Konsistente Charaktere im KI-Video: Was ich bei Whisker Woods gelernt habe

Einen schönen KI-Clip zu generieren ist heute leicht. Zweimal denselben Hasen zu generieren nicht. Das habe ich auf die harte Tour gelernt, als ich Whisker Woods gemacht habe, meine eigene KI-animierte Gute-Nacht-Serie für kleine Kinder. Jede Folge ist etwa eine Minute lang, fast ohne Worte und wird mit Musik und Bildern erzählt. Und das funktioniert nur, wenn ein dreijähriges Kind das Häschen Bun-Bun in jedem einzelnen Shot wiedererkennt.

Hier ist die Methode, mit der ich Charaktere über eine ganze KI-animierte Serie hinweg konsistent halte: die Regeln, denen ich bei jeder Folge folge.

Warum KI-Charaktere abdriften

Ein Videomodell erinnert sich nicht an deinen letzten Shot. Jede Generierung erfindet die Figur neu, aus dem, was du ihm gibst. Gibst du ihm nur Worte („ein kleiner weißer Hase“), bekommst du jedes Mal einen anderen kleinen weißen Hasen: längere Ohren, ein anderes Gesicht, etwas größer, etwas älter.

In einer einzelnen Werbeanzeige geht das vielleicht noch durch. In einer Serie bricht es den Zauber: Das Publikum muss „den Hasen von gestern“ in einer Sekunde wiedererkennen.

Die ganze Arbeit läuft also auf eine Idee hinaus: Lass das Modell nie raten, wie die Figur aussieht. Gib ihm ein Bild, jedes Mal.

Schritt 1: Schreib eine Serienbibel

Bevor ich irgendetwas animiert habe, habe ich eine kurze Serienbibel geschrieben. Sie ist eine Seite lang und beantwortet drei Fragen: Wer lebt in dieser Welt, wie sieht die Welt aus, und was ändert sich nie?

Bei Whisker Woods sieht die Besetzung so aus:

Bun-Bun, die Hauptfigur: ein kleiner weißer Hase mit blauen Augen und rosa Innenohren. Keine Kleidung, keine Accessoires, niemals.
Rusty, der Fuchs: orangefarbenes Fell, weiße Brust, weiße Schwanzspitze, dunkle Beine.
Pebble, die Schildkröte: grün, mit braun gemustertem Panzer und großen Augen.
Lumi, der kleine Stern: klein, golden, mit sanftem Leuchten, und sie leuchtet nur, wenn die Geschichte es verlangt.

Auch die Welt hat Regeln: ein sanft blauer Nachtwald mit runden Bäumen, Glühwürmchen, ein glitzernder Bach mit Trittsteinen, moosige Stufen hinauf zu einem Hügel unter einem großen Mond. Tagszenen spielen auf einem einzigen warmen, goldenen Waldweg. Es gibt feste Orte (die Lichtung, den Trittstein-Bach, den Mondhügel, die Alte Eiche), damit eine neue Folge nie einen neuen Wald erfindet.

Die nützlichste Zeile der ganzen Bibel ist die kürzeste: Neue Frames entstehen aus den Referenzblättern, nicht aus dem Gedächtnis.

Was in einen Charaktereintrag gehört

Für jede Figur halte ich fest:

Feste Farben. Nicht „roter Fuchs“, sondern „orangefarbenes Fell, weiße Brust, weiße Schwanzspitze“.
Proportionen. Wie groß jede Figur neben den anderen ist. Pebble ist klein und nah am Boden; Rusty ist größer und länger.
Erkennungsmerkmale. Woran das Publikum die Figur erkennt: Rustys weiße Schwanzspitze, Pebbles Panzermuster.
Persönlichkeit. Sie bestimmt Posen und Mimik. Rusty ist flink und ein kleiner Angeber; Pebble ist langsam und beständig.
Verbotene Änderungen. Bun-Bun bekommt nie einen Schal, auch nicht in einer kalten Szene. Ein einziges „süßes“ Accessoire, und die Figur ist eine andere Figur.

Neue Figuren kommen nur über eine Folge dazu, die sie einführt. Danach bekommen sie einen eigenen Eintrag und bleiben genau so, wie sie sind.

Schritt 2: Fixiere ein Referenzblatt, bevor du animierst

Die Bibel besteht aus Worten. Das Referenzblatt ist das Bild, das das Modell tatsächlich sieht.

Ich erstelle die Referenzblätter mit mehreren KI-Bildmodellen und nehme jeweils das, das die Figur am besten hält: die Figur von vorn, von der Seite und von hinten, ein paar Gesichtsausdrücke und ein Größenvergleich mit dem Rest der Besetzung. Aktuelle Bildmodelle können mehrere Referenzbilder gleichzeitig verarbeiten, auch mehrere Charakterbilder, gerade um Figuren konsistent zu halten. Genau das braucht eine Serie.

