AI VIDEO

Der T-Rex kommt durch die Leinwand.

Ein Kinosaal, zwölf Sekunden, kein Schnitt: Die Kamera schwenkt von mir zur Leinwand, ein T-Rex rennt aus dem Film heraus in den Saal, dann schwenkt sie zurück auf denselben Platz. Zwei Fotos halten mein Gesicht, ein Prompt aus lauter Sperrsätzen hält den Raum zusammen — und Seedance 2.5 auf Artlist rendert alles am Stück.

  • ChatGPT
  • Artlist
  • 30 Min
  • Fortgeschritten

ERGEBNIS

Das ist dabei rausgekommen.

  • 12sein Take, kein Schnitt
  • 2Fotos halten das Gesicht
  • 5Verbote halten den Raum
  • 9:161080 × 1920 aus Seedance 2.5
  • Dreiviertelprofil eines Mannes im dunklen Kinosaal, er schaut nach vorn zur Leinwand, neben ihm ein großer Getränkebecher Neben mir sitzt die Kamera0:00 – 0:02
  • Verwischte Aufnahme während des Schwenks: Sitzreihen und eine Wandleuchte ziehen unscharf durchs Bild Der Schwenk folgt seinem Blick0:02 – 0:04
  • Die Kinoleinwand füllt das Bild: ein T-Rex rennt durch einen nebligen Dschungel frontal auf die Kamera zu, davor die Köpfe des Publikums Noch ist er im Film0:04 – 0:05
  • Der Kopf des T-Rex ragt plastisch aus der Leinwand heraus in den Kinosaal, das Maul ist geöffnet Die Schnauze verlässt die Leinwand0:06 – 0:07
  • Nahaufnahme des aufgerissenen T-Rex-Mauls, das fast das ganze Hochformat füllt, unten die Kinositze Der Kopf ist im Saal0:07 – 0:09
  • Derselbe Mann in derselben Sitzposition, die Augen weit aufgerissen, eine Hand zuckt schutzsuchend nach oben Whip-Pan zurück, derselbe Platz0:09 – 0:10
  • Der Mann hält sich lachend die Hand vor den Mund, im Hintergrund der dunkle Kinosaal Und dann lacht er0:10 – 0:12

DAS BRAUCHST DU

Womit das gebaut ist.

  • ChatGPT
  • Artlist
  • Frontales Selfie eines jungen Mannes mit dunklen Locken, Schnauzbart und grauem T-Shirt vor einer hellen Wand Foto 1 · das echte SelfieGesicht, Bart, Shirt, Kette
  • Dieselbe Person im reinen Profil vor neutralem Hintergrund, gleiches graues T-Shirt und gleiche Kette Foto 2 · die Seitenansichtin ChatGPT aus Foto 1 erzeugt

ANLEITUNG

So baust du es nach.

  1. Zwei Fotos von dir, mehr braucht die Person nicht

    Das Gesicht im Clip kommt aus einem einzigen echten Selfie: frontal, gleichmäßiges Licht, Oberkörper mit drauf. Daraus habe ich in ChatGPT eine reine Seitenansicht erzeugen lassen — dieselbe Person, dasselbe Shirt, dieselbe Kette, nur um 90 Grad gedreht. Die zweite Ansicht ist kein Luxus: Die Kamera schaut im ganzen Clip aus dem Dreiviertelprofil auf mich, und was das Modell von der Seite nicht kennt, erfindet es — erfundene Seiten driften. Beide Fotos vor demselben neutralen Hintergrund, keine Sonnenbrille, keine Bewegungsunschärfe.

  2. Erst den Raum bauen, dann die Handlung

    Bevor im Prompt irgendetwas passiert, steht ein Block, der nur beschreibt, wo alles ist: Leinwand direkt vor dem Mann, sein Gesicht, seine Brust und seine Knie zur Leinwand, die filmende Person einen Platz rechts und eine halbe Armlänge hinter seiner Schulter. Danach fünf Verbote — Raum nicht umdrehen, Mann nicht rotieren, Leinwand nicht hinter ihn, Saal nicht spiegeln, 180-Grad-Achse nicht überschreiten. Und der Satz, der alles trägt: Wenn die Kamera zur Leinwand schwenkt, folgt sie einfach der Richtung, in die er ohnehin schon schaut. Damit hat der Schwenk eine Begründung im Bild und das Modell muss nicht raten.

