01 Die Kernformel
Veo 3.1 versteht strukturierte Regieanweisungen: wer, was er tut, wie sich die Kamera bewegt, wo — und wie es klingt. Dieses Kapitel zerlegt einen guten Prompt in fünf wiederverwendbare Bausteine — und beachte: Der fünfte Baustein ist der Ton, denn jeder Veo-Clip enthält Audio. Ton zu schreiben ist keine optionale Hausaufgabe, sondern Teil des Handwerks.
1.1 Die grundlegende Prompt-Formel
Alles beginnt mit einem Satz: Motiv plus Bewegung sind die beiden Pflichtteile; Kamera, Umgebung und Audio kommen je nach Bedarf dazu. Die Dauer von Veo 3.1 ist fest auf 8 Sekunden eingestellt — betrachte sie als Erzähleinheit, nicht als Einschränkung: 8 Sekunden sind genau ein vollständiger Beat (ein Motiv, eine Kernaktion, eine Kamerabewegung). Frag dich vor dem Schreiben: Wenn in diesen 8 Sekunden nur eine Sache passiert, welche ist es? Eine zweite, hineingequetschte Aktion führt meist dazu, dass beide schlecht ausgespielt werden.
[Motiv] + [Bewegung] + optional [Kamera] [Umgebung] [Audio]
Motiv
Der Star des Bildes — eine Person, ein Tier oder ein Produkt. Je konkreter, desto besser.
Bewegung
Was das Motiv tut, mit Körperteilen und Tempo genau beschrieben; eine Kernaktion pro 8 Sekunden.
Kamera
Bildausschnitt und Kamerabewegung: Nahaufnahme, Heranfahren, Dolly — eine Bewegung pro Einstellung.
Umgebung
Schauplatz und Stimmung: Ort, Tageszeit, Licht, Wetter.
Audio
Soundeffekte, Dialoge, Musik — jeder Veo-Clip enthält Audio; lässt du es leer, improvisiert das Modell.
Sonnenaufgang im Fischerhafen
Prompt
Ein Fischerhafen im Morgengrauen. Ein paar Holzboote heben und senken sich auf dem Wellengang, während ein alter Fischer mit Kegelhut am Bug steht und sich bückt, um ein triefendes Netz Windung um Windung einzuholen. Die Kamera fährt langsam aus niedriger Perspektive vom Pier aus heran, während sich goldenes Morgenlicht über das Wasser ausbreitet. Audio: Wellen, die gegen die Rümpfe schlagen, kreischende Möwen, die vorbeischießen, das Prasseln des aus dem Netz geschüttelten Wassers, das tiefe Dröhnen eines Dieselmotors in der Ferne.
Zwei Sätze für Motiv + Bewegung, je einer für Kamera und Umgebung, dann zum Abschluss die Geräusche benennen — das ist ein solider Veo-Basisprompt. Empfohlen: 1080p, 16:9.
1.2 Kamerasprache
Veo 3.1 setzt Kamerabegriffe zuverlässig um: Heranfahren, Zurückfahren, Dolly/Tracking, Umkreisen und Kranfahrt treffen alle präzise. Eine Disziplinregel: Gib jeder 8-Sekunden-Einstellung nur eine einzige Kamerabewegung; wer Heranfahren, Umkreisen und Schwenk stapelt, kauft sich nur verwackeltes Material. Der Kamerabegriff kann am Anfang oder am Ende des Satzes stehen, aber es darf nur einen pro Clip geben.
Eine Dollyfahrt durch den Morgenmarkt
Prompt
Ein Freiluftmarkt am frühen Morgen. Die Kamera fährt langsam an einer Reihe von Ständen entlang: Bambuskörbe, hoch gefüllt mit taufrischem Gemüse, ein Händler, der den Deckel eines Bambusdämpfers hebt, während weißer Dampf hervorquillt, eine ältere Frau, die Tomaten aussucht und ihre Auswahl in eine Stofftasche fallen lässt. Morgenlicht fällt schräg durch die Lücken der Planenmarkisen, Staubpartikel treiben in den Lichtstrahlen. Audio: Händler, die sich gegenseitig übertönen, das Rascheln von Plastiktüten, das Zischen des angehobenen Dämpferdeckels — lebendig und voller Alltagsleben.
