KI-Video mit ChatGPT erstellen: Schritt für Schritt

Sora war eines der bekanntesten Text-zu-Video-Modelle, zuletzt in Version Sora 2 als eigene App und über die API. Laut heise ist auch die geplante Integration von Sora in ChatGPT gestrichen. Die Hintergründe der Einstellung haben verschiedene Medien beschrieben, eine ausführliche offizielle Begründung gibt es nicht.

Für dich zählt: Neue Videos lassen sich mit Sora nicht mehr erzeugen, und Dienste, die Sora über die API eingebunden hatten, mussten umstellen. Der Automatisierungsdienst Make hat zum Beispiel seine Sora-Module zum 24. September 2026 entfernt.

Wer noch alte Sora-Videos hatte, konnte sie laut OpenAI-Hilfe über sora.chatgpt.com/sunset exportieren. OpenAI kündigt dort an, nach der Abschaltung und einem eventuellen letzten Exportfenster alle Daten zur Sora-Nutzung dauerhaft zu löschen.

Den aktuellen Stand und die Quellen findest du im Datenblatt OpenAI Sora.

Bevor du anfängst, leg dir diese Dinge zurecht:

Was	Wofür	Beispiel
ChatGPT-Zugang	Konzept, Szenen, Prompts, Texte	Free-Plan reicht für die Planung
Videogenerator	Clips aus den Prompts erzeugen	Google Flow, Kling AI, Runway
Avatar-Tool (optional)	Sprecher vor der Kamera	HeyGen, Synthesia, Colossyan
Editor	Clips schneiden, Text und Musik	CapCut, Clipchamp
30 bis 60 Minuten	erstes kurzes Video	20 bis 30 Sekunden Länge

Laut OpenAI-Hilfe hat der Free-Plan eigene Nutzungslimits für Datei-Uploads und Bildgenerierung. Für reine Textarbeit wie Skripte und Prompts spielt das kaum eine Rolle.

Der häufigste Fehler passiert vor dem ersten Prompt. Wer ChatGPT nur „Mach mir ein Video über Kaffee“ schreibt, bekommt eine beliebige Idee. Kläre vorher fünf Punkte:

1. Plattform: Instagram Reels, TikTok, YouTube, Website oder interne Schulung.
2. Format: Hochformat 9:16 für Reels und TikTok, Querformat 16:9 für YouTube und Websites.
3. Länge: Gesamtdauer in Sekunden. Für den Einstieg reichen 15 bis 30 Sekunden.
4. Zielgruppe: Wer soll das sehen, was soll die Person danach tun?
5. Stil: realistisch, Animation, Produktaufnahme, Dokumentarlook.

Schreib die Antworten in einen Absatz. Den kopierst du gleich in ChatGPT.

Öffne einen neuen Chat in ChatGPT und gib Zweck, Zielgruppe, Plattform und Länge an. Bitte um drei unterschiedliche Konzepte mit je einer Szenenliste. So kannst du vergleichen, statt die erste Idee zu nehmen.

Ich brauche ein 20-sekündiges Hochkant-Video für Instagram Reels für eine kleine Kaffeerösterei. Zielgruppe: Menschen zwischen 25 und 45, die Wert auf Herkunft legen. Schlage drei Konzepte vor, jeweils mit 3 bis 4 Szenen à 5 bis 8 Sekunden und einer kurzen Textzeile für das Ende.

Lies die drei Vorschläge und entscheide dich für einen. Wenn dir Teile aus verschiedenen Konzepten gefallen, sag ChatGPT genau das: „Nimm Szene 1 aus Konzept A und Szene 2 und 3 aus Konzept C.“

Ein Problem bei mehreren Clips: Die Hauptfigur sieht in jeder Szene anders aus. Dagegen hilft eine feste Beschreibung, die in jedem Prompt wörtlich wiederkehrt. Lass sie ChatGPT einmal formulieren:

Schreibe eine feste Figurenbeschreibung auf Englisch mit höchstens 25 Wörtern für die Baristin aus meinem Konzept: Alter, Haare, Kleidung, ein auffälliges Merkmal. Setze diese Beschreibung danach wörtlich in jeden Szenen-Prompt ein, in dem sie vorkommt.

Viele Tools bieten zusätzlich Referenzbilder. Google gibt für Veo 3.1 bis zu drei Referenzbilder an, die Gemini-App erlaubt laut Hilfe bis zu fünf Bilder pro Anfrage. Ein Referenzbild der Figur ist zuverlässiger als jede Beschreibung. Mehr dazu im Glossar unter Charakter-Konsistenz.

