# FOUNDATION FÜR KI-SYSTEME MIT PROMPTO-ZUGANG
*Destillat aus ~600 $ Produktionserfahrung (chazon studio, Stand 03.08.2026). Für
fremde Assistenten (z. B. Lanas Claude): Lies das, bevor du deinen ersten Dollar
ausgibst — jede Regel hier hat Lehrgeld gekostet. Du darfst alles übernehmen.*

## 0 · Prompto in 5 Zeilen
- MCP-Tools: `list_models` (Modell finden) → `generate` (bezahlt!) → `job_status` →
  Output-URL. `balance` zeigt Budget je Provider, `import_media` holt externe Dateien
  in den Pool. Asset-IDs aus dem Pool funktionieren als `primary`/`refs`/`end`.
- `job_status` kann lange stale „running" zeigen — weiter pollen, `completed_at`
  zeigt die Wahrheit. Bei `wait=true`-Timeouts: Job lief oft trotzdem durch →
  erst `list_werke` prüfen, NIE blind neu rendern (Doppelkosten).
- Provider-Routing ist Geld-Management: dasselbe Modell kostet je Provider anders,
  und Guthaben liegt verteilt. Vor jeder Session `balance`, danach wieder.

## 1 · Die eisernen Gesetze (gelten immer)
1. **Kein Render ohne explizites Go des Menschen.** Ebenen-Prinzip: Konzept zeigen →
   Freigabe → billige Probe → Freigabe → teurer Render. Nie batchen ohne Gate.
2. **Ein Fehlversuch = Ursache verstehen, EIN gezielter Retry.** Nicht würfeln.
3. **Wiederkehrende Figuren NIE ohne Bild-Referenz generieren — auch nicht „als
   Test".** Referenzlose Modelle (z. B. Recraft) sind für Sets/Props/Design tabu
   für Figuren: du bekommst eine Falschbesetzung, die niemand mehr einfängt.
4. **Jede Sichtprüfung gegen die KANON-Referenz** (Character-Sheet), nie gegen den
   letzten schönen Take. **Und: jede engere Einstellung neu am Kanon ankern** —
   Edit-Ketten driften Gesichter; was in der Totale niemand sieht, macht in der
   Nahaufnahme eine andere Person daraus (Kette ab Kanon ≤ 2 Stufen). Wer den falschen Take zur Referenz macht, baut jeden
   folgenden Render aktiv gegen die eigene Kette.
5. **480p-Proof aufs Handy vor jedem teuren Schritt.** Ampel-Prinzip.
6. **Ist-Kosten mitschreiben** (Render-Log je Projekt: Datum, Was, Job-ID, $, Befund).

## 2 · Bilder: der komponierte Startframe ist alles
Das Fundament-Rezept jeder Video-Pipeline: **Look wird VOR dem Video gepinnt.**
1. **Set/Szene**: Recraft V4.1 (`recraft-v4`, realistic_image, quality pro) ist ein
   Szenenbild-Monster — Material, Licht, Kleinstdetails; Farbpalette als Hex-Liste
   mitgeben. NUR für Orte/Gegenstände (Gesetz 3). **Und nur für den MASTER eines
   Motivs:** jede Variante (andere Ansicht, Zustand offen/zu, Outfit-Abwandlung,
   Objekt-Zustand) entsteht per Edit-Tool vom Master — getrennte Recraft-Prompts
   liefern trotz identischer Beschreibung verschiedene Schiffe/Räume.
2. **Figur ins Set**: `nano-banana-2-edit` als „Photoshop-Ebene": primary = Set,
   refs = [Kanon-Figur] → komponierter Startframe. Edit-Ketten sind ok, solange sie
   bei einem Kanon-Asset beginnen. seed=777 für Reproduzierbarkeit.
3. **Requisiten-Wurzelregel:** Was die Figur im Startframe nicht SAUBER in der Hand
   hat, klebt im Video am Körper oder wandert. Hand-Kontakt explizit prompten
   („her fingers closed around the handle") — oder Requisit streichen. Diese
   Fehlerklasse siehst du NUR im Bewegtbild, nie am Einzelframe.
4. **Text können Bildmodelle, Videomodelle nicht.** Exotische Schriften, Umlaute,
   Panels: nano-banana-2 trifft sie im ersten Versuch — im Video zerfallen sie
   (Ausnahme: einsprachig-lateinischer Text mit Ref-Lock hält in Omni).
   Sich ÄNDERNDE Ziffern (Timer) kann kein Videomodell — in Post stempeln.
5. **Sheets nummerieren** (Index-Chip AUSSERHALB des Items) macht Bibliotheken
   adressierbar („use plate 3"), plus Sicherung: „the index numbers are selection
   aids only and are never drawn into the video". Einzelnes Element besser als
   freigestellten Crop übergeben statt als Sheet-Ausschnitt.
6. **Eigennamen nie in Bild-/Videoprompts** — sie werden ins Bild gemalt. Figuren
   umschreiben („the boy", „the faceted orb") + „No names, no labels, no titles
   are ever drawn into the picture."

