akustikgitarren-Pattern im Schritttempo.
Drei Einstellungen in 12 Sekunden — die Totale etabliert, die Nahaufnahme zeigt Details, das Gesicht reagiert. Die Zeilen für Klanglandschaft und Musik stehen nach der Shot-Liste und gelten für das ganze Video.
2.2 Kamera-Vokabular: Typ × Amplitude × Geschwindigkeit
H3 versteht ein präzises Kamera-Vokabular — Schwenk (Pan), Seitwärtsfahrt (Truck), Neigen (Tilt), Heben/Senken (Pedestal), Heranfahren (Push in), Herausfahren (Pull out), Zoom, Kreisfahrt (Arc), Tracking, statisch, POV, Handkamera-Verwacklung, Roll — und jede Bewegung akzeptiert zwei optionale Modifikatoren: Amplitude (klein oder groß) und Geschwindigkeit (langsam oder schnell). Schreibe die Bewegung als natürliche Aktion innerhalb der Einstellung, nicht als Tag-Aneinanderreihung am Ende. Mittlere Amplitude und normale Geschwindigkeit sind die Standardwerte; erwähne sie nur, wenn sie wichtig sind.
Um den Bildhauer herum
Prompt
Realfilm, cineastisch, eine einzige durchgehende Einstellung. In einem staubigen, von Fensterlicht durchfluteten Atelier meißelt ein Bildhauer das Gesicht einer Marmorfigur und hält inne, um den Staub vom Wangenknochen zu pusten. Die Kamera umkreist ihn mit großer Amplitude bei langsamer Geschwindigkeit und enthüllt das Gesicht der Figur erst, wenn die Kreisfahrt abgeschlossen ist. Meißelschläge hallen auf Stein wider, Staub rieselt flüsternd von der Oberfläche, eine Taube gurrt auf dem Oberlicht. Keine Musik.
Eine Einstellung, eine Kreisfahrt — Amplitude und Geschwindigkeit der Arc-Bewegung sind ausgeschrieben, und die Enthüllung ist an den Kamerapfad gebunden. So gezielte Bewegung ist genau das, wofür das dreidimensionale Vokabular gedacht ist.
03 Regie für nativen Stereo-Sound
H3 gibt bei jeder Generierung Stereo-Audio aus — es gibt keinen Audio-Schalter, also lautet die eigentliche Frage, ob du den Soundtrack inszenierst oder dem Zufall überlässt. Sprache wird lippensynchron zur sprechenden Person und gemeinsam mit dem Bild generiert. Dieses Kapitel behandelt die drei Audio-Werkzeuge: Dialog im Bild, Voice-over aus dem Off und die Zweiteilung in Szenensound und Filmmusik.
3.1 Dialog: Wer spricht, was gesagt wird und wie
Das zuverlässige Rezept hat drei Teile: Identifiziere die sprechende Person (Alter, Stimmcharakter), gib die exakte Textzeile an und inszeniere den Vortrag. Die native Notation von H3 versieht jede sprechende Person mit einer stabilen ID wie (S1) und fasst die Zeile als <d>[German] …</d> — das Tag benennt die gesprochene Sprache, und die Zeile darin bleibt wortwörtlich erhalten. Anführungszeichen funktionieren auch, aber die getaggte Form ist am deterministischsten. Halte die Zeilen kurz: ein bis zwei Sätze pro 10 Sekunden. Jeder Text, der im Bild erscheinen soll — Schilder, Aufschriften — gehört stattdessen in doppelte Anführungszeichen.
Die Buchhandlungsempfehlung
Prompt
Realfilm, cineastisch, warmes Wolframlicht. In einem engen Antiquariat zieht die Inhaberin — eine Frau in den Sechzigern mit tiefer, gelassener Stimme (S1) — einen leinengebundenen Roman aus einem hohen Regal, klopft zweimal auf den Einband und reicht ihn über den Tresen, mit stiller Gewissheit sagend: <d>[German] Alle fragen nach dem berühmten. Das hier ist der, den sie behalten.</d> Die Kamera hält eine halbnahe Einstellung über die Schulter der Kundin. Seiten rascheln, ein Dielenbrett knarrt, Regen tickt gegen das Schaufenster. Keine Musik.
Sprecherin mit Alter und Stimmcharakter etabliert, mit (S1) getaggt, Zeile in <d>[German] …</d> gefasst, Vortrag mit „stiller Gewissheit“ inszeniert — das komplette Dialog-Rezept in einem Prompt.
