Veo 3 Dialog: Wie man zwei Figuren in einer Szene sprechen lässt (2026)

Die meisten KI-Videotools können eine Figur die Lippen bewegen lassen. Fast keines kann zwei Personen ein echtes Gespräch führen lassen — Repliken austauschen, aufeinander reagieren, mit unterschiedlichen Stimmen und einer Lippensynchronisation, die wirklich auf den Worten sitzt. Genau diese Funktion lässt Veo 3 weniger wie einen Generator und mehr wie ein kleines Filmteam wirken. Sie wird auch am häufigsten falsch gemacht, denn ein Dialog mit zwei Figuren ist nicht „doppelt so schwer wie eine Figur" — es ist eine völlig andere Prompt-Disziplin.

Dieser Leitfaden ist das praktische Handbuch, um zwei sprechende Figuren in Veo 3 zu inszenieren: wie man den Prompt so aufbaut, dass das Modell weiß, wer wann spricht, wie man jede Stimme eigenständig hält, wie die Lippensynchronisation hält und wie man einen längeren Austausch zusammensetzt, wenn ein einzelner 8-Sekunden-Clip nicht reicht. Alles unten ist kopierbereit, mit einem vollständig durchgearbeiteten Beispiel, das Sie heute starten können.

Wenn Sie bisher nur Prompts mit einem Sprecher geschrieben haben, beginnen Sie mit unserem Leitfaden zum nativen Audio von Veo 3 für die Audio-Grundlagen und kommen Sie dann für die Zwei-Figuren-Ebene hierher zurück.

Warum ein Zwei-Figuren-Dialog eine eigene Fähigkeit ist

Wenn Sie eine Figur sprechen lassen, ist die Aufgabe von Veo 3 einfach: ein Gesicht, eine Stimme, eine Replik. Die Lippensynchronisation rastet ein, weil es keine Mehrdeutigkeit gibt, wer spricht. Fügen Sie einen zweiten Sprecher hinzu, tauchen sofort drei neue Probleme auf:

1. Zuordnung — das Modell muss in jedem Frame entscheiden, zu welchem Gesicht der Ton gehört. Sehen oder klingen Ihre Figuren ähnlich, verschmiert Veo 3 die Sprache über beide Münder oder legt die falsche Stimme auf die falsche Person.
2. Sprecherwechsel — ein echtes Gespräch hat Rhythmus: A spricht, B reagiert, B antwortet, A unterbricht. Veo 3 bekommt das nicht von allein. Werfen Sie zwei Repliken ohne Inszenierung in den Prompt, reden die Figuren übereinander oder eine erstarrt, während die andere spricht.
3. Stimmentrennung — zwei gleich klingende Stimmen lesen sich als eine Person, die beide Hälften spielt. Erst eine eigenständige stimmliche Identität verkauft die Szene als zwei Personen.

Die Lösung für alle drei ist dieselbe Idee: Mehrdeutigkeit entfernen. Sie sagen Veo 3 genau, wer jede Figur ist, wer welche Replik spricht und was die andere Person tut, während sie zuhört. Der Rest dieses Leitfadens zeigt, wie man das systematisch macht.

Die Kernstruktur des Prompts für zwei Sprecher

Ein verlässlicher Zwei-Figuren-Dialog-Prompt hat fünf Blöcke, in dieser Reihenfolge:

1. Szene + Setting — wo sie sind, Stimmung, Licht.
2. Definition Figur A — Aussehen, Kleidung, Stimmbeschreibung.
3. Definition Figur B — Aussehen, Kleidung, Stimme (bewusst anders als A).
4. Der Austausch — jede Replik nach Name oder einer einzigartigen visuellen Markierung zugeordnet, mit einem Reaktionsmoment zwischen den Repliken.
5. Kamera + Audio — Einstellungsgröße, wer im Bild ist, Umgebungston.

Hier das Grundgerüst:

Setting: [location], [time of day], [mood/lighting].

Character A — [name]: [distinct appearance + wardrobe]. Voice: [pitch, accent, pace, tone].
Character B — [name]: [clearly different appearance + wardrobe]. Voice: [a contrasting pitch, accent, pace, tone].