Dann fixiere ich das Blatt. Keine „kleinen Verbesserungen“ in Folge 4. Wenn sich das Blatt ständig weiterentwickelt, driftet die Serie mit.

Die Besetzung von Whisker Woods in echten Frames aus den Folgen: das Häschen Bun-Bun, der Fuchs Rusty mit der alten Karte und die Schildkröte Pebble

Schritt 3: Animiere aus freigegebenen Keyframes, nicht aus Text

Dieser Schritt hat bei mir am meisten verändert. Ich lasse das Videomodell keine Szene aus einem Satz erfinden. Stattdessen:

Ich generiere für jeden Shot ein Keyframe mit einem Bildmodell, auf Basis des fixierten Referenzblatts.
Ich prüfe das Keyframe gegen die Bibel (mehr dazu weiter unten).
Nur ein freigegebenes Keyframe geht als Bild-zu-Video in ein Videomodell; je nach Shot nutze ich unterschiedliche Modelle.

Bild-zu-Video heißt, dass das Modell von einem Bild ausgeht, auf dem die Figur bereits stimmt. Die Bewegung bestimmt es weiterhin, aber nicht mehr, wer die Figur ist. Bei Whisker Woods läuft das über ViralVidz, meinen eigenen Workflow, der Modelle wie Google Veo orchestriert, und den finalen Schnitt mache ich in CapCut.

Es fühlt sich langsamer an, weil du jeden Shot zweimal machst. In der Praxis ist es schneller, weil du keine fertigen Clips mit falschem Gesicht mehr wegwirfst.

Schritt 4: Verkette Shots mit Start- und End-Frames

Shots müssen ineinandergreifen. Wenn Bun-Bun in The Little Star Who Fell über die Trittsteine hüpft und den Mondhügel hinaufläuft, soll das Publikum eine einzige Reise spüren, nicht fünf zusammenhanglose Clips.

Der Trick heißt Frame-Chaining: Das letzte Frame eines Shots wird zum ersten Frame des nächsten. Position, Licht, der Stern in Bun-Buns Pfoten: alles bleibt erhalten, weil der nächste Shot genau von diesem Bild aus startet. Google dokumentiert für Veo 3.1 auch die Generierung aus erstem und letztem Frame: Du legst fest, wo ein Clip beginnt und wo er endet, und das Modell füllt die Bewegung dazwischen.

Dieselbe Idee habe ich bei einem anderen Projekt genutzt, The Last Driver of the Virtual City, einem 23-sekündigen KI-Kurzfilm, in dem drei Szenen wie eine durchgehende Einstellung fließen. Geplante Start- und End-Frames lassen drei Generierungen wie eine einzige Kamerafahrt wirken. Dasselbe Denken gibt jeder Whisker-Woods-Folge ihr letztes Frame: eine ruhige Pose, die wieder in die erste übergeht.

Drei Frames aus The Little Star Who Fell: Bun-Bun findet den heruntergefallenen Stern, hebt ihn auf dem Mondhügel zum Himmel und umarmt ihn zum Abschied

Schritt 5: Halte Licht, Tageszeit und Requisiten pro Szene fest

Auch das Licht driftet. Ein Shot in blauer Mitternacht, der nächste in goldener Abenddämmerung, und die Szene wirkt wie zwei verschiedene Orte.

Deshalb hat jede Szene in meinem Plan eine feste Tageszeit und Lichtrichtung. Die Nacht ist sanft blau mit Mondlicht und Glühwürmchen; der Tag ist der warme, goldene Weg. Wenn sich die Zeit ändern soll, mache ich das zum Teil der Geschichte. In The Fox, the Turtle and the Old Map brechen Rusty und Pebble morgens auf und erreichen die leuchtende Alte Eiche bei Sonnenuntergang, und das Licht verändert sich unterwegs Schritt für Schritt, nicht zufällig zwischen den Shots.

Auch Requisiten bekommen eine Liste. In dieser Folge waren es die Karte und die goldene Eichel. In The Fox and the Turtle Race waren es das Zielband, der Brombeerstrauch, unter dem Rusty ein Nickerchen macht, und die Medaille, die er Pebble am Ende überreicht. Eine Requisitenliste klingt bürokratisch, bis das Zielband mitten im Rennen die Farbe wechselt.

Schritt 6: Mach nach jedem Shot einen Continuity-Check

Nach jedem generierten Shot gehe ich dieselbe kurze Liste durch, bevor ich weitermache:

Gesicht: Augen, Ohren, Nase, Ausdruck passend zur Figur?
Farben: Fell, Panzer, Schwanzspitze genau wie auf dem Blatt?
Größe: Hat die Figur neben den anderen die richtige Größe? (Pebble, die auf Fuchsgröße wächst, ist ein Klassiker.)
Erkennungsmerkmale: Ist die weiße Schwanzspitze da? Das Panzermuster gleich? Bun-Bun immer noch ohne Accessoires?
Requisiten und Licht: Dieselben Gegenstände, dieselbe Tageszeit, dieselbe Lichtrichtung wie im vorherigen Shot?