  3. Die zwölf Sekunden in fünf Fenster schneiden

    0–3 s: er sitzt, die Kamera filmt beiläufig von der Seite. 3–5 s: Schwenk nach rechts auf die Leinwand, der Dino rennt heran — noch klar im Film. 5–7,5 s: der Durchbruch. 7,5–9,5 s: Kopf über den vorderen Reihen, ein Brüllen, das Publikum duckt sich. 9,5–12 s: Whip-Pan zurück auf denselben Mann. Jedes Fenster bekommt genau eine Aufgabe. Die Sekundenangaben sind eine Partitur, kein Timecode — sie legen die Reihenfolge fest, nicht die Uhr.

  4. Den Durchbruch in drei Etappen erzählen

    Das ist die Stelle, an der Modelle gern schneiden: Sie zeigen den Dino im Film, dann den Dino im Saal, und dazwischen ist nichts. Deshalb steht der Übergang im Prompt als ZUERST / DANN / DANN: zuerst existiert er vollständig im projizierten Film, dann kreuzt seine Nase genau die physische Ebene der Leinwand und die Fläche dehnt sich einen Sekundenbruchteil um seinen Kopf, dann ist Kopf und Hals ein fester Körper im echten Saal. Dazu drei Verbote: nicht teleportieren, nicht schneiden, nicht plötzlich das Kino durch eine andere Szene ersetzen.

  5. In Artlist hochladen — und den Token ersetzen

    Im AI-Bereich von Artlist das Videomodell auf Seedance 2.5 stellen, Format 9:16, Dauer zwölf Sekunden. Dann die Fotos hochladen. Wichtig: Die Oberfläche vergibt jedem hochgeladenen Bild einen eigenen Namen. In meinem Prompt steht deshalb ein Verweis wie @e74db7ae….png — bei dir heißt er anders. Ersetze ihn durch den Verweis auf dein eigenes Foto, sonst zeigt der Satz ins Leere und das Gesicht wird frei erfunden. Und: Was du zusätzlich hochlädst, liest das Modell mit, auch ohne @-Verweis.

  6. Den Hochglanz wegschreiben

    Der Default jedes Videomodells ist Kino: stabilisiert, sauber belichtet, farbkorrigiert, gut komponiert. Genau das tötet hier die Illusion — ein unmögliches Ereignis wirkt nur echt, wenn es schlecht gefilmt ist. Also steht im VISUAL-STYLE-Block, was es nicht sein soll (kein Film, nicht professionell, nicht stabilisiert, nicht poliert) und was stattdessen rein muss: Rolling Shutter, Autofokus, der einmal nachzieht, Rauschen im Dunkeln, überstrahlte Leinwand, Bewegungsunschärfe beim Schwenk, abgesoffene Schatten.

  7. Rendern — und zuerst die Achse prüfen

    Nach dem Rendern nicht auf den Dino schauen, der sitzt meistens. Schau auf den letzten Schwenk: Sitzt derselbe Mensch auf demselben Platz, in derselben Blickrichtung? Kippt der Raum, liegt es fast nie an der Beschreibung des Dinos, sondern daran, dass die Positionen zu weit vorn im Prompt standen und bis Sekunde zwölf vergessen waren. Dann wiederholst du sie am Ende noch einmal — im letzten Zeitfenster und in einem Schlussblock. Redundanz ist hier kein Stilfehler.

