KI-Fashion-Film selbst bauen: Higgsfield, Kling und Claude

Diese Woche hab ich mir einen Fashion-Film gebaut. Schwarz-Weiß, Betonhalle, hartes Seitenlicht, ich in Lederjacke, 26 Sekunden lang. Eine Kamera hab ich dafür nicht angefasst. Herausgekommen sind eine Fassung für Reels und eine für meine Prompt Rocker-Website.

Meine These: Ein KI-Fashion-Film steht und fällt mit der Arbeitsteilung. Die KI liefert Bild und Bewegung, Schrift und Grafik kommen aus dem Code, und du führst Regie.

Ich bin seit 1989 in der Kommunikationsbranche und hab genug Imagefilme gebrieft, um zu wissen, wo so etwas normalerweise Geld verbrennt. Nach diesem Tutorial kannst du den kompletten Ablauf nachbauen, inklusive Prompts, Kosten und der Fehler, die mir passiert sind. Los geht es mit dem Konzept, weil dort die meisten Projekte schon scheitern.

// tl;dr

Kurz gesagt

1. 01Der Film besteht aus 13 Fotoszenen, drei Grafik-Unterbrechungen, einem Bild-Insert und einer Endkarte, geschnitten auf 120 BPM.
2. 02Keyframes entstehen zuerst als Standbilder mit einem festen Stilblock, erst danach animiert Kling 3.0 jedes Bild zu einem 3-Sekunden-Clip.
3. 03Schrift, Raster und Glitch-Effekte baut Claude im Code, weil Videomodelle Text und präzise Geometrie unzuverlässig darstellen.
4. 04Bei mir haben 30 Keyframes und 29 Clips rund 190 Higgsfield-Credits gekostet.
5. 05Ein realistisches KI-Video einer echten Person braucht nach Artikel 50 des EU AI Act eine sichtbare Kennzeichnung.

Was brauchst du für einen KI-Fashion-Film?

Weniger, als du glaubst. Ich arbeite mit Claude, das über den Higgsfield-Connector direkt Bilder und Videos generiert. Wie du die Verbindung einrichtest, hab ich ausführlich beschrieben, als ich Videos direkt aus Claude heraus mit Seedance 2.0 und dem Higgsfield-Connector erzeugt hab. Das dauert ein paar Minuten.

Dazu kommen zwei gute Referenzfotos von dir: ein Porträt mit klar erkennbarem Gesicht und ein Ganzkörperbild. Mehr hab ich nicht gebraucht. Achte darauf, dass auf den Fotos keine fremden Logos zu sehen sind. Auf meinem Ganzkörperbild war ein T-Shirt mit fremdem Markenlogo, das hab ich im Prompt ausdrücklich durch einen schwarzen Rollkragen ersetzt. Sonst landet die Marke eines anderen in deinem Werbefilm.

Für Grafik und Schnitt brauchst du Python und ffmpeg. Beides ist kostenlos, und du musst keine Zeile davon selbst schreiben. Claude schreibt den Code, führt ihn aus und zeigt dir die Ergebnisse.

Wie schreibst du ein Konzept, das nicht austauschbar aussieht?

Die Bildsprache, die ich wollte, kennt jeder: harte Schatten, rauer Beton, Nahaufnahmen von Händen und Stoff, dazwischen grafische Störungen. Modelabels setzen das seit Jahren so um. Genau darin liegt die Falle. Übernimmst du die Formel eins zu eins, sieht dein Film aus wie jeder andere.

Ich hab deshalb zwei Dinge geändert. Statt eines eleganten Mantels trage ich meine Lederjacke, weil Prompt Rocker sonst nur ein Name wäre. Und es gibt genau einen Farbakzent im ganzen Film: Das Wort ROCKER auf der Endkarte ist orange, meine Markenfarbe seit 1989. Alles andere bleibt schwarz-weiß.