„Die Kamera fährt langsam an … entlang“ ist die zuverlässigste Formulierung für eine Dollyfahrt; reihe die Eindrücke in der Reihenfolge, in der die Kamera sie passiert. Eine Bewegung — die Dollyfahrt — für die gesamten 8 Sekunden.
1.3 Stilkontrolle
Stilbegriffe legen die künstlerische Richtung des gesamten Clips fest — die Position ist flexibel, aber sie dürfen nicht fehlen: „cinematic“, „3D-Animation“, „Aquarell-Illustration“, „Stop-Motion“ und „dokumentarische Handkamera“ sind allesamt Begriffe mit hoher Trefferquote. Halte den Stil in sich stimmig: Eine Origami-Welt sollte nach raschelndem Papier klingen. Wenn Bild und Ton im gleichen Stil geschrieben sind, wirkt das Ergebnis wie eine vollständige Welt.
Ein Reh im Origami-Wald
Prompt
Eine Welt aus Origami: Schicht um Schicht Bäume aus Faltpapier. Ein Papierreh tritt hinter einem Baum hervor, senkt den Kopf, um an einer Origami-Blume zu schnuppern, und blickt dann auf, wobei seine Papierohren sanft zucken. Die Kamera fährt langsam auf eine Seitenansicht des Rehs heran. Stop-Motion-Anmutung, weiches Studiolicht, sichtbare Papiertextur. Audio: das zarte Rascheln von Papier, eine leichte, verspielte Xylophon-Untermalung — wie das Aufschlagen eines Pop-up-Bilderbuchs.
Die Stilbegriffe „Stop-Motion-Anmutung + Papiertextur“ geben den Ton vor, und das Audio passt mit Papierrascheln und Xylophon dazu — eine Welt, ein Stil. Empfohlen: 1080p.
02 Natives Audio
Immer aktives Audio ist das wichtigste Merkmal von Veo 3.1: Jeder Clip kommt mit Ton, es gibt keinen Ausschalter, und eine nachträgliche Vertonung ist nicht nötig — Effekte, Dialoge und Musik werden zusammen mit dem Bild generiert, automatisch synchron. Das macht das Schreiben von Audio zu einer Kernkompetenz beim Veo-Prompting: Je konkreter du bist, desto präziser das Ergebnis; schreibst du nichts, improvisiert das Modell — nicht immer mit der gewünschten Stimmung. Dieses Kapitel teilt den Ton in Effekte, Dialoge und Musik auf und behandelt jeden Bereich einzeln.
2.1 Sounddesign
Soundeffekte schreibst du nach dem Prinzip „benennen + schichten“: Liste jedes gewünschte Geräusch auf und gib dann an, was im Vordergrund und was in der Ferne liegt — zuerst der nahe Hauptklang, in der Mitte die Details, zuletzt die ferne Kulisse. Kombiniere Lautmalerei mit ihrer Quelle für die besten Ergebnisse: „Donner grollt“ schlägt „es gibt Donner“, und „Regen, der auf ein Blechdach trommelt“ schlägt „Regengeräusche“.
Ein Sturm bricht über dem Wald herein
Prompt
Ein Nadelwald im Sturm. Orkanböen biegen die Baumkronen zur Seite, Blitze zerreißen den dunklen Himmel, dicke Regentropfen prasseln auf die Farnblätter, und ein Bergbach rauscht zwischen Felsbrocken. Statische Untersicht zwischen den Bäumen, das Bild flammt bei jedem Blitz hell auf. Audio: dichter Regen, der nah auf die Blätter trommelt, heulender Wind im Wald, das Rauschen des Bachs, dann ein Donnerschlag direkt über dem Kopf, der in die Ferne abrollt.
Schichte das Audio — naher Regen, Wind und Wasser, Donner, der von nah nach fern wandert — wobei der Donner einen vollständigen Verlauf bekommt. 8 Sekunden reichen genau für den kompletten Weg eines einzigen Donnerschlags.
