Veo 3: So schreibst du Prompts für KI-Videos (und das native Audio, das alles verändert)

Jahrelang war Video mit KI ein Jahrmarktstrick: Vier-Sekunden-Clips, stumm, mit schmelzenden Händen und Gesichtern, die mitten in der Einstellung wechselten. Du hast es in einer Story gezeigt, es kam gut an, und danach taugte es zu nichts Ernsthaftem. Der Sprung, der das Gespräch verändert hat, war nicht nur, dass das Bild besser wurde. Es war, dass das Video anfing, von selbst zu klingen.

Das ist Veo 3. Und deshalb solltest du, wenn du Content machst, verstehen, wie es funktioniert und vor allem, wie man mit ihm spricht.

Was Veo 3 ist und was es auszeichnet

Veo 3 ist die Modellfamilie zur Videogenerierung von Google DeepMind. Du gibst ihm einen Text (oder ein Ausgangsbild) und es liefert dir einen Clip zurück. So weit wie die anderen. Der Unterschied, der es vom Feld abgesetzt hat, steckt in einem einzigen Wort: Audio.

Die meisten Videomodelle erzeugen ein stummes Bild. Später klebst du dann in einem anderen Programm von Hand Musik, Effekte und Stimmen dran. Veo 3 erzeugt das Audio nativ und synchronisiert innerhalb derselben Einstellung: Dialoge mit passendem Mund, Schritte, die klingen, wenn der Fuß den Boden berührt, Café-Atmosphäre im Hintergrund, das Quietschen einer Tür genau in dem Moment, in dem sie sich öffnet. Es ist keine Spur, die du hinterher hinzufügst; es entsteht am Video klebend.

Das klingt nach technischem Detail, aber für einen Creator verändert es alles. Es bedeutet, dass ein einziger Prompt dir eine veröffentlichungsfertige Szene geben kann: Bild, Stimme und Ton zugleich. Der Flaschenhals des Schnitts schrumpft auf einen Schlag.

Die heutigen Specs, ohne etwas zu erfinden:

• Dauer: Clips von 4, 6 oder 8 Sekunden. Für etwas Längeres verkettest du Generierungen (und die Kosten steigen proportional).
• Auflösung: 720p, 1080p und 4K (das 4K über die Gemini-API und Vertex AI, mit Aufpreis).
• Format: 16:9 und 9:16 (horizontal und vertikal), genau das, was du für YouTube oder für Reels und TikTok brauchst.
• Varianten: Veo 3.1 (Qualität), Veo 3.1 Fast (schneller und günstiger) und Veo 3.1 Lite (die leichteste). Alle mit nativem Audio.

Wie du drankommst und was es kostet

Veo 3 wohnt nicht hinter einer einzigen Tür. Du hast je nach Zweck mehrere Eingänge:

• Gemini-App — der direkteste Weg, um es vom Handy oder Browser aus auszuprobieren.
• Google Flow — das Werkzeug für „Kino mit KI“ von Google, gedacht zum Verketten von Einstellungen und Zusammenbauen von Szenen. Hier glänzt Veo für alle, die wirklich produzieren.
• Gemini-API — für Entwickler, die es in ihr eigenes Produkt oder ihren Workflow integrieren wollen.
• Vertex AI — die Unternehmensversion, mit ihren drei Tiers (3.1, Fast und Lite) und Upscaling-Optionen.

Zum Preis, ohne Marketing und mit den Zahlen, die Google nennt:

• Google AI Pro — etwa 20 $/Monat. Enthält ein Kontingent an Flow-Credits (in der Größenordnung von 1.000 pro Monat), das für ein paar Dutzend Clips reicht, je nachdem, ob du Lite, Fast oder Qualität nutzt. Standardmäßig greift es auf Veo 3.1 Lite zurück und rendert in 720p. Das ist der Plan, um es ernsthaft auszuprobieren, ohne dich zu ruinieren.
• Google AI Ultra — etwa 250 $/Monat. Der große Sprung: in der Größenordnung von 25.000 Credits und voller Zugang zu Veo 3 in Qualität und Fast, mit 1080p als Standard. Das ist der Plan für alle, die täglich Video produzieren.
• Über die API (Gemini / Vertex) — Bezahlung pro generierter Videosekunde, von wenigen Cent pro Sekunde in Lite bis zu höheren Tarifen in Qualität und 4K. Ideal, wenn du es in ein Produkt integrierst und genau das zahlen willst, was du generierst.