CREATOR KIT

Alles, was du brauchst.

kino-durchbruch.txt
Vertical 9:16 raw handheld iPhone footage, approximately 12 seconds, ONE SINGLE CONTINUOUS TAKE, no cuts, no transitions, no cinematic camera moves.
CRITICAL SPATIAL CONTINUITY:
The movie screen is physically located DIRECTLY IN FRONT OF the seated man.
The man is sitting normally in his cinema seat FACING THE SCREEN.
He must NEVER sit with his back toward the screen.
His face, chest and knees are oriented toward the cinema screen throughout the entire video.
The person filming is sitting in the adjacent seat slightly to the man's RIGHT and approximately 30–50 cm behind his shoulder.
At the beginning, the camera sees the man from a natural three-quarter side profile while he looks FORWARD toward the cinema screen.
The direction of his gaze clearly points toward the screen.
When the camera pans from the man toward the movie screen, it simply follows the direction he is already looking.
Do NOT reverse the room.
Do NOT rotate the man.
Do NOT place the screen behind him.
Do NOT mirror the theater layout.
Do NOT cross the 180-degree axis.
The relative positions of the man, camera, seats and screen must remain physically consistent for the entire shot.
REFERENCE PERSON:
Use @e74db7ae-874c-4fdb-9f30-f2d2859d84d4.png as the exact identity and wardrobe reference for the seated man.
Preserve exactly:
same face,
same facial proportions,
same hair,
same cap,
same clothing,
same age,
same body proportions.
No identity drift.
No beautification.
No wardrobe changes.
0–3 SECONDS:
POV of a friend casually filming inside a packed movie theater.
The camera initially points slightly LEFT toward the man sitting beside the filmer.
He is shown from a realistic three-quarter side angle.
He is sitting normally and looking straight ahead at the cinema screen.
He holds a large cinema drink cup with a straw in one hand.
His expression is relaxed, focused on the movie, slightly bored.
The shot should feel accidental and casual, like a friend quietly filming him on an iPhone.
Rows of cinema seats extend behind and beside him.
Dim wall lights.
Other audience members watching the movie.
Very dark auditorium illuminated mainly by the screen.
Natural handheld micro-shake.
Imperfect autofocus.
Phone auto-exposure.
Realistic low-light digital noise.
3–5 SECONDS:
Without cutting, the filmer slowly turns the phone RIGHT, following the exact direction the man was already looking.
The camera passes naturally across the seat backs and reveals the huge cinema screen DIRECTLY IN FRONT OF HIM.
Maintain the same physical theater orientation.
On the screen:
A photorealistic prehistoric jungle at night.
A gigantic Tyrannosaurus Rex is running directly toward the movie camera.
At first it is obviously INSIDE THE MOVIE.
Heavy footsteps.
Trees shaking.
Dust and debris.
Its body grows rapidly larger on the cinema screen as it charges straight toward the audience.
The audience is still mostly calm.
5–7.5 SECONDS:
The T-Rex reaches the virtual camera inside the movie.
Instead of hitting an invisible screen boundary, something impossible happens.
Its enormous snout pushes physically THROUGH THE CINEMA SCREEN.
The screen surface stretches and distorts for a fraction of a second around its head, then the dinosaur emerges into the real auditorium.
This transition must be visually continuous:
FIRST:
the T-Rex exists completely inside the projected movie.
THEN:
its nose crosses the exact physical plane of the cinema screen.
THEN:
its head and upper neck become a solid three-dimensional object INSIDE THE REAL THEATER.
Do NOT teleport the dinosaur.
Do NOT cut.