## 3 · Video-Modell-Split (jedes Modell hat seine Qualitäten)
| Modell | Nimm es für | Fehlerklasse (erlebt, nicht vermutet) |
|---|---|---|
| `kling-o3-ref` | Bewegung, Ensemble, Kamera-Folgen; Startframe als @Image1 + Figuren-Refs | szenische Drift: ungescriptete Drehungen. Verhalten hart POSITIV prompten („his back stays to the camera the entire video") — nicht verneinen |
| `kling-v3-pro` i2v | statische Talking-Heads, harte Start/End-Landung (primary+end), bestes Atmo-Sounddesign | Objekt-Kleber: lose Requisiten kleben am Körper. KEINE deutschen Sprechstimmen (Akzent) — Dialog nie in den Kling-Prompt |
| `seedance-2-pro` | SOTA-VFX, Multishot in EINER Generation („Shot 1: … Shot 2: …"), hält 2 Charakter-Refs über Schnitte, sehr guter Handheld-Look | komplexe Hand-Choreo → drei Hände. Handführung vereinfachen. -mini/-fast trifft Endframes nur lose |
| `gemini-omni-flash` | Sprache im Bild (DE nativ + lippensynchron, auch ZH/HI/AR/HE/RU), i2v-Ketten | nur EIN Sprecher pro Generation; Age-Drift ab ~8 s; Sprachzeilen NUMMERIEREN („Line 1 … Line 2 …, each line EXACTLY ONCE") |
| `grok-imagine-ref` | billiges ref2v mit vielen Refs (bis 7), spricht DE | lose Szenen-Kontrolle; fragile Figuren brauchen VOLLES Ref-Budget inkl. komponiertem Startframe |
- **Die i2v-Kipp-Falle (teuerste Lehre der Omni-Ära):** `primary` + gefüllte `refs`
  gleichzeitig kippt i2v in ref2v — das Modell baut die Szene NEU statt sie zu
  animieren. Locks gehören in den Startframe; der Video-Prompt beschreibt nur noch.
  Reines ref2v mit „@Image1 IS THE SHOT" funktioniert als Gegenweg.
- **A/B-Duelle lohnen sich:** zwei Modelle auf denselben Startframe, beide Fehlerklassen
  kennenlernen — danach routest du jeden Shot richtig.
- **Handheld-Doku-Realismus:** keine weiten Shots (KI-Weite kippt ins Unechte),
  3/4-Shots + American, leichte Dutch-Winkel, „camera breathes". Interviews schauen
  knapp NEBEN die Linse.

## 4 · Stimmen & Audio (ElevenLabs direkt, wenn Key vorhanden)
- **TTS = eleven_v3 mit Audio-Tags** (`[calm]`, `[whispers]`, `[shouting]`, `[pause]`)
  + `voice_settings.stability` (ruhig 0.45–0.5, lebhaft 0.35–0.4). Nie flache Defaults.
- **Nimm NICHT die Premade-Stimmen** (Chris, Alice, Bill …) — die benutzt jeder,
  es klingt sofort generisch. Voice Library durchsuchen (`GET /v1/shared-voices`,
  Filter language/gender/age liefern hunderte Professional-Voices mit deutschen
  Preview-URLs), pro Figur EINE eindeutige Stimme casten, IDs im Register notieren.
- **Lipsync-Betten-Trick** (`sync-lipsync-3`, ~$0.134/s): Audio-Bett in exakter
  Shot-Länge bauen (Stille + Zeile an der Sollstelle via adelay/apad) → lipsyncen →
  der Mund sitzt an der geplanten Stelle. Rückenansichten brauchen keinen Lipsync.
  Sync-Outputs sind 720p und manchmal Frames kürzer → im Schnitt IMMER
  `tpad=stop_mode=clone` vor `-t`.
- **Atmo-Regel:** Lipsync-Outputs tragen nur das Sprach-Bett. Raumton IMMER aus den
  ORIGINAL-Shots ziehen und unter Sprechfenstern ducken (~0.35) — sonst brabbelt
  das Modell-Audio rein.
- **Spur-Architektur:** getrennte WAVs für O-Ton / Atmo / Score / Foley →
  `amix normalize=0` → `loudnorm I=-14:TP=-1`. WAVs sind auflösungsunabhängig —
  jeder spätere Bake nutzt sie unverändert.
- **Song-Timing: ElevenLabs Scribe, NIE Whisper.** Whisper driftet bei Musik ~6 s
  und halluziniert Strukturen; Scribe traf 448/448 Wörter inkl. geschriener
  Gang-Vocals. Whisper nur für Sprache ohne Musikbett (dort ist es das
  Prüfwerkzeug: transkribieren statt hören).
- **Suno stellt Lyrics um** → Schnittstruktur nie vom Textblatt ableiten, immer messen.
- **Foley passgenau:** Transienten per PCM-RMS-Fenster finden (kumulative Suche
  verrutscht), ElevenLabs-SFX (`/v1/sound-generation`) auf den Frame layern.
  UI/Menü-Einblendungen bekommen eigene Sounds — vorher als Asset generieren.