Für Schulungs- oder Erklärvideos mit Avatar schreibt ChatGPT das Sprechskript. Gib die Dauer vor (als Richtwert etwa 130 bis 150 Wörter pro Minute), bitte um kurze Sätze und lass Zahlen ausschreiben.

Schreibe ein Sprechskript auf Deutsch für ein 60-sekündiges Erklärvideo mit einer Sprecherin vor der Kamera. Thema: [Thema]. Zielgruppe: [Zielgruppe].
Regeln:
- höchstens 140 Wörter
- Sätze mit höchstens 15 Wörtern
- Zahlen und Abkürzungen ausschreiben
- Du-Ansprache
- nach jedem Absatz eine Zeile [Pause]
- am Ende ein Satz, was die Zuschauer als Nächstes tun sollen

Lies das Skript einmal laut vor und stopp die Zeit. Ausgeschriebene Zahlen und kurze Sätze helfen der KI-Stimme bei der Aussprache. Das Skript fügst du dann in ein Avatar-Tool wie HeyGen, Synthesia oder Colossyan ein. Vorlagen findest du in den Avatar-Skripten, die Anleitung für einen eigenen Avatar im Ratgeber KI-Avatar erstellen.

Wenn dein ChatGPT-Zugang Bildgenerierung enthält, kannst du dort ein Startbild erstellen und es anschließend in einem Bild-zu-Video-Tool animieren. Laut OpenAI-Hilfe gibt es Bildgenerierung auch im Free-Plan, mit eigenem Nutzungslimit.

Der Vorteil: Du legst Look, Bildaufbau und Figur fest, bevor das Videotool rechnet. Das spart Credits, weil weniger Clips danebengehen.

Erstelle ein fotorealistisches Bild im Hochformat 9:16: eine Baristin mit kurzen roten Haaren und dunkelgrüner Schürze steht hinter einer Theke aus hellem Holz und hält eine Tasse. Warmes Morgenlicht von links. Kein Text, keine Logos im Bild.

Prüfe vorher die Nutzungsbedingungen für die kommerzielle Verwendung. Laut OpenAI-Nutzungsbedingungen gehört dir der Output im Verhältnis zu OpenAI, soweit das Gesetz es zulässt. Ähnliche Ergebnisse können aber auch andere Nutzer erhalten. Welche Tools Bilder animieren, steht in der Kategorie Bild-zu-Video, die Anleitung im Ratgeber KI-Bild animieren.

Jetzt wechselst du ins Videotool. Am Beispiel Google Flow, weil es laut Google jedem Konto 50 Credits pro Tag gibt, auch ohne Abo (Stand 10/2026):

1. Flow öffnen und ein neues Projekt anlegen.
2. Laut Flow-Hilfe auf den Modellnamen klicken und „Video“ wählen.
3. Seitenverhältnis, Anzahl der Ausgaben, Modell und Länge einstellen.
4. Den ersten Szenen-Prompt aus ChatGPT einfügen und „Generate“ klicken.
5. Für Startbilder den Modus „Frames“ wählen und das Bild aus Schritt 7 als Startframe hinzufügen.

Erzeuge jede Szene zwei- bis dreimal und wähle den besten Clip aus. Ändere zwischen zwei Versuchen nur einen Punkt im Prompt, sonst weißt du nicht, was geholfen hat.

Was ein Clip in Flow kostet, steht laut Google in der Credit-Übersicht: Veo 3.1 Lite zum Beispiel 10 Credits, Gemini Omni Flash in 720p 12 Credits für 8 Sekunden. Die ganze Anleitung mit Gemini-App und Flow steht im Ratgeber KI-Videos mit Gemini und Veo.

Im Editor setzt du die Clips zusammen. Texte, Logos und die Schlusszeile fügst du dort ein, nicht im Videogenerator. Danach hilft ChatGPT wieder, diesmal bei den Texten rund ums Video:

Hier ist das fertige Skript meines Videos: [Skript einfügen]
Schreibe:
1. eine Videobeschreibung für Instagram mit höchstens 150 Zeichen
2. fünf passende Hashtags ohne Fantasiebegriffe
3. Untertitel im SRT-Format mit Zeilen von höchstens 42 Zeichen
4. eine englische Übersetzung der Untertitel

Die Zeitmarken in der SRT-Datei musst du im Editor an die echten Szenen anpassen, ChatGPT kennt dein Video nicht. Was eine SRT-Datei ist, erklärt das Glossar. Für vertonte Übersetzungen mit passender Stimme gibt es spezialisierte Tools in der Kategorie Übersetzung & Lip-Sync.

Statt mehrerer einzelner Anfragen kannst du ChatGPT auch einen vollständigen Auftrag geben. Diese Vorlage liefert in einem Durchgang Konzept, Szenen, Prompts und Begleittexte. Passe die Angaben in eckigen Klammern an.