2.2 Figurendialog
Dialoge schreibst du nach dem Prinzip „Zeilen in Anführungszeichen + wer spricht + wie“: Setze die exakten Worte in Anführungszeichen, identifiziere die sprechende Person anhand ihres Aussehens und füge eine Regieanweisung wie „mit einem Lächeln“ oder „leise“ hinzu. Das Modell synchronisiert die Lippen automatisch — in 8 Sekunden passen ein bis zwei kurze Zeilen; je kürzer die Zeile, desto stabiler die Synchronisation. Bei längeren Gesprächen funktioniert eine Aufteilung auf zwei Clips besser.
Die Geschmacksprobe des Küchenchefs
Prompt
In einer Restaurantküche hebt ein Küchenchef mittleren Alters in dunkler Schürze einen Löffel Suppe, pustet darauf, kostet sie und schließt für einen Moment die Augen. Er dreht sich zum jungen Kommis neben sich und sagt mit einem Lächeln: „Etwas fehlt — Wasabi. Nur eine Spur.“ Der Kommis erstarrt kurz, dann nickt er und stürmt zum Gewürzregal. Statische Halbtotale, das Feuerlicht des Herds spielt auf beiden Gesichtern. Audio: das Blubbern des Suppentopfs, das tiefe Brummen der Abzugshaube, die ruhige Stimme des Küchenchefs, das helle Klappern von Pfannenwendern im Hintergrund.
Eine kurze Zeile in Anführungszeichen, die sprechende Person als „Küchenchef in dunkler Schürze“ identifiziert, die Regieanweisung „mit einem Lächeln“ angehängt — dann zum Abschluss die Küchengeräusche schichten. Empfohlen: 16:9.
2.3 Musik und Stimmung
Musik schreibst du als Trio aus „Genre + Stimmung + Instrumente“: „flotter Jazz“ ist vage, während „ein entspanntes Jazz-Trio, Besen, die Kreise auf der Snare ziehen“ präzise ist. Passe die Musik dem Rhythmus des Bildes an — schnell geschnittene Montagen wollen treibendes Tempo, lange Einstellungen ein atmosphärisches Fundament. In rein visuellen Passagen ohne Dialog oder Effekte ist die Musik die einzige Stimme im Mix und verdient den zusätzlichen Satz.
Eine Hafenstadt in der Abenddämmerung
Prompt
Eine Hafenstadt in der Abenddämmerung: Eine Fähre schneidet beim Anlegen durch goldenes Wasser, Bürotürme fangen die untergehende Sonne in ihrem Glas ein, Fußgänger auf einer Brücke werfen lange Schatten, und ein Plattenladen an der Ecke schaltet seine warmen Lampen ein. Die Kamera driftet zwischen diesen vier Vignetten, die Stimmung warm und nostalgisch. Musik: ein entspanntes Jazz-Trio — gezupfter Kontrabass als Fundament, Besen, die sanft Kreise auf der Snare ziehen, ein Saxofon, das mit gelegentlichen Phrasen einsetzt. Gelöst, wehmütig.
Die Musik ist ausformuliert als „Jazz-Trio + entspannte Nostalgie + Bass/Besen/Saxofon“ — das volle Trio, abgestimmt auf das Tempo einer Dämmerungsmontage. Empfohlen: 1080p.
03 Bild zu Video
Ein Startbild plus eine Bewegungsbeschreibung — Veo 3.1 erweckt das Bild zum Leben. Der Fokus deines Prompts verlagert sich von der Beschreibung des Bildes zur Beschreibung der Bewegung, denn das Bild existiert bereits. Eine praktische Regel: Schneide dein Bild vor dem Hochladen auf das Zielformat zu (16:9 oder 9:16), damit der Bildausschnitt in deiner Hand bleibt und keine wichtigen Inhalte dem automatischen Zuschnitt zum Opfer fallen. Schreibe den Ton wie gewohnt: Ein Standbild enthält keine Audio-Informationen, also kommen Effekte und Musik vollständig aus deinem Prompt.
3.1 Das Bild zum Leben erwecken
Ein Bild-zu-Video-Prompt beschreibt nur drei Dinge: was sich bewegt, wie es sich bewegt und ob sich die Kamera bewegt. Erzwinge nichts, was nicht im Bild ist — aber alles, was bereits da ist, kann erweckt werden: ein flatternder Mantelsaum, treibende Wolken, eine flackernde Flamme. Kleine Bewegungen treffen am zuverlässigsten. Füge eine Zeile hinzu — „die ursprüngliche Textur des Bildes beibehalten“ — und der Stil driftet nicht ab.