Dann die Shotlist. Jede Szene bekommt eine Länge in Beats statt in Sekunden. Bei 120 BPM ist ein Beat eine halbe Sekunde, damit sitzt später jeder Schnitt auf dem Takt, egal welche Musik du drunterlegst. Die Einblendungen hab ich an Bildmotive gekoppelt: KI-BERATUNG erscheint über dem Auge, WORKSHOPS über einer offenen Handgeste, LÖSUNGEN in dem Moment, in dem sich der Reißverschluss der Jacke schließt.

Was mir beim Planen klar geworden ist:

Ein KI-Film wirkt dann professionell, wenn du jedem Werkzeug nur die Aufgabe gibst, die es zuverlässig kann. Die Bildmodelle liefern Licht und Gesichter, der Code liefert Schrift und Geometrie, und ich entscheide, was im Schnitt bleibt.

Wie bekommst du dich konsistent in 30 Keyframes?

Mit einem festen Stilblock. Der steht vor jedem einzelnen Prompt und ändert sich nie. Nur der Teil danach beschreibt die konkrete Szene. Das ist die gleiche Idee, die ich bei Markenbildern mit KI statt Stockfotos beschrieben hab, nur konsequenter.

Mein Stilblock sah so aus:

Black and white fashion editorial film still. The man from the reference photos,
exact same face and identity: rectangular black glasses, short slicked-back
grey-brown hair, grey goatee. He wears a worn black leather biker jacket over a
plain black ribbed knit turtleneck (no logos, no print), dark jeans, white
leather sneakers. Raw rough concrete interior. Hard directional side light,
deep crushed blacks, visible material texture, sparse minimal composition,
large negative space, subtle 35mm film grain, high-contrast monochrome.
No text, no logos, no watermark.

Danach folgt pro Szene ein Satz, zum Beispiel: „Extreme macro close-up of one of his eyes behind the rectangular black glasses frame, a thin horizontal streak of light reflected in the lens.“

Als Modell hab ich in Higgsfield Nano Banana Pro gewählt, das Bildmodell von Google. Laut Google verarbeitet es bis zu 14 Referenzbilder in einem Durchgang und hält dabei mehrere Personen konsistent. Zwei haben bei mir gereicht. Ein Keyframe in 2K hat 2 Credits gekostet.

Wichtig: Generiere 9:16 und 16:9 getrennt. Aus einem Hochformat einen Querformat-Ausschnitt zu holen, geht bei Halbtotalen fast nie gut. Bei mir waren das 13 Szenen pro Format plus ein Insert.

Danach kommt der Schritt, den die meisten überspringen: Lass dir alle Keyframes als Contact Sheet nebeneinander zeigen. Erst so siehst du, ob der Look hält. Mir ist dabei aufgefallen, dass ein Strick-Makro im Querformat als Diptychon zurückkam, links ich stehend, rechts der Kragen. Ein neuer Prompt mit „One single full-frame photograph, not a collage, not a diptych“ hat das behoben.

Wie werden aus Standbildern bewegte Clips?

Jetzt kommt das Image-to-Video-Modell ins Spiel. Ich hab Kling 3.0 von Kuaishou verwendet, und zwar im Pro-Modus mit 3 Sekunden Länge und ohne Ton. Ein Clip hat 4,5 Credits gekostet. Ton brauchst du hier nicht, die Musik kommt später.

Drei Sekunden klingen kurz. Im fertigen Film steht keine Einstellung länger als drei Sekunden, die meisten nur eine bis eineinhalb. Längere Clips kosten mehr Credits und werfen mehr Material ab, das du sowieso wegschneidest.

Die Bewegungs-Prompts hab ich bewusst klein gehalten: „Slow push-in“, „he blinks once slowly“, „his hand pulls the metal zipper upward in one smooth motion“. Je weniger Bewegung, desto weniger Fehler im Gesicht.

Und hier hatte ich den einzigen echten Fehlgriff. In einer Szene sollte ich mit den Händen etwas erklären. Das Ergebnis sah aus, als würde ich reden, und das wollte ich nicht. Ich wollte ruhige Zuversicht zeigen, das Gefühl, dass ich das Problem mit dem Kunden lösen werde. Also neuer Keyframe mit geschlossenem Mund und offener Handgeste, und im Video-Prompt die klare Ansage: „His mouth stays firmly closed the entire time, he does not speak, no lip movement.“ Der zweite Versuch hat gepasst.