Wie du einen guten Video-Prompt schreibst

Hier steckt das eigentliche Handwerk. Ein Video-Prompt ist kein Bild-Prompt mit mehr Wörtern: Du musst Bewegung, Kamera und Ton gleichzeitig lenken. Die gute Nachricht ist, dass es eine Struktur gibt, die funktioniert, und es ist die, die die Veo-Dokumentation selbst empfiehlt.

Denk in fünf Schichten, in dieser Reihenfolge:

1. Subjekt — wer oder was die Hauptrolle spielt. Nicht „ein Mann“, sondern „ein älterer Mann mit weißem Bart und abgetragenem Wollmantel“. Je konkreter, desto weniger Mehrdeutigkeit.
2. Aktion — was es tut, in einem Satz mit Anfang und Ende. „Er geht langsam auf die Kamera zu und bleibt stehen.“
3. Kontext — die Umgebung: Ort, Tageszeit, Licht, Wetter, Objekte, Bewegung im Hintergrund.
4. Kamera — die Einstellung und ihre Bewegung: „Halbtotale“, „Vogelperspektive“, „seitliche Kamerafahrt“, „auf Augenhöhe“.
5. Audio — was zu hören ist. Der Dialog steht in Anführungszeichen (das aktiviert die synchronisierte Stimme), und Effekte und Atmosphäre beschreibst du separat.

Drei Regeln, die den Unterschied machen:

• Die Reihenfolge zählt. Veo interpretiert die Struktur wörtlich: Was du zuerst nennst, bekommt mehr Gewicht. Stell nach vorne, was wirklich die Hauptrolle spielen soll.
• Die richtige Länge. Ziel sind 3 bis 6 Sätze bzw. 100 bis 150 Wörter. Weder eine trockene Zeile noch ein endloser Absatz: Letzteres verwirrt das Modell.
• Audio wird angefordert, nicht vorausgesetzt. Wenn du den Ton nicht benennst, improvisiert Veo. Sag ausdrücklich, was du hören willst und wann.

Galerie mit Copy-paste-Prompts

Fünf fertige Prompts zum Einfügen. Achte darauf, wie jeder die Schichten einhält und vor allem, wie das Audio angefordert wird.

Halbtotale, eine junge Frau mit lockigem Haar und Jeansjacke, sitzend in einem hellen Café am Morgen, mit Energie direkt in die Kamera sprechend. Weiches natürliches Fensterlicht, unscharfer Hintergrund mit Menschen, die sich bewegen. Feste Kamera auf Augenhöhe. Sie sagt: "Das ist, was dir niemand darüber sagt, ein Unternehmen zu gründen". Atmosphäre: Café-Gemurmel, Tasse, die auf den Unterteller gestellt wird.

Makro-Detailaufnahme, minimalistische weiße Sneaker, die sich langsam auf einer polierten Betonfläche drehen. Sauberes Studiolicht mit weichem Reflex, neutraler grauer Hintergrund. Kamera, die langsam um das Produkt kreist. Premium-Werbestil, hohe Schärfe. Audio: ein subtiles tiefes Brummen im Hintergrund und ein leichter Lufteffekt beim Drehen.

Totale, ein Detektiv im Trenchcoat überquert eine regennasse, von Neon durchflutete Straße in einer nächtlichen Stadt, Retro-Ästhetik der 80er. Feiner Regen, Pfützen, die rote und blaue Schilder spiegeln. Langsame seitliche Kamerafahrt, die ihn begleitet. Film-noir-Ästhetik, Filmkorn, gesättigte Farben. Audio: gleichmäßiger Regen, Schritte auf nassem Asphalt, fernes Rauschen des Verkehrs.

