Character Sheets: Wie eine Figur über viele Shots dieselbe bleibt

Dass eine generierte Figur ein Character Sheet braucht, bevor sie sich bewegt, muss man heute niemandem mehr erklären. Die eigentliche Arbeit liegt darin, wie man es baut. Das Videomodell kennt die Figur nur aus diesem einen Bild. Was dort fehlt oder sich doppelt lesen lässt, ergänzt es selbst, und zwar in jedem Shot ein bisschen anders: Im zweiten sitzt die Nase eine Spur anders, im dritten hat der Mantel neue Knöpfe.

Darum lohnt es sich, jede Entscheidung auf dem Sheet bewusst zu treffen: welche Ansichten, wie gross das Gesicht, wie viele Gesichter überhaupt, ob Text im Bild steht. Ein Fehler im Sheet taucht in jeder Einstellung wieder auf, in der die Figur vorkommt. Das Sheet geht als Bildreferenz ins Videomodell, und der Prompt legt fest, wie es zu lesen ist: eine Person