Warum deine AI Shorts wie Stockfootage aussehen, und die vier Dinge, die das beheben

„KI-Schrott“ ist eine nützliche Beleidigung und eine nutzlose Diagnose. Es beschreibt das Gefühl, etwas Zusammengestelltes statt Gemachtes zu sehen, aber es sagt nicht, welche Entscheidung dieses Gefühl hervorgerufen hat, und kann daher nicht sagen, was geändert werden muss.

Vier Dinge leisten den größten Teil der Arbeit, und alle vier sind messbar. Eine Einstellung, in der sich nichts entwickelt. Eine Schnittfrequenz, die einer Stoppuhr folgt statt einem Satz. Jeder Clip stammt aus derselben Quelle. Und die beiden kleinen Produktionsfehler, schwarze Bilder und Stille –, die ein menschlicher Editor gedankenlos entfernt und eine automatisierte Pipeline standardmäßig ausgibt.

Die folgenden Zahlen stammen aus einem framegenauen Referenzset von zehn vertikalen Dokumentationen mit hoher Zuschauerbindung, sieben englischen und drei türkischen, die Einstellung für Einstellung gemessen wurden. Zehn Videos sind ein Referenzbereich, kein Naturgesetz. Es reicht aus, um einige selbstbewusste Ratschläge zu widerlegen, aber nicht, um sie durch eine Formel zu ersetzen.

1. Die Einstellung hat keine Entwicklung

Die mittlere Aufnahmelänge im Referenzset lag zwischen 2,03 und 6,00 Sekunden.

Die Sechs-Sekunden-Marke ist die interessante, denn die gängige Meinung besagt, dass eine statische vertikale Aufnahme nach etwa zwei Sekunden stirbt. Das stimmt nicht. Sie stirbt, wenn sich nichts in ihr entwickelt.

Das sind unterschiedliche Fehler. Eine sechs Sekunden lange Aufnahme einer Menschenmenge, die sich auf die Kamera zubewegt, ist nicht dasselbe wie eine sechs Sekunden lange Aufnahme eines Standfotos, auch wenn eine Stoppuhr sie nicht unterscheiden kann. Die erste liefert noch in der fünften Sekunde Informationen. Die zweite lieferte alles, was sie hatte, im ersten Viertel der Sekunde und verbrachte den Rest damit, den Zuschauer zum Warten aufzufordern.

Deshalb funktioniert der Ratschlag „schneller schneiden“ und führt gleichzeitig in die Irre. Schnelleres Schneiden behebt zwar das Symptom, man sitzt nicht mehr auf einem toten Bild –, aber es behebt es, indem es es versteckt. Das zugrunde liegende Problem ist, dass der Clip nach seinem Motiv und nicht nach seiner Bewegung ausgewählt wurde, und eine so ausgewählte Clip-Bibliothek wird immer wie Archivmaterial wirken, egal wie schnell man zwischen den Clips schneidet.

Worauf bei einem potenziellen Clip zu achten ist: Ändert sich etwas zwischen dem ersten und dem letzten Bild? Kamerabewegung zählt. Subjektbewegung zählt. Ein langsamer Zoom auf ein Standbild ist ein Ersatz dafür, und die Zuschauer haben gelernt, den Ersatz zu erkennen.

2. Die Schnittfrequenz folgt einer Stoppuhr, nicht einem Satz

Die Schnitte pro Minute im Referenzset reichten von 8,2 bis 25,1.

Sehen Sie, wie breit das ist. Das untere Ende des Bereichs ist ein Schnitt etwa alle sieben Sekunden; das obere Ende ist einer alle zweieinhalb Sekunden. Beides war im Set enthalten, und beides hielt die Aufmerksamkeit. Diese einzige Tatsache widerlegt den am häufigsten wiederholten Ratschlag für Shorts in einem Satz: Es gibt keine korrekte Schnittgeschwindigkeit. Es gibt eine korrekte Schnittgeschwindigkeit für das, was gesagt wird.

Das zugrunde liegende Muster ist leichter zu formulieren als die Zahl. Die Schnittfrequenz folgt der Dichte der Erzählung, nicht der Uhr. Ein Satz, der in acht Sekunden drei Orte nennt, braucht drei Einstellungen. Ein Satz, der eine harte Tatsache liefert, braucht eine Einstellung, die dort bleibt, während die Tatsache registriert wird.