Do NOT suddenly replace the cinema with another scene.
The dinosaur must visibly cross from the flat screen into the physical auditorium.
7.5–9.5 SECONDS:
The enormous T-Rex head lunges farther into the theater directly above the front rows.
Its scale is huge and intimidating.
The head passes only a few meters above the audience.
Its jaw opens and it releases one enormous roar.
Warm breath and air pressure blow toward the audience.
Loose hair, clothing and popcorn react realistically.
The screen light casts moving reflections across the dinosaur's skin.
Its massive head briefly blocks ceiling lights as it moves forward.
Audience members duck.
Several people scream and laugh.
Phones suddenly rise everywhere.
The filmer instinctively jerks backward and tilts the phone sharply upward.
Strong natural handheld shake.
The T-Rex head momentarily fills almost the entire vertical frame.
Extremely close realistic skin texture,
teeth,
saliva,
small facial movements,
realistic shadows.
It feels like a completely impossible event captured accidentally on a phone.
NO polished VFX look.
9.5–12 SECONDS:
Immediately after the roar, the filmer quickly WHIP-PANS LEFT back toward the SAME MAN.
IMPORTANT:
He is STILL sitting in exactly the same seat and STILL facing toward the cinema screen.
His orientation has NOT changed.
The cinema screen remains physically in front of him.
He has instinctively ducked forward with one arm protecting his head.
His cap and clothing move slightly from the rush of air.
He slowly looks back up toward the screen.
His eyes are wide.
For half a second he looks completely stunned.
Then he realizes what just happened and bursts out laughing in disbelief, covering his mouth with one hand.
The person sitting behind him is also laughing and looking toward the screen.
The filmer laughs quietly behind the camera.
The phone continues shaking slightly from adrenaline as the clip ends naturally.
VISUAL STYLE:
Must look like REAL amateur iPhone footage captured by a friend.
NOT a movie.
NOT professionally photographed.
NOT stabilized.
NOT polished.
NOT commercial footage.
Real smartphone characteristics:
slight rolling shutter,
small focus breathing,
occasional autofocus correction,
digital low-light grain,
imperfect exposure,
screen highlights slightly overexposed,
motion blur during fast camera movements,
small lens flare from the screen,
dark crushed shadows,
realistic iPhone dynamic range.
No artificial depth of field.
No cinematic color grading.
No perfect composition.
No impossible camera movement.
AUDIO:
Natural movie theater ambience only.
Quiet audience chatter at first.
Movie soundtrack leaking naturally from cinema speakers.
Increasing dinosaur footsteps.
Deep theater subwoofer rumble.
One extremely loud T-Rex roar when its head enters the auditorium.
Audience screaming, gasping and laughing.
Rustling seats.
The filmer breathing and laughing quietly.
No added music.
No narration.
ABSOLUTE CONTINUITY RULES:
ONE continuous 12-second recording.
The cinema auditorium NEVER changes location.
The man NEVER changes seats.
The man NEVER turns around to face away from the screen.
The screen is ALWAYS physically in front of him.
The camera begins beside him, pans in the direction of his gaze toward the screen, then returns along the same spatial axis.
Never mirror the room.
Never reverse left and right.
Never rotate the seating layout.
Never move the screen behind the man.
Never create a second cinema screen.
Never teleport the dinosaur.
The dinosaur must physically emerge through the exact existing cinema screen.
The final shot must return to the SAME man in the SAME seat with the SAME orientation.