Senkrechte Luftaufnahme von oben, eine felsige Küste, an der die Wellen bei Sonnenaufgang gegen die Klippen brechen. Niedriger Nebel über dem Wasser, goldenes streifendes Licht. Drohne, die langsam auf den Horizont zufliegt. Naturdoku-Stil, warme und realistische Farben. Audio: kraftvoll brechende Wellen, ferne Möwen, sanfter Wind über dem Mikrofon.

Vertikales Format 9:16, enge Halbtotale, ein junger Koch mit Schürze, der in einer Industrieküche ruckartig zur Kamera aufblickt. Warmes Scheinwerferlicht, Dampf, der im Hintergrund aufsteigt. Schneller Heranzoom. Dynamischer Social-Media-Content-Stil. Er sagt überrascht: "Hast du etwa aufgenommen?". Audio: Brutzeln in der Pfanne, Küchengeräusche im Hintergrund.

Die Grenzen, ungeschönt

Veo 3 ist das Beste, was es auf seinem Feld gibt, aber es ist keine unendliche Magie.

• 8 Sekunden Obergrenze pro Generierung. Für ein langes Stück verkettest du Clips, und das vervielfacht die Kosten und die Schwierigkeit, die Kohärenz zwischen den Einstellungen zu halten.
• Die Credits fliegen davon. Im Pro-Plan frisst die maximale Qualität die Credits schnell. In hoher Qualität zu iterieren wird teuer; deshalb feilst du besser in Fast.
• Das Audio trifft den Dialog nicht immer. Die Lippensynchronität ist hervorragend, aber bei langen Sätzen oder mehreren Figuren gleichzeitig rutscht sie noch. Kurze Sätze funktionieren besser.
• Begrenzte Feinsteuerung. Erwarte nicht, jedes Einzelbild zu dirigieren wie in einem Editor. Du lenkst Absicht, nicht Millimeter.
• 4K nur über die ernsthaften Bezahlwege (Gemini-API und Vertex AI), mit Aufpreis.

Schnellvergleich: Veo 3, Kling und Higgsfield

Das ehrliche Fazit: Wenn Audio in deinem Workflow zählt, ist Veo 3 die offensichtliche Wahl. Kling glänzt bei Dauer und Charakterkontrolle; Higgsfield ist das Schweizer Taschenmesser, um dich nicht an ein einziges Modell zu binden. Sie sind nicht dasselbe wie Veo, sie sind verschiedene Figuren auf demselben Brett.

Für wen ist Veo 3?

Es interessiert dich, wenn du ein Content-Creator bist, der veröffentlichungsfertige Clips mit Stimme und Ton in einem einzigen Schritt will, wenn du B-Roll oder Werbung machst, bei denen Realismus und integriertes Audio Stunden im Schnitt sparen, oder wenn du bereits im Google-Ökosystem lebst (Gemini, Flow) und alles an einem Ort haben willst. Auch, wenn du bereit bist zu lernen, in Schichten zu dirigieren: Wer bessere Prompts schreibt, holt mit demselben Werkzeug unvergleichlich bessere Videos heraus.

Es interessiert dich weniger, wenn du lange Stücke aus einer einzigen Generierung brauchst, wenn deine absolute Priorität die Kosten pro Clip über der Qualität sind, oder wenn du eine Steuerung Bild für Bild willst wie in einem professionellen Editor. Da wird dir Veo zu knapp oder zu teuer sein.

Die eigentliche Frage ist nicht „Ist Veo 3 das beste Videomodell?“, denn in Realismus und Audio ist es das zum heutigen Tag. Die Frage ist „Kann ich den Prompt schreiben, der es freischaltet?“. Das Werkzeug ist schon auf der Höhe; der Flaschenhals bist jetzt du beim Dirigieren. Und das lässt sich, anders als 250 $ pro Monat zu zahlen, kostenlos trainieren.