3.2 Voice-over: Erzählstimme über dem Bild
Für Erzählstimmen hat H3 eine feste Formulierung, die man wörtlich übernehmen sollte: Die Person „sagt in einem Voice-over aus dem Off“, gefolgt von der Zeile — und direkt danach gibst du an, dass die Lippen der Figur im Bild geschlossen bleiben. Dieser letzte Zusatz ist keine Dekoration; er verhindert, dass das Modell deine Erzählung der Person im Bild auf die Lippen legt.
Der Brief aus den Bergen
Prompt
Realfilm, cineastisch, gedämpfte Farben. Ein junger Mann wandert einen Serpentinenpfad über einem nebelgefüllten Tal, sein Atem sichtbar in der kalten Luft. Die verwitterte Stimme eines älteren Mannes (S1) sagt in einem Voice-over aus dem Off: <d>[German] Dein Großvater ist diesen Weg jeden Herbst gegangen. Jetzt weißt du, warum.</d> während die Lippen des Wanderers vollständig geschlossen bleiben. Die Kamera folgt ihm von hinten mit kleiner Amplitude bei langsamer Geschwindigkeit und neigt sich dann zur Kammlinie hoch. Wind fährt durch trockenes Gras, Stiefel knirschen auf Kies, in der Ferne schreit ein Habicht. Spärliche Klaviertöne in langsamem Tempo, die verklingen, bevor das Video endet.
Die Voice-over-Formulierung plus der Zusatz „Lippen bleiben vollständig geschlossen“ sind das Paar, das Erzählstimme von Bild-Dialog trennt — lässt du die zweite Hälfte weg, fängt der Wanderer womöglich an, die Worte mitzumurmeln.
3.3 Zwei Ebenen: Szenensound vs. Filmmusik
H3 denkt Audio in zwei Ebenen. Szenensound ist alles, was die Figuren hören könnten — Atmosphäre, Aktionsgeräusche, Atemzüge. Filmmusik ist Musik, die nur das Publikum hört — beschreibe sie über Instrumentierung, Tempo und Dynamik, niemals über Stimmungsworte. Im nativen strukturierten Format von H3 sind das Felder mit genau diesen Bezeichnungen: Die Timeline steht unter integrated_multimodal_description, der Szenensound unter overall_soundscape und die Musik unter non_diegetic_music (schreibe N/A für Stille). Molyin reicht deinen Prompt unverändert durch, du kannst also das komplette Drei-Felder-Layout in die Prompt-Box einfügen — das Beispiel unten ist ein solches, fertig zum Absenden.
integrated_multimodal_description: [Shot 1] … ⏎ overall_soundscape: [Atmosphäre + Aktionsgeräusche] ⏎ non_diegetic_music: [Instrumentierung + Tempo + Dynamik, oder N/A]
Atmosphäre
Der durchgehende Klangteppich der Szene: Regen, Raumton, Verkehr. 1–4 Sätze, die das ganze Video abdecken.
Aktionsgeräusche
Physische Ereignisse, die Lärm machen — Schritte, Aufschläge, Stoff. Dialog bleibt im Timeline-Feld, nicht hier.
Musikangabe
Instrumente, Tempo, dynamischer Verlauf — „spärliches Klavier, langsam, anschwellende Streicher“. Nicht „emotionale Musik“. N/A bedeutet Stille.
Regen auf dem Dach, vollständiges natives Format
Prompt
integrated_multimodal_description: [Shot 1] Realfilm, cineastisch, eine Halbtotale zeigt eine Frau, die unter einem Wellblechvordach auf der Dachterrasse eines Wohnhauses steht, während Abendregen fällt, und einen angeschlagenen Becher Tee hält. Sie beobachtet, wie die Lichter der Stadt unten verschwimmen, dann schließt sie die Augen und atmet langsam aus. [Shot 2] Um 00:05.000 schneidet die Kamera auf eine Nahaufnahme des Bechers: Dampf ringelt sich durch das Regenlicht nach oben, ein Tropfen vom Vordach trifft den Rand und spritzt auf. overall_soundscape: Gleichmäßiger Regen trommelt auf das Wellblechvordach und zischt auf den Straßen darunter. Der Becher klirrt einmal gegen ihren Ring, und ein langes Ausatmen ist unter dem Regen hörbar. non_diegetic_music: Ein gedämpftes Filzklavier-Motiv in langsamem Tempo, das sich wiederholt, mit leichtem Anschwellen in der zweiten Hälfte und ohne Auflösung.