Eine automatisierte Pipeline, die in einem festen Intervall schneidet, macht dies auf eine spezifische, erkennbare Weise falsch: Die Bilder stimmen nicht mehr mit dem Satz überein. Ein neues Bild erscheint mitten in einem Satzteil, und die Aufmerksamkeit des Zuschauers wird von den Worten auf die Veränderung gelenkt. Macht man das vierzig Mal in einer Minute, ist das Ergebnis eher erschöpfend als schnell, was die eigentliche Beschwerde hinter den meisten „das fühlt sich nach KI an“-Reaktionen ist.

3. Jeder Clip kam vom selben Ort

Ein echter Render, gemessen: Job b2e4b3eb, ein 53,47 Sekunden langes Stück über Nadia Comăneci bei den Olympischen Spielen 1976. Vierzehn Schnitte, 15,7 Schnitte pro Minute, mittlere Einstellung 3,2 Sekunden, und Material aus fünf separaten Archiven.

Die Anzahl der Quellen ist die Variable, über die niemand spricht, und die für einen Zuschauer am sichtbarsten ist, der nicht artikulieren kann, warum etwas billig aussieht. Material aus einer einzigen Bibliothek teilt sich eine Farbkorrektur, ein Korn, eine Framing-Konvention und oft ein Jahrzehnt. Schneidet man sechs Clips von einem Stock-Anbieter zusammen, hat das Ergebnis eine einheitliche Oberfläche, die eher wie ein Katalog als wie eine Aufzeichnung von etwas, das passiert ist, wirkt.

Dies ist auch der Grund, warum so viele gesichtslose Kanäle einander ähneln, anstatt sich selbst. Sie greifen auf dieselbe Handvoll Bibliotheken zurück, so dass ihre Videos den gleichen visuellen Akzent erben.

4. Schwarze Bilder und Stille

Drei Dinge trafen in allen zehn Referenzvideos ausnahmslos zu.

Keine schwarzen Bilder. Null. Nicht zwischen Szenen, nicht als Überblendung, nichts. Ein einzelnes dunkles Bild in einem vertikalen Feed wird als Ende des Videos interpretiert, und der Daumen bewegt sich bereits, bevor die nächste Einstellung kommt.

Keine Stille. Ebenfalls null. Jede Lücke in der Erzählung transportiert etwas, selbst wenn dieses Etwas Raumklang ist.

Ein schmales Lautstärkeintervall, gemessen bei -14,8 bis -11,5 dBFS integriert. Nicht, weil eine Zahl magisch ist, sondern weil ein Video, das leiser ist als der Feed um es herum, übersprungen wird, bevor der erste Satz beendet ist.

Dies sind die Fehler, die eine automatisierte Pipeline am zuverlässigsten von einem bearbeiteten Video trennen, weil sie in einem Storyboard unsichtbar und in der Wiedergabe offensichtlich sind. Ein menschlicher Editor entfernt sie, ohne zu bemerken, dass er eine Entscheidung getroffen hat. Ein Renderer gibt sie aus, es sei denn, jemand hat entschieden, dass er es nicht sollte.

Woher das Filmmaterial stammt

Die meisten der vier oben genannten Fehler lassen sich auf eine vorgelagerte Entscheidung zurückführen, daher lohnt es sich, die Optionen ehrlich zu benennen, anstatt so zu tun, als ob eine überall gewinnt.

Footage-Quelle	Was es ist	Wiederholungen über Kanäle hinweg	Kann genannt werden	Bewegung im Bild
Generiert (Videomodell)	Aus einem Prompt erfunden	Gering, jeder Clip ist einzigartig	Kein Original zum Nennen	Hoch, aber oft physikalisch falsch
Stock-Bibliothek	Lizenzierte Katalogclips	Hoch, gleiche Bibliotheken, gleiche Clips	Lizenz, nicht Urheberschaft	Gemischt; vieles davon ist B-Roll, die generisch gedreht wurde
Echtes Archiv	Aufnahmen des tatsächlichen Ereignisses	Gering, wenn die Beschaffung breit gefächert ist	Ja, mit genannter Quelle	Was auch immer wirklich passiert ist
Standbilder mit Bewegung	Fotos, geschwenkt oder gezoomt	Mittel	Ja	Simuliert

Nichts davon ist disqualifizierend. Generiertes Filmmaterial ist die stärkste Option, wenn das Motiv nie vor einer Kamera existierte. Stock-Material ist für abstrakte Sequenzen vertretbar. Archivmaterial ist das einzige, das einen Anspruch auf ein reales Ereignis tragen kann, und seine Schwäche ist die Verfügbarkeit und nicht die Glaubwürdigkeit.