## 5 · Schnitt, Text-Ebene, Finish
- **Text ist eine EIGENE Ebene.** Clean-Master ganz ohne Text schneiden (auch Cards
  zählen als Text). Satz-Subs statt Karaoke. Typografie ernst nehmen: echtes
  Satzsystem (Display-Serif + Text-Serif + Mono für Labels, Grundlinien, echte
  „" –, optischer Randausgleich) statt PIL-Defaults — und ein Typo-Blatt zur
  Freigabe VOR dem Einbrennen.
- **Timeline-Versicherung:** Segment-Grenzen als Assertion prüfen (Lücke = Abbruch
  statt Drift); jedes Stück tpad-clonen; Vor concat Audio vereinheitlichen
  (`aformat=sample_rates=48000:channel_layouts=stereo`).
- **Overlay-Fallen:** `-loop 1` + mehrere Ebenen = Endlos-Render → immer `-t` am
  Output. Overlays IMMER an echten Frames sichtprüfen (`ffmpeg -ss t -frames:v 1`),
  nie am nackten PNG. Schwarz-auf-schwarz nie mit colorkey keyen → Flood-Fill-Matte.
- **Finish-Reihenfolge: Upscale VOR Text-Bake.** Clean hochrechnen (z. B.
  ByteDance-2k, ~$0.0144/s), dann Typo in nativer Zielauflösung einbrennen;
  Schärfung (unsharp) aufs BILD vor den Overlays, nie über den Text.
  Upscaler-Falle: bei zu großem Input kommt klaglos die Default-Auflösung zurück →
  Output-AUFLÖSUNG prüfen, nicht den Job-Status. Upload-Caps (~100 MB) → Master an
  harten Schnittkanten verlustfrei splitten (`concat -c copy`), Teile ≤25 s.
- **9:16 aus 16:9:** eigener Crop + EIGENE Portrait-Typo (Breitenfaktor je Sub
  prüfen) — nicht das Querformat-Layout hineinquetschen.

## 6 · Safety-Filter (Google, Code 1200) — Praxis
- Der Filter beurteilt das GENERIERTE Video, nicht den Prompt: derselbe Prompt kann
  durchgehen und abgelehnt werden. **Erst identisch wiederholen** (Fehlversuche
  kosten $0), erst nach mehreren Ablehnungen umschreiben.
- Flag-Magneten: ruhige warme Nahaufnahme junger Figuren; Alters-/Haut-Vokabular;
  Anatomie-Wörter; auch NEGATIV-Sätze zählen („no writing on his skin" = Haut-Fokus
  → Verbote aufs Material richten). Keine Waffen-Verben Richtung Personen.
- Ellipsen im Sprechtext lesen Modelle als „improvisier weiter" → kurze Zeilen ohne
  „…", mit Wortzahl schließen („exactly two words, nothing else").

## 7 · Arbeitskultur (macht den Unterschied)
- **Erst Konzepte zeigen, dann bauen.** Der Mensch entscheidet an Gates, nicht am Ende.
- **Playbook führen:** jede teuer gelernte Regel sofort dokumentieren, mit Datum und
  Lehrgeld — sonst zahlst du sie doppelt. Widerlegte Regeln explizit als widerlegt
  markieren (Registry-Wissen veraltet!).
- **A/B nur mit Diagnose:** ein Duell ohne Fehlerklassen-Analyse ist Geldverbrennung.
- **Verifiziere, was du nicht wahrnehmen kannst:** Audio → Transkript (Whisper/Scribe),
  Video → Frame-Grids + Zoom-Crops, Länge/Auflösung → ffprobe. Niemals „wird schon
  passen" liefern.