Du hilfst mir, ein KI-Video zu planen. Das Video selbst erstelle ich anschließend in einem Videogenerator.

Angaben:
- Thema: [z. B. Eröffnung eines Fahrradladens]
- Plattform und Format: [z. B. Instagram Reels, 9:16]
- Gesamtlänge: [z. B. 20 Sekunden]
- Maximale Cliplänge meines Tools: [z. B. 8 Sekunden]
- Zielgruppe: [z. B. Pendler in der Stadt]
- Stil: [z. B. realistisch, warme Farben]

Liefere:
1. Eine Szenenliste mit 3 bis 4 Szenen, je 5 bis 8 Sekunden.
2. Für jede Szene einen Video-Prompt auf Englisch mit maximal 60 Wörtern: Motiv, eine einzige Handlung, Umgebung, Kamera, Licht, Stil. Keine Texte oder Schriftzüge im Bild.
3. Für jede Szene eine Zeile "Audio:" mit Geräuschen.
4. Eine Textzeile für das Ende, die ich im Editor einfüge.
5. Eine Videobeschreibung mit höchstens 150 Zeichen.

Die Anweisung „keine Texte oder Schriftzüge im Bild“ ist bewusst gewählt: Schrift gerät bei vielen Videomodellen fehlerhaft und wird besser im Editor gesetzt. Eine Ausnahme nennt Google für Gemini Omni: Dort soll Text im Bild lesbar werden, wenn du den genauen Wortlaut angibst.

Produktvideo für einen Onlineshop

Plane ein 16-sekündiges Produktvideo im Querformat 16:9 für eine handgemachte Keramiktasse. Zwei Szenen à 8 Sekunden. Szene 1: Tasse auf Holztisch, Kamera fährt langsam um sie herum. Szene 2: Hand hebt die Tasse, Dampf steigt auf. Schreibe für jede Szene einen englischen Video-Prompt mit höchstens 50 Wörtern, Studiolicht, ruhiger Hintergrund, keine Schrift im Bild. Dazu eine Zeile "Audio:" ohne Musik.

Weitere Vorlagen stehen in den Produktvideo-Prompts.

Erklärvideo für die interne Schulung

Plane ein 90-sekündiges Schulungsvideo zum Thema "Passwörter sicher verwalten" für Mitarbeitende ohne IT-Vorwissen. Teile es in eine Begrüßung, drei Tipps und einen Abschluss. Schreibe ein deutsches Sprechskript mit höchstens 210 Wörtern für einen Avatar und schlage zu jedem Abschnitt eine Einblendung mit höchstens fünf Wörtern vor.

Social-Media-Clip mit Hook

Plane einen 15-sekündigen TikTok-Clip im Hochformat für ein Fahrradgeschäft. Die ersten 2 Sekunden müssen ohne Ton verständlich sein. Liefere zwei Szenen mit englischen Video-Prompts, eine Texteinblendung für den Anfang mit höchstens sechs Wörtern und drei Varianten für die Beschreibung.

Mehr Ideen für Kurzvideos findest du in den Social-Media-Prompts und im Ratgeber KI-Videos für TikTok und Reels.

Problem	Ursache	Lösung
Clip zeigt etwas anderes als geplant	Prompt enthält mehrere Handlungen	eine Handlung pro Prompt, Rest streichen
Figur sieht in jeder Szene anders aus	Beschreibung wechselt	feste Figurenbeschreibung wörtlich wiederholen, Referenzbild nutzen
Schrift im Video ist unleserlich	Text im Prompt verlangt	Text im Editor einfügen
Szene passt nicht in einen Clip	Szenenlänge über dem Limit des Tools	maximale Cliplänge in Schritt 3 vorgeben
Ton fehlt oder passt nicht	Modell ohne nativen Ton oder Audio nicht beschrieben	Tool mit Ton wählen, Geräusche ausdrücklich nennen oder „no music“ schreiben
Tool lehnt den Prompt ab	Namen bekannter Personen, Marken oder Figuren	allgemein beschreiben, keine echten Namen
Avatar spricht zu schnell oder zu lang	Skript zu lang für die Dauer	130 bis 150 Wörter pro Minute als Richtwert, laut vorlesen
Credits schnell aufgebraucht	gleich in hoher Qualität erzeugt	erst günstige Variante testen, dann die beste Idee hochwertig erzeugen

ChatGPT kennt die Eigenheiten einzelner Videomodelle nur begrenzt. Ob ein Modell eine bestimmte Kamerabewegung sauber umsetzt, wie lang ein Clip sein darf oder ob es Ton erzeugt, steht in den Angaben des Herstellers und auf unseren Tool-Seiten, nicht unbedingt im Wissen des Chatbots. Prüfe deshalb:

• Länge: Passt die geplante Szenenlänge zum Modell? Google Veo 3.1 erzeugt laut Google 4, 6 oder 8 Sekunden pro Generierung, Runway Gen-4.5 2 bis 10 Sekunden.
• Ton: Eine „Audio“-Zeile hilft nur bei Modellen mit nativem Ton.
• Handlung: Streiche Nebenhandlungen, die ChatGPT gern ergänzt.
• Rechte: Lass dir keine Prompts mit Namen bekannter Personen, Marken oder Filmfiguren schreiben.

Das Ergebnis aus ChatGPT ist ein Entwurf. Die Arbeit am Video, also Auswahl, Schnitt und Kontrolle, bleibt bei dir.

Wer Planung und Video an einem Ort will, landet derzeit bei Google. Laut Gemini-Hilfe kannst du Ideen und Prompts zuerst im normalen Chat verfeinern und dann direkt das Video erzeugen. Dafür braucht ein Privatkonto ein Google-AI-Abo, und die Funktion ist laut Google nicht für Nutzer unter 18 verfügbar.

	ChatGPT	Google Gemini
Video direkt im Chat	nein, seit dem Ende von Sora	ja, mit Google-AI-Abo
Skript und Prompts	ja	ja
Bilder erzeugen	ja, auch im Free-Plan mit Limit	ja
Video ohne Abo	nein	in Google Flow mit 50 Credits pro Tag

Für die reine Planung kannst du beide nutzen. Viele arbeiten mit dem Chatbot, den sie ohnehin kennen, und kopieren die Prompts ins Videotool.

Die naheliegenden Alternativen zu Sora sind Google Veo, Kling AI und Runway. Daneben gibt es weitere Modelle mit ähnlichem Einsatzzweck. Die Angaben stammen von den Anbietern (Stand 10/2026):

Tool	Modell	Besonderheit laut Anbieter	Einstieg
Google Veo	Gemini Omni Flash, Veo 3.1	nativer Ton, in Flow 50 Credits pro Tag ohne Abo	Abo-Preise siehe Preisübersicht
Kling AI	Kling 3.0 / 4.0	Ton und Bild in einem Durchgang, natives 4K	ab 8,80 USD/Monat
Runway	Gen-4.5	2 bis 10 Sekunden, Kamerasteuerung, Drittmodelle	ab 15 USD/Monat
Wan	Wan 3.0	bis 30 Sekunden mit Ton	ab 10 USD/Monat
Grok Imagine	Grok Imagine Video 1.5	Ton, bis 30 Sekunden	Plus-Abo ab 8 €/Monat
Dreamina	Seedance 2.5	bis 30 Sekunden, bis zu 50 Referenzen	siehe Preisübersicht

Wer komplette Videos mit Skript, Stock-Material und Sprecher aus einem einzigen Prompt will, schaut sich invideo AI an, das laut Preisseite Seedance-Modelle einbindet.

Den direkten Vergleich mit Googles Modell zeigt Google Veo vs. OpenAI Sora. Alle Text-zu-Video-Tools stehen in der Kategorie Text-zu-Video und in der Übersicht nach Anwendungen. Wer nichts bezahlen will, findet Wege im Ratgeber KI-Videos kostenlos erstellen.

Einige Plattformen haben Sora über die API angeboten. Pollo AI nannte Sora im Oktober 2026 noch in seiner Modellauswahl. Da OpenAI die API am 24. September 2026 abgeschaltet hat, ist unklar, was dort tatsächlich generiert wird. Prüfe bei solchen Angeboten, welches Modell wirklich dahintersteht, bevor du Credits kaufst.

• Plattform, Format, Länge, Zielgruppe und Stil festgelegt
• Drei Konzepte angefordert und eins ausgewählt
• Szenenlänge an die maximale Cliplänge des Tools angepasst
• Ein englischer Prompt pro Szene mit genau einer Handlung
• Feste Figurenbeschreibung in jedem Prompt, bei Bedarf Referenzbild
• Keine Namen echter Personen, Marken oder Filmfiguren im Prompt
• Jede Szene zwei- bis dreimal erzeugt, beste Clips ausgewählt
• Text, Logo und Musik im Editor ergänzt
• Beschreibung und Untertitel mit ChatGPT geschrieben und geprüft
• Rechte des Tarifs geprüft und Kennzeichnung geklärt

Eine allgemeine Schritt-für-Schritt-Anleitung unabhängig von ChatGPT steht unter KI-Videos erstellen.