The exchange:
[Name A] says, "[short line]." [Name A] [physical reaction/gesture].
[Name B] [reaction while listening], then replies, "[short line]."
[Name A] [final beat], "[short line]."

Camera: [shot type — two-shot / over-the-shoulder / shot-reverse-shot]. Natural lip-sync, distinct voices, clear turn-taking. Ambient: [room tone / background sound].

Zwei Regeln entscheiden über Erfolg oder Misserfolg dieser Vorlage:

• Markieren Sie jede Replik. Schreiben Sie nie freischwebenden Dialog. Immer [Name] says, "...". Der häufigste Fehler sind nicht zugeordnete Repliken — dann rät Veo 3 und rät falsch.
• Halten Sie Repliken kurz. Zwei Figuren in 8 Sekunden bedeuten etwa 2–4 kurze Repliken insgesamt, nicht je einen Monolog. Kürze hält die Lippensynchronisation präzise. Brauchen Sie mehr Dialog, teilen Sie ihn auf Clips auf (siehe unten).

Die tieferen Prinzipien des Prompt-Engineerings finden Sie in unserem Leitfaden zu den besten Veo-3-Prompts und im Leitfaden zum JSON-Prompt-Generator von Veo 3; beide passen gut zu dieser Dialog-Ebene.

Die beiden Stimmen unterscheidbar machen

Klingen beide Figuren gleich, bricht die Szene zusammen. Bauen Sie Kontrast über mindestens zwei dieser Achsen auf:

Sie beschreiben nicht die Wellenform, sondern die Person. „Eine müde Nachtschwester Mitte fünfzig mit tiefer, gleichmäßiger Stimme" und „ein nervöser Praktikant Anfang zwanzig, der schnell redet und Sätze abbricht" lesen sich als zwei unverkennbar verschiedene Menschen, noch vor der ersten Replik. Die Stimme folgt der Figurenbeschreibung — je spezifischer sich Ihre Figuren unterscheiden, desto stärker trennen sich ihre Stimmen.

Ein Tipp aus der echten Veo-3-Produktion: Müssen die Figuren ähnlich aussehen (Geschwister, Zwillinge, Kollegen in derselben Uniform), stützen Sie sich stärker auf Kleidung und Stimm-Tags — „die mit dem roten Schal" / „der mit der Brille" — und nutzen Sie diese Tags direkt in der Dialog-Inszenierung, damit die Zuordnung nie allein von den Gesichtern abhängt.

Den Sprecherwechsel glaubwürdig inszenieren

Ein Gespräch besteht aus Reaktionen, nicht nur aus Repliken. Der Trick, der eine lebendige Szene von „zwei Robotern, die ablesen" trennt, ist der Reaktionsmoment — ein kurzer Satz darüber, was der Zuhörende tut, während der andere spricht.

Schwach (ohne Reaktionen):

Anna says, "We're out of time." Ben says, "I know."

Stark (Reaktionen inszeniert):

Anna leans across the table, urgent: "We're out of time."
Ben doesn't look up, jaw tight, then exhales: "I know."

Die zweite Version gibt Veo 3 eine körperliche Darstellung, an die sich der Ton heften kann. Der Zuhörende tut etwas — schaut weg, spannt den Kiefer an, atmet aus — was als Zuhören gelesen wird und den Sprecherwechsel verdient erscheinen lässt. Inszenieren Sie eine Reaktion pro Replik, und Ihre Szene hört sofort auf, wie eine Sprachsynthese-Demo zu wirken.

Ein Clip vs. mehrere: den Ansatz wählen

Es gibt zwei Wege, eine Dialogszene zu bauen, und die richtige Wahl vorab spart viele Neuversuche.

Ansatz 1 — ein 8-Sekunden-Two-Shot. Beide Figuren im Bild, 2–4 kurze Repliken, eine weite oder Two-Shot-Einstellung. Am besten für: schnelle Wortwechsel, komödiantische Momente, Streitszenen, in denen beide Gesichter sichtbar sein sollen. Am einfachsten zu prompten, aber die Lippensynchronisation sinkt, wenn beide schnell hintereinander sprechen.