Der Fehler liegt nicht in der Wahl einer bestimmten Quelle. Er liegt darin, eine zu wählen und sie für alles zu verwenden.

Überprüfung des eigenen Videos

Fünf Dinge, die Sie an einem bereits veröffentlichten Short in etwa zehn Minuten messen können:

1. Mittlere Aufnahmelänge. Wenn sie durchweg unter zwei Sekunden liegt, verstecken Sie wahrscheinlich tote Clips, anstatt eine Geschichte zu erzählen.
2. Schnittfrequenz im Verhältnis zur Erzählung. Spielen Sie es nur mit Audio ab, dann nur mit Video. Wenn die Schnitte mitten im Satz landen, folgt der Schnitt einem Timer.
3. Anzahl der Quellen. Aus wie vielen verschiedenen Orten stammt das Filmmaterial? Einer ist eine Warnung.
4. Schwarze Bilder. Gehen Sie jede Überblendung durch. Es sollten keine vorhanden sein.
5. Stille. Jede Lücke, die länger als ein Atemzug ist, ist ein Punkt, an dem der Zuschauer abspringen kann.

Jede Zahl in diesem Beitrag beschreibt ein Referenzset von zehn Videos und ein Produktionsmanifest. Betrachten Sie es als einen Bereich, an dem Sie sich orientieren können, nicht als eine Spezifikation, die Sie erreichen müssen, ein Short mit 26 Schnitten pro Minute ist nicht automatisch falsch, es liegt außerhalb des von uns gemessenen Bereichs und ist einen zweiten Blick wert.

<!-- faq -->

Fragen, die Leute stellen

Ist KI-generiertes Filmmaterial immer schlechter als Archivmaterial?

Nein. Generiertes Filmmaterial ist die stärkste Option, wenn das Motiv nie vor einer Kamera existierte, und die schwächste, wenn es das tat. Das Problem ist nicht, dass es generiert ist, sondern dass ein Video, das vollständig aus einer Quelle, generiert, Stock oder Archiv, erstellt wurde, die einheitliche Oberfläche dieser Quelle erbt. Unser Referenz-Render verwendete fünf separate Archive für ein 53-sekündiges Stück.

Wie lang darf eine einzelne Einstellung in einem Short sein?

Länger als die gängigen Ratschläge vermuten lassen. Die mittlere Aufnahmelänge in unserem Referenzset reichte von 2,03 bis 6,00 Sekunden, und die Videos am oberen Ende dieses Bereichs hielten die Aufmerksamkeit. Wichtig ist, ob sich in der Einstellung etwas entwickelt, nicht wie viele Sekunden sie einnimmt.

Verbessert schnelleres Schneiden die Zuschauerbindung?

Nicht von allein. Die Schnitte pro Minute reichten im Referenzset von 8,2 bis 25,1, und beide Extreme funktionierten. Die Schnittfrequenz, die die Aufmerksamkeit hält, ist diejenige, die der Dichte dessen folgt, was gesagt wird, daher ist ein festes Intervall das falsche Werkzeug, egal welches Intervall Sie wählen.

Warum sehen so viele gesichtslose Kanäle identisch aus?

Weil sie aus denselben wenigen Stock-Bibliotheken schöpfen, und Material aus einer Bibliothek teilt sich eine Farbkorrektur, ein Korn und eine Framing-Konvention. Die Erweiterung der Quellenanzahl ist die günstigste verfügbare Änderung: Sie kostet Beschaffungsaufwand statt Produktionsbudget.

Welche Lautstärke sollte ein Short haben?

Unser Referenzset lag zwischen -14,8 und -11,5 dBFS integriert. Die genaue Zahl ist weniger wichtig als die relative: Ein Video, das merklich leiser ist als der Feed um es herum, verliert Zuschauer, bevor der erste Satz landet.

Beeinflusst die Verwendung von Archivmaterial die Monetarisierung?

Beschaffung und Monetarisierung sind getrennte Fragen, und die zweite hängt von Originalität und Zuschreibung ab, nicht davon, ob eine Maschine beteiligt war. Es lohnt sich, die Richtlinien von YouTube direkt zu lesen, anstatt eine Zusammenfassung davon.