Das dauert etwa eine Minute pro Shot: die billigste Minute der ganzen Produktion.

Schritt 7: Generiere abdriftende Shots neu, statt im Schnitt gegen sie zu kämpfen

Wenn ein Shot den Check nicht besteht, ist die Versuchung groß, ihn zu retten: zuschneiden, graden, schnell wegschneiden. Nach meiner Erfahrung lohnt sich das fast nie.

Eine kleine Lichtabweichung lässt sich mit Farbe korrigieren. Ein falsches Gesicht nicht. Wenn die Figur also falsch ist, gehe ich zurück zum freigegebenen Keyframe und generiere neu. Manchmal passe ich das Keyframe an, manchmal kürze ich die Aktion, damit das Modell weniger Spielraum zum Abschweifen hat. Kurze, einfache Bewegungen driften viel weniger als lange, komplexe.

Drei verkettete Shots aus The Fox, the Turtle and the Old Map: Rusty und Pebble auf einem Baumstamm über dem Bach, in der leuchtenden Höhle und an der Alten Eiche bei Sonnenuntergang

Schritt 8: Nutze Musik und Ton als Klebstoff

Whisker Woods kommt fast ohne Worte aus, also trägt die Musik die Geschichte. Jede Folge hat ihre eigene Originalmusik, immer ruhig und warm, in derselben sanften Stimmung. Ein durchgehendes Musikstück über einen Schnitt hinweg lässt zwei Shots wie einen Moment wirken, und Atmo, die über den Schnitt weiterläuft, sagt dem Publikum, dass es noch am selben Ort ist.

Dieselbe Methode für Markenmaskottchen, KI-Presenter und Produktanzeigen

Alles oben funktioniert auch außerhalb von Kinderanimation. Seit mehr als 7 Jahren arbeite ich mit Meta-Werbetreibenden, und das Problem, das ich bei KI-Werbeanzeigen am häufigsten sehe, ist genau dieses: Die Markenfigur sieht in jedem Video anders aus.

KI-Videos mit Markenmaskottchen: Ein Maskottchen ist eine Zeichentrickfigur mit Markenleitfaden. Gib ihm einen Bibeleintrag und ein fixiertes Referenzblatt und animiere nur aus freigegebenen Keyframes. So erkennen Menschen es über eine ganze Kampagne hinweg wieder.
KI-Presenter: Für eine virtuelle Sprecherin oder einen virtuellen Sprecher gelten dieselben Regeln. Leg Gesicht, Haare, Outfit und Setting pro Serie fest und prüf sie Shot für Shot.
Produktanzeigen: Lass das Modell nie das Produkt erfinden. Starte mit echten Produktfotos, bau die Keyframes darum herum und prüf Form, Farben und Etikett in jedem Shot.

Wenn du die Tools für diese Art von Arbeit vergleichen willst, habe ich einen eigenen Guide zu KI-Videogeneratoren für Werbung 2026 geschrieben. Und wenn du eine wiederkehrende Figur oder eine konsistente KI-Werbeserie für deine Marke möchtest, schau dir meine Leistungen an oder schreib mir.

Checkliste: konsistente Charaktere im KI-Video

FAQ

Warum verändern sich KI-Charaktere von Shot zu Shot?

Jede Generierung beginnt bei null. Solange du dem Modell keine feste visuelle Referenz gibst, erfindet es die Figur jedes Mal neu, und Ohren, Farben, Größe und kleine Details verschieben sich.

Reicht Text-zu-Video für eine wiederkehrende Figur?

Selten. Text beschreibt eine Figur in Worten, und Worte lassen Spielraum für Interpretation. Für eine Serie generierst du zuerst aus einem Referenzblatt ein freigegebenes Keyframe und animierst dann dieses Bild.

Wie verbinde ich Shots, damit eine Szene durchgehend wirkt?

Mit Start- und End-Frames. Das letzte Frame eines Shots wird zum ersten Frame des nächsten, und manche Videomodelle, darunter Google Veo 3.1, lassen dich sowohl das erste als auch das letzte Frame eines Clips festlegen.

Sollte ich abweichende Charaktere im Schnitt korrigieren?

Meistens nicht. Color Grading und Zuschnitt können kleine Fehler verdecken, aber ein falsches Gesicht oder ein fehlendes Detail behebst du schneller und sauberer, indem du den Shot aus dem freigegebenen Keyframe neu generierst.

Funktioniert dieselbe Methode für ein Markenmaskottchen oder eine Produktanzeige?

Ja. Ein Maskottchen braucht dasselbe Referenzblatt und dieselben Regeln wie eine Zeichentrickfigur, und eine Produktanzeige sollte von echten Produktfotos ausgehen, damit Form, Farben und Etikett stimmen.