Ansatz 2 — Schuss-Gegenschuss über mehrere Clips. Sie erzeugen die Replik von Sprecher A als Nahaufnahme oder Over-the-Shoulder-Einstellung, dann die Antwort von Sprecher B als passenden Gegenschuss, und schneiden sie im Editor zusammen. Am besten für: lange Gespräche, emotionale Szenen, alles, wo die Lippensynchronisation eng sein muss. So dreht echtes Kino Dialoge, und es ist der verlässlichste Weg zu sauberem Sync, weil jeder Clip genau einen Sprecher hat.

Für Ansatz 2 müssen die Figuren über die Clips hinweg identisch bleiben — das ist ein Konsistenzproblem, kombinieren Sie diesen Leitfaden also mit unserem Leitfaden zur Figurenkonsistenz von Veo 3. Und braucht eine Replik mehr als 8 Sekunden, deckt unser Leitfaden zur Verlängerung von Veo 3 über 8 Sekunden das Dehnen eines Moments ab. Um die Kadrierung jedes Gegenschusses festzulegen, ist Veo 3 Kamerasteuerungs-Prompts das passende Begleitstück.

Vollständiges Beispiel: die Konfrontation im Diner

Bauen wir eine Szene von Grund auf, damit Sie jedes Teil an seinem Platz sehen. Ziel: zwei Figuren, ein angespannter Austausch, saubere Zuordnung, unterschiedliche Stimmen.

Schritt 1 — Die beiden Figuren mit Kontrast definieren

Character A — MARA: late 40s, silver-streaked dark hair, worn leather jacket,
  sitting. Voice: low, steady, slight Southern drawl, speaks slowly.
Character B — DEV: mid 20s, buzzcut, bright yellow hoodie, standing, restless.
  Voice: higher, fast, urban American accent, slightly breathless.

Beachten Sie: Der Kontrast ist auf jeder Achse geladen — Alter, Haare, Kleidungsfarbe, Haltung, Tonhöhe, Tempo, Akzent. Selbst wenn Veo 3 bei einem Merkmal wackelt, tragen die anderen die Trennung.

Schritt 2 — Die Ein-Clip-Version (Two-Shot)

Setting: a near-empty roadside diner at night, warm fluorescent light,
rain streaking the window behind them.

Character A — MARA: late 40s, silver-streaked dark hair, worn leather jacket, seated.
  Voice: low, steady, slight Southern drawl, slow.
Character B — DEV: mid 20s, buzzcut, bright yellow hoodie, standing by the booth, restless.
  Voice: higher, fast, urban American accent, breathless.

The exchange:
Mara stirs her coffee without looking up, calm: "Sit down, Dev."
Dev stays standing, glancing at the door, then snaps: "We don't have time for coffee."
Mara finally meets his eyes, unhurried: "We have exactly enough."

Camera: medium two-shot, both faces visible, shallow depth of field.
Natural lip-sync, distinct voices, clear turn-taking. Ambient: low diner hum, rain on glass.

Das ist ein vollständiger, lauffähiger Prompt. Drei Repliken, jede markiert, eine Reaktion pro Replik, kontrastierende Stimmen, Umgebungston festgelegt.

Schritt 3 — In Schuss-Gegenschuss umwandeln für engeren Sync

Gibt der Two-Shot Ihnen weiche Lippensynchronisation, teilen Sie ihn. Erzeugen Sie drei Clips mit je einer Replik und schneiden Sie sie zusammen:

CLIP 1 (close on Mara):
[same character + setting block]
Mara stirs her coffee, not looking up, low and calm: "Sit down, Dev."
Camera: close-up on Mara, over Dev's shoulder. Tight lip-sync. Ambient: diner hum, rain.

CLIP 2 (reverse on Dev):
[same character + setting block]
Dev glances at the door, restless, then snaps fast: "We don't have time for coffee."
Camera: reverse close-up on Dev, over Mara's shoulder. Tight lip-sync. Ambient: diner hum, rain.