Warum Schrift und Grafik nicht von der KI kommen sollten

Weil sie dort am häufigsten schiefgehen. Videomodelle verbiegen Buchstaben, lassen Linien zittern und ändern Abstände von Frame zu Frame. Für einen Markenfilm ist das ein K.-o.-Kriterium.

Ich hab Claude deshalb alle Grafiken in Python bauen lassen. Das Höhenlinien-Raster entsteht aus der Helligkeit eines Porträts: Das Bild wird stark weichgezeichnet, in 16 Helligkeitsstufen zerlegt, und die Kanten zwischen den Stufen ergeben die Konturlinien. Das zerschnittene Gesicht ist das Porträt aus der letzten Szene, in 26 waagrechte Streifen geteilt, die gegeneinander verrutschen. Das gekippte Bild-Insert ist ein laufender Clip, verkleinert, mit weißem Rand und um acht Grad gedreht.

Die Schrift ist Barlow Condensed, eine freie Grotesk mit offener Lizenz. Für die Website hostest du sie selbst, statt sie von einem fremden Server zu laden. Das ist DSGVO-seitig die saubere Lösung.

Wie weit du mit Animation im Code kommst, hab ich bei Motion Graphics mit Claude Code ausprobiert. Für diesen Film war das Prinzip dasselbe, nur mit echten Bildern statt reiner Grafik.

Wie schneidest du das Ganze auf den Takt?

Claude hat ein Python-Skript geschrieben, das jede Szene Frame für Frame aufbaut und direkt an ffmpeg weiterreicht. Auf jedes Bild kommen eine sanfte S-Kurve für tiefe Schwärzen, ein leichtes Filmkorn und bei Bedarf die Schrift mit einem weichen Schatten, damit sie auch auf hellem Beton lesbar bleibt.

Ein Rendering lief nicht durch. Beim ersten Versuch ist der Arbeitsspeicher übergelaufen, weil das Skript alle Clips gleichzeitig in voller Auflösung im Speicher gehalten hat. Die Lösung war simpel: jede Szene einzeln laden, verarbeiten und verwerfen. Danach hat ein Durchgang pro Format rund eine Minute gedauert.

Am Ende hatte ich vier Dateien:

• Social Media in 9:16, 1080 × 1920, in voller Qualität für Reels und LinkedIn
• Website-Hero in 16:9, 1280 × 720, auf rund 2 MB komprimiert
• Website-Hero für Mobilgeräte in 9:16, ebenfalls rund 2 MB
• ein Standbild als Poster, das beim Laden und bei reduzierter Bewegung erscheint

Die mobile Version ist kein Luxus. Ein Querformat-Video auf einem Handy im Hochformat verschenkt zwei Drittel des Bildschirms.

Muss so ein Video gekennzeichnet werden?

Ja. Ein fotorealistisches KI-Video einer echten Person ist ein Deepfake im Sinne der KI-Verordnung, auch wenn du diese Person selbst bist. Seit 2. August 2026 verlangt Artikel 50 Absatz 4 der EU-KI-Verordnung von Betreibern, solche Inhalte offenzulegen. Welche Bilder und Videos konkret betroffen sind, hab ich aufgeschlüsselt, als ich erklärt hab, wen die Kennzeichnungspflicht für KI-Bilder und Chatbots trifft.

Ich hab „KI-generiert“ klein auf die Endkarte gesetzt. Ob eine Behörde bei einem Selbstporträt je genau hinschaut, weiß ich nicht. Aber als jemand, der Betriebe zum AI Act berät, kann ich mir eine Ausnahme für mich selbst schlecht leisten.

Was du heute machen kannst

Such dir zwei Fotos von dir, schreib deinen Stilblock und generier zuerst nur drei Keyframes. Schau sie dir nebeneinander an. Wenn der Look hält, ist der Rest Fleißarbeit, die Claude dir abnimmt.

Für mich hat der Film rund 190 Credits gekostet. Den Unterschied zu einem gebuchten Dreh rechne ich dir nicht vor, das schaffst du eh selbst.