Eine handgezeichnete Skizze erwacht
Prompt
Bringe diese handgezeichnete Skizze zum Leben: Das Mädchen steht auf der Brücke, Haar und Schal heben sich sanft im Wind. Sie hebt eine Hand, um eine vom Wind verwehte Strähne hinter ihr Ohr zu streichen, die gezeichneten Linien des Flusses unter der Brücke kräuseln sich in fließendem Licht, und die skizzierten Wolken ziehen langsam darüber hinweg. Die Kamera bleibt fixiert; die Bewegung ist subtil und natürlich, wobei die ursprüngliche Bleistiftskizzen-Textur und Papierkörnung durchgehend erhalten bleiben. Audio: eine sanfte Brise, ein leises, papierähnliches Rascheln, ein ruhiges Klaviersolo.
Erfordert 1 Startbild; beschreibe nur die Bewegung, beschreibe die Szene niemals erneut, und lass „die ursprüngliche Bleistiftskizzen-Textur beibehalten“ den Stil sichern.
3.2 Produktpräsentation
Bei E-Commerce-Produktclips deckt der Prompt zwei Dinge ab: wie sich das Produkt bewegt (rotieren, schweben, kippen) und wie die Kamera mitspielt (umkreisen, heranfahren). Füge eine Zeile hinzu — „das Produkt identisch zum Bild halten“ — um die Details zu fixieren, und benenne dann Licht und Hintergrund. Audio ist das Detail, das die meisten Produktclips vergessen: das Klicken eines Kartondeckels, eine hochwertig wirkende Untermalung — Kleinigkeiten, die die Conversion bewegen.
Ein schwebender Laufschuh
Prompt
Der Laufschuh aus dem Bild hebt sich langsam vor dunkelgrauem Hintergrund und schwebt, während er eine volle, gleichmäßige Umdrehung vollführt — die gewebte Textur des Obermaterials und seine reflektierenden Streifen fangen das Licht ein. Die Kamera fährt langsam auf eine Nahaufnahme der Zwischensohle heran und enthüllt die Dämpfungsstruktur. Das Produkt identisch zum Bild halten. Studiobeleuchtung, sauberer Premium-Look. Audio: ein sanftes Rauschen beim Abheben des Schuhs, untermalt von einem minimalistischen, technisch angehauchten elektronischen Score mit stetigem Beat.
Erfordert 1 Produktbild; „eine volle Umdrehung + Heranfahrt zur Nahaufnahme“ ist die klassische Kombination für Produktpräsentationen, mit passendem Tech-Score.
04 Reference-to-Video und Fast
Veo 3.1 Fast ist die preisgünstige Stufe für hohe Stückzahlen: gleiche Bildspezifikationen wie das Standardmodell (720p/1080p/4K, 8 Sekunden, immer aktives Audio) zu einem freundlicheren Preis — ideal für Entwürfe und die Batch-Produktion. Außerdem besitzt es exklusiv eine Fähigkeit: Reference-to-Video (r2v). Lade 1–3 Referenzbilder hoch, um das Aussehen einer Figur zu fixieren und diese Figur in jede beliebige neue Szene zu schicken. Harte Regel: Die Ausgabe von Reference-to-Video ist auf 16:9-Querformat festgelegt; für vertikale Videos wechsle zurück zu Text-zu-Video oder Bild-zu-Video.
4.1 Die Figuren-Referenz-Formel
Ein Reference-to-Video-Prompt ist ein dreiteiliger Aufbau: Bringe die Assets mit „Bild N“ auf die Bühne, beschreibe, was in der neuen Szene passiert, und schließe mit einer Konsistenz-Zeile ab. Die Upload-Reihenfolge ist die Nummerierungsreihenfolge — der erste Upload ist Bild 1, der zweite Bild 2, bis zu 3 Bildern. Mehrere Winkel derselben Figur funktionieren am besten; das Modell erstellt daraus ein vollständiges Identitätsprofil.
[Referenzen: Bild 1…Bild 3] + [Szenenbeschreibung] + [Motiv] konsistent halten
Referenzbilder
Bis zu 3 Bilder, im Prompt als „Bild N“ zitiert; die Upload-Reihenfolge ist die Nummerierungsreihenfolge.