CLIP 3 (back on Mara):
[same character + setting block]
Mara lifts her eyes to him, unhurried: "We have exactly enough."
Camera: close-up on Mara. Tight lip-sync. Ambient: diner hum, rain.

Legen Sie die drei Clips in dieser Reihenfolge auf eine Timeline, und Sie haben eine saubere, schnittbasierte Dialogszene mit grundsolider Lippensynchronisation — jeder Clip hatte nur einen Mund zu synchronisieren. Halten Sie die Figuren- und Setting-Blöcke zeichengenau identisch über alle drei Prompts, damit Mara und Dev zwischen den Schnitten nicht driften.

Schritt 4 — Stimmen über Clips hinweg fixieren (optionaler Feinschliff)

Verschiebt sich eine Stimme leicht zwischen Clips — ein häufiges Multi-Clip-Artefakt — gibt es einen Standard-Produktionstrick: Exportieren Sie die Vokalspur, schicken Sie sie durch ein Stimm-Tool (üblich ist der Voice Changer von ElevenLabs) mit einer fest gewählten Stimme pro Figur und resynchronisieren Sie. So klingt Mara in jedem Schnitt genau wie Mara. Das ist ein Schnitt-Schritt, kein Veo-3-Prompt, aber gut zu wissen für Kundenprojekte.

Häufige Fehler und wie man sie behebt

Bei beiden Figuren bewegen sich die Münder bei einer Replik. Ursache: nicht zugeordneter Dialog oder fast identische Beschreibungen. Lösung: Replik mit Namen markieren und die Figuren deutlicher unterscheidbar machen.

Die falsche Stimme kommt aus der falschen Figur. Ursache: Stimmen zu ähnlich, Veo 3 vertauscht sie. Lösung: Abstand bei Tonhöhe/Akzent/Tempo vergrößern; ein Kleidungs-Tag in die Replik einbauen.

Sie reden übereinander. Ursache: kein Sprecherwechsel inszeniert. Lösung: Reaktionsmomente einfügen, damit eine Figur zwischen den Repliken sichtbar zuhört.

Lippensynchronisation driftet in einem dichten Two-Shot. Ursache: zu viele Repliken in einem 8-Sekunden-Clip. Lösung: Replikzahl senken oder auf Schuss-Gegenschuss wechseln.

Figuren sehen zwischen Schnitten anders aus. Ursache: Figurenblock zwischen Prompts geändert. Lösung: Beschreibungen wortgenau kopieren oder Referenzbilder nutzen.

Ton wird matschig, wenn beide schnell sprechen. Ursache: schnelle gleichzeitige Sprache ist der schwerste Fall für Veo 3. Lösung: nie gleichzeitig sprechen lassen; Repliken stets mit Pause sequenzieren.

Echte Anwendungsfälle für Zwei-Figuren-Dialoge

• Sketche und Kurzkomödie — die Aufbau/Pointe-Verbindung funktioniert am besten als dichter Two-Shot mit zwei kontrastierenden Stimmen.
• Werbe- und UGC-Szenen — ein Kunde stellt eine Frage, ein „Freund" antwortet: eines der konversionsstärksten Kurzformate, und Veo 3 schafft das ohne Schauspieler.
• Erklär- und Lernclips — das Paar „neugieriger Lernender / geduldiger Experte" macht trockene Themen sehenswert.
• Tests für narratives Kino — Regisseure nutzen Schuss-Gegenschuss, um eine Szene vor dem realen Dreh zu previsualisieren.
• Lokalisierte Varianten — funktioniert die Inszenierung, tauschen Sie die Stimm-Akzente, um dieselbe Szene für mehrere Märkte zu produzieren.

Ist Ihr Dialog speziell das Mann-auf-der-Straße-Format mit einer Frage, ist das eine andere Inszenierung: siehe unseren Leitfaden zu den Veo-3-Street-Interview-Prompts, gebaut für einen einzelnen Befragten statt für ein Gespräch. Für den filmischen Look um den Dialog herum decken Veo 3 Cinematic-Prompts und der Veo 3 Visual-Style-Leitfaden Licht und Grading ab, und die Tonebene unter den Stimmen behandelt der Veo 3 Audio- und Sound-Leitfaden.