Das ist das komplette native Drei-Felder-Layout, unverändert in die Prompt-Box eingefügt. Nutze es, wenn du framegenaue Kontrolle willst; für schnelle Aufgaben reicht der fließende Stil aus Kapitel 1.
04 Bild zu Video
Gib H3 ein Startbild, und es entwickelt die Szene aus genau diesem Bild weiter — Identität, Kleidung, Bildaufbau und Stil verankern sich an dem, was du hochlädst. Das Seitenverhältnis der Ausgabe folgt dem Quellbild, komponiere dein Standbild also in dem Format, in dem du veröffentlichen willst. Füge ein Endbild hinzu, und H3 interpoliert den Weg zwischen den beiden.
4.1 Startbild: Erst verankern, dann entwickeln
Die bewährte Struktur: erst verankern, dann bewegen. Beginne damit, zu bestätigen, was das Bild festlegt — Motiv, Position, Stimmung — und beschreibe dann die nächste Aktion, das Kameraverhalten und den Sound. Beschreibe nicht jedes Pixel neu und widersprich dem Bild nicht; der Frame hat diese Diskussion längst gewonnen. Kleine, physische Bewegungen haben die höchste Trefferquote.
Das alte Fahrrad erwacht
Prompt
Ausgehend von diesem Bild erwacht die Szene zum Leben: Das Vorderrad des Fahrrads beginnt sich langsam zu drehen, die in die Speichen geklemmte Spielkarte tickt immer schneller, und die Lenkerfransen heben sich in einer aufkommenden Brise. Die Kamera fährt mit kleiner Amplitude bei langsamer Geschwindigkeit auf die sich drehenden Speichen zu. Das Ticken der Karte steigert sich zu einem leisen Klappern, Wind fährt durch die Gasse, weit entfernt bellt einmal ein Hund. Keine Musik.
Lade ein Startbild hoch. Der Prompt verschwendet kein Wort auf die Beschreibung des Fahrrads — das Bild besitzt den Look; die Worte besitzen die Bewegung und den Sound.
4.2 Start- + Endbild: Beschreibe den Weg
Mit beiden hochgeladenen Bildern kehrt sich die Aufgabe deines Prompts um: Überspringe die Endpunkte — sie sind bereits fixiert — und schreibe den Weg dazwischen. Wie bewegt sich das Motiv, was geht von Hand zu Hand, wie entwickelt sich die Bildkomposition, und wie schließen sich die Unterschiede zwischen den beiden Bildern schrittweise? Bleibe bei einer einzigen durchgehenden Einstellung, damit das Modell sauber interpolieren kann, und gib größeren visuellen Sprüngen mehr Sekunden.
Die Schüssel nimmt Form an
Prompt
Auf der sich drehenden Töpferscheibe wächst der Klumpen feuchten Tons unter den hohlen Händen der Töpferin empor: Ihre Daumen drücken eine Vertiefung in die Mitte, die Wände steigen auf und öffnen sich nach außen, und Schlicker läuft über ihre Handgelenke, während sich die Form in die Silhouette der fertigen Schüssel fügt. Die Kamera hält den ganzen Weg eine statische Nahaufnahme auf den Scheibenkopf. Die Scheibe summt gleichmäßig, feuchter Ton schmatzt unter ihren Handflächen, Wasser tropft von ihren Fingern in die Wanne.
Lade den Klumpen als Startbild und die fertige Schüssel als Endbild hoch — der Prompt erzählt nur die Verwandlung. Acht Sekunden geben der Interpolation Raum; ein größerer Abstand zwischen den Bildern verdient mehr.
05 Referenz-Casting
Die Spezialfähigkeit von H3: ein gemeinsamer Kontext, der bis zu 9 Bilder, 3 Videoclips (je 2–15 s, 15 Sekunden insgesamt) und 3 Audiospuren in einer Anfrage liest — und ein Prompt, der ihm sagt, was jedes Asset beiträgt. Benenne Assets nach Art und Upload-Reihenfolge — Bild 1, Video 1, Audio 1 — und weise jedem eine Rolle zu. Das ist Casting, keine Dekoration: das Aussehen aus einem Asset, die Bewegung aus einem anderen, die Stimme aus einem dritten.