Szenenbeschreibung
Was in der neuen Szene passiert: Aktion, Umgebung, Kamera, Audio.
Konsistenz
Eine Abschlusszeile wie „identisch zu den Referenzbildern halten“ verstärkt die Fixierung.
Ein Roboter-Maskottchen tanzt auf dem Platz
Prompt
Das weiße, rundköpfige kleine Roboter-Maskottchen aus Bild 1 und Bild 2 erscheint nachts auf einem Stadtplatz, über einen riesigen Bodenbildschirm fließt buntes Licht. Es legt zur Musik einen Streetdance hin: Gleitbewegungen von einer Seite zur anderen, roboterhafte Freezes und eine finale Pose mit erhobenem Arm. Die Kamera umkreist es aus mittlerer Distanz im Halbkreis. Das Maskottchen identisch zu den Referenzbildern halten; Qualität einer 3D-Animation. Audio: ein energiegeladener Funk-Track, leises mechanisches Surren aus den Robotergelenken und ein knackiger Sound-Akzent beim finalen Freeze.
Erfordert 1–3 Referenzbilder; dieses Beispiel wechselt automatisch zu Veo 3.1 Fast mit 16:9-Querformat-Ausgabe. Mehrere Winkel derselben Figur liefern die beste Konsistenz.
Clara im Archiv (offizielles Konsistenzbeispiel)
Prompt
A medium shot, with the camera slowly dollying forward in a dimly lit, grand Parisian archive. Dust motes dance in a single beam of light from a high window. Clara, a historian in her early 30s, with observant, dark brown eyes that hold a quiet intensity. She has chin-length, black hair styled in a classic bob. She is dressed in a sophisticated, dark navy-blue wool coat, with a silk scarf patterned with subtle gold and cream designs tied around her neck. She stands before a large, ancient wooden table, carefully turning the fragile, yellowed page of a massive, leather-bound book. Her expression is one of deep concentration. In a voice that is crisp and clear, with a thoughtful, analytical tone and a standard American accent, Clara says: It has to be here.
Das wörtliche Beispiel aus Googles offizieller Best-Practice-Dokumentation: Aussehen und Stimme werden in einem Absatz detailliert und wortgenau festgelegt, der in jeder neuen Szene unverändert wiederverwendet wird — nur Aktion und Setting ändern sich. Zusammen mit demselben Seed entsteht so eine konsistente visuelle und stimmliche Identität über Szenen hinweg. Die Zeile wird mit einem Doppelpunkt eingeleitet, keine Anführungszeichen.
4.2 Wann du Fast nutzen solltest
In einem Satz: Entwerfe mit Fast, finalisiere mit Standard. Prompt-Iteration, Storyboard-Animatics und Batch-Content für Social Media vervielfachen den Kostenvorteil von Fast; für die finalen Hero-Shots, bei denen jedes Detail zählt, wechsle zurück zum Standardmodell für maximale Wiedergabetreue. Und wann immer du Reference-to-Video nutzt, bist du bereits auf Fast — der einzige Fall, in dem die Wahl für dich getroffen wird.
Ein Ölgemälde zum Leben erwecken
Prompt
Bild 1 ist ein Ölgemälde: Abenddämmerung in einer Küstenstadt, Fischerboote ruhen auf dem Sand, ein Kirchturm leuchtet in der Ferne. Bringe die gemalte Welt zum Leben: Rauch kräuselt sich aus den Schornsteinen, das Meer schimmert in dicken Impasto-Strichen, ein Fischer überquert mit einem Ruder auf der Schulter den Strand, und das Lampenlicht des Kirchturms flackert sanft. Die Kamera schwenkt extrem langsam und bewahrt durchgehend die kräftige Pinselführung und Farbtextur. Den Stil identisch zum Referenzbild halten. Audio: ferne Wellen, die Kirchenglocke schlägt dreimal zum Abend, Möwen rufen — ruhig und weit tragend.
Erfordert 1–3 Referenzbilder; dieses Beispiel wechselt automatisch zu Veo 3.1 Fast. Bei Stilreferenzen doppelt absichern mit „die Pinselführung beibehalten“ plus „den Stil identisch halten“.