Schnellstart-Checkliste

Bevor Sie eine Zwei-Figuren-Szene generieren, prüfen Sie:

• [ ] Beide Figuren mit kontrastierendem Aussehen und Stimme definiert
• [ ] Jede Replik mit Namen oder einzigartiger visueller Markierung versehen
• [ ] Ein Reaktionsmoment pro Replik inszeniert
• [ ] Höchstens 2–4 kurze Repliken in einem 8-Sekunden-Clip
• [ ] Einstellungsgröße gewählt (Two-Shot für schnell, Schuss-Gegenschuss für engen Sync)
• [ ] Umgebungston festgelegt
• [ ] Figuren- und Setting-Blöcke bei Multi-Clip identisch

Probieren Sie es in Veo 3

Am schnellsten verinnerlichen Sie das, indem Sie das Diner-Beispiel starten, dann Ihre eigenen zwei Figuren einsetzen und sehen, wie Stimmkontrast und Reaktionsmomente das Ergebnis verändern. Sie können Veo 3 kostenlos auf veo3ai.io ausprobieren und mit dem einzelnen Two-Shot beginnen, bevor Sie zum Schuss-Gegenschuss übergehen. Ganz neu auf der Plattform? Unser Leitfaden zur Nutzung von Google Veo 3 führt durch Ihren ersten Clip, und der Veo 3 Prompt-Leitfaden deckt die Grundlagen ab, auf denen Dialog aufbaut.

Häufige Fragen

Kann Veo 3 ein echtes Gespräch zwischen zwei Figuren erzeugen? Ja — Veo 3 erzeugt synchronen Dialog mit unterschiedlichen Stimmen und Lippensynchronisation, das ist seine herausragende Fähigkeit. Entscheidend ist, jede Replik einer benannten Figur zuzuordnen und den Sprecherwechsel mit Reaktionsmomenten zu inszenieren, statt unmarkierten Dialog in den Prompt zu werfen.

Wie viele Dialogzeilen passen in einen Veo-3-Clip? Für einen 8-Sekunden-Clip mit zwei Sprechern zielen Sie auf 2–4 kurze Repliken insgesamt. Mehr staucht das Timing und verschlechtert die Lippensynchronisation. Für längere Gespräche teilen Sie den Austausch per Schuss-Gegenschuss auf mehrere Clips und schneiden sie zusammen.

Warum bewegen sich bei beiden Figuren die Münder, wenn nur eine spricht? Das passiert, wenn der Dialog nicht klar zugeordnet ist oder die Figuren zu ähnlich beschrieben sind. Markieren Sie jede Replik mit einem Namen und erhöhen Sie den Kontrast zwischen Aussehen und Stimmen, damit Veo 3 sie auseinanderhalten kann.

Wie halte ich die Stimme jeder Figur über mehrere Clips gleich? Halten Sie die Stimmbeschreibung in jedem Prompt identisch, und driftet sie dennoch, exportieren Sie den Ton und schicken jede Vokalspur durch eine fest gewählte Stimme in einem Stimm-Tool, dann resynchronisieren Sie. Gepaart mit Bildkonsistenz hält das Gesicht und Stimme stabil.

Ein Clip oder mehrere für eine Dialogszene? Ein einzelner Two-Shot für schnelle, beiläufige Wortwechsel, in denen beide Gesichter sichtbar sein sollen. Schuss-Gegenschuss über mehrere Clips für lange oder emotional wichtige Szenen — Einzelsprecher-Clips geben die engste Lippensynchronisation, weil es keine Zuordnungs-Mehrdeutigkeit gibt.

Was ist der Unterschied zu einem Street-Interview? Ein Street-Interview ist eine Person, die eine Frage in die Kamera beantwortet (ein Sprecher), während ein Zwei-Figuren-Dialog ein Hin und Her zwischen zwei Figuren im Bild mit Sprecherwechsel ist. Sie nutzen unterschiedliche Inszenierung — verwenden Sie für echte Gespräche die Dialogstruktur aus diesem Leitfaden.