5.1 Jedes Asset benennen, jede Rolle zuweisen
Die Regel, die Multi-Referenz funktionieren lässt: Jedes hochgeladene Asset wird benannt und bekommt eine Aufgabe. „Nutze die Kamerabewegung aus Video 1 und setze die Figur aus Bild 1 ins Bild“ — Art plus Upload-Reihenfolge, die Rolle direkt ausgesprochen. Nicht zugewiesene Referenzen laden das Modell zum Raten ein. Bilder liefern Identität, Szenen und Stil; Videos liefern Kamerabewegung, Rhythmus und Struktur; Audio liefert Stimmklang und musikalisches Gefühl. Die ersten 5 Referenzbilder sind kostenlos; ab dem 6. fällt ein kleiner Aufschlag pro Bild an — der Kalkulator zeigt ihn, bevor du absendest.
[Bild/Video/Audio N] liefert [Rolle] + Zielbeschreibung + optional [Konsistenz-Sicherung]
Benannte Assets
Bild 1, Video 1, Audio 1 — Art plus Upload-Reihenfolge. Die Nummerierung beginnt innerhalb jeder Art neu.
Rollen
Was jedes Asset beiträgt: Aussehen, Szene, Kamerabewegung, Tempo, Stimmklang, Musikstil.
Konsistenz-Sicherung
Die Merkmale, die erhalten bleiben müssen: Haare, Kleidung, Farbpalette, Licht. Schreibe sie in Worte, auch wenn das Bild sie zeigt.
Der Gang im Trenchcoat
Prompt
Die Frau aus Bild 1 geht durch die regennasse, neonbeleuchtete Straße auf die Kamera zu und folgt der Kamerabewegung und dem Tempo von Video 1 — einer langsamen rückwärtigen Tracking-Fahrt, die sie im Zentrum hält, während sie voranschreitet. Halte ihre Identität konsistent: kurzes silbernes Haar, dunkelgrüner Trenchcoat mit hochgestelltem Kragen, ruhiger, gelassener Gang. Pfützen spritzen unter ihren Stiefeln, Regen zischt auf Neonschilder, eine Synth-Basslinie pulsiert in langsamem Tempo.
Lade ein Figurenbild und einen Kamera-Referenzclip hoch. Jedes Asset ist benannt, jedes hat genau eine Aufgabe, und die Konsistenz-Sicherung formuliert in Worten, was nicht driften darf.
5.2 Konsistente Figuren, geliehene Stimmen
Bei einer wiederkehrenden Figur leistet die Referenz die Schwerstarbeit und die Sprache die Absicherung: Benenne die Identitätsmerkmale explizit neben der Bildreferenz, und sie halten über Einstellungen hinweg. Audio-Referenzen erweitern das auf die Stimme — weise einer sprechenden Person eine hochgeladene Spur zu, und H3 trifft deren Klangfarbe und Vortrag, ohne die Aufnahme zu kopieren. So gibst du einer generierten Figur über eine Serie hinweg eine konsistente Stimme. Audio-Referenzen sind frei von Aufschlägen.
Der Straßenmusiker
Prompt
Der Straßenmusiker aus Bild 1 — junger Mann, offenes lockiges Haar, Jeansjacke über weißem T-Shirt, abgegriffene Akustikgitarre — tritt in der Abenddämmerung unter einem steinernen Torbogen auf. Er schlägt zweimal die Saiten an, schließt die Augen und singt (S1) mit der Stimmfarbe und dem entspannten Vortrag von Audio 1: <d>[German] Ein weiterer Tag geht zur Neige, und ich bin immer noch auf dieser Seite der Stadt.</d> Die Kamera fährt langsam von einer Totalen auf eine halbnahe Einstellung zu, während Passanten langsamer werden, um zuzuhören. Gitarrensaiten klingen im natürlichen Hall des Torbogens nach, Münzen klirren in den offenen Gitarrenkoffer, dahinter murmelt der Abendverkehr.
Lade ein Figurenbild und eine Gesangsspur hoch. Die (S1)-Stimme übernimmt die Klangfarbe der Audiospur — die Aufnahme steuert, wie die Stimme klingt, die <d>-Zeile bestimmt, was sie singt. Vorgeladen mit 12 Sekunden in 2K für die Details der Performance.