SETTINGS

Die Einstellungen im Überblick.

Einstellungen
PlattformArtlist, AI-Bereich
ModellSeedance 2.5
Referenzen2 Fotos: frontal und Profil
Format9:16
Auflösung1080 × 1920
Dauer12 Sekunden, ein Take
Tonaus dem Modell: Saal, Schritte, Brüllen, Lachen
Bildquelleechtes Selfie + Seitenansicht aus ChatGPT

WORAUF ES ANKOMMT

Darauf musst du achten.

  • Der halbe Prompt beschreibt gar keine Handlung

    Wer den Text oben durchliest, merkt schnell: Der größere Teil sagt nicht, was passiert, sondern wo etwas ist und was auf keinen Fall passieren darf. Das fühlt sich beim Schreiben übertrieben an — und ist der Grund, warum der Clip funktioniert. Ein Schwenk hin und wieder zurück ist der teuerste Kamerabefehl, den es gibt: Das Modell muss dieselbe Stelle zweimal zeigen und hat dazwischen sieben Sekunden Zeit, den Raum neu zu erfinden. Handlung kostet einen Satz, Raum kostet einen Block.

  • Was auf dem Foto fehlt, redet kein Prompt herbei

    Im Prompt steht dreimal, der Mann trage eine Mütze: „same cap“ in der Referenzbeschreibung, die Mütze im letzten Zeitfenster, die Mütze in der Luftbewegung. Auf keinem meiner beiden Fotos ist eine Mütze — und im Clip trägt er keine. Der große Getränkebecher dagegen steht nur im Text und auf keinem Foto, und er ist von der ersten Sekunde an da. Die Trennung ist sauber: Identität und Kleidung kommen aus dem Bild, Requisiten und Umgebung aus dem Text. Ein Adjektiv über die Person schlägt das Foto nie.

  • Der Durchbruch ist eine Ebene, kein Schnitt

    „Ein Dino kommt aus der Leinwand“ reicht als Anweisung nicht, weil das Modell daraus zwei Bilder macht und den Moment dazwischen weglassen darf. Was den Unterschied macht, ist ein einziges physisches Detail: Die Leinwand ist eine Fläche, die Schnauze kreuzt sie, und die Fläche dehnt sich für einen Sekundenbruchteil um den Kopf, bevor er draußen ist. Sobald der Übergang ein Material hat, das nachgibt, hört es auf, ein Effekt zu sein.

  • Der Look besteht fast nur aus Verboten

    Der Stil-Block ist der einzige Teil des Prompts, in dem kaum ein positiver Wunsch steht. Kein Film, nicht professionell fotografiert, nicht stabilisiert, nicht poliert, keine künstliche Tiefenschärfe, kein Color Grading, keine perfekte Komposition, keine unmögliche Kamerafahrt. Das ist kein Understatement, sondern die eigentliche Arbeit: Ein Videomodell zieht von allein in Richtung Trailer, und ein Trailer überrascht niemanden. Der Schock entsteht daraus, dass es aussieht, als hätte jemand zufällig danebengehalten.

Zwölf Sekunden, die es nie gab.

Zwei Fotos, ein Prompt, ein Take. Du tauschst das Motiv auf der Leinwand aus — die Positionen und die Sperrsätze bleiben stehen.

Mehr Tipps auf @till.schae

FAQ

Häufige Fragen.

Brauche ich wirklich zwei Fotos von mir?
Der Prompt adressiert nur eines — im Referenzblock steht ein einziger Bildverweis. Hochgeladen habe ich trotzdem beide, weil das Modell alles mitliest, was im Referenzbereich liegt. Bei einer Kamera, die fast durchgehend von der Seite auf dich schaut, lohnt sich das: Die Frontale allein zwingt das Modell, das Profil zu erfinden. Wenn deine Kamera frontal bleibt, reicht ein Foto.
Warum trägt er im Clip keine Mütze, obwohl der Prompt eine verlangt?
Weil auf keinem der beiden Referenzfotos eine Mütze ist. Der Prompt stammt aus einem Durchlauf mit einem anderen Referenzbild und nennt die Mütze dreimal — ich habe ihn absichtlich unverändert veröffentlicht, weil genau diese Abweichung die nützlichste Stelle daran ist: Kleidung und Aussehen kommen aus dem Bild, nicht aus dem Text. Wenn du eine Mütze willst, setz sie auf und mach ein neues Foto.
Kann ich statt des T-Rex etwas anderes durch die Leinwand schicken?
Ja, und du musst dafür nur zwei Stellen anfassen: die Beschreibung dessen, was auf der Leinwand läuft, und die drei Etappen des Durchbruchs. Alles andere — Positionen, Achse, Rückkehr, Look — bleibt wortgetreu stehen. Achte nur darauf, dass dein Motiv groß genug ist, um die Leinwandebene sichtbar zu kreuzen. Eine Welle, ein Zug, ein Auto funktionieren; ein Vogel ist zu klein, um den Moment zu tragen.
Kommt der Ton wirklich aus dem Modell?
Ja. Seedance 2.5 rendert die Tonspur im selben Durchlauf: das Gemurmel im Saal, der Filmton aus den Lautsprechern, die Schritte, die lauter werden, das Brüllen, das Lachen danach. Im Prompt steht dafür ein eigener kurzer Block — und darin vor allem, was nicht sein soll: keine zusätzliche Musik, kein Voice-over. Ohne diesen Hinweis legt das Modell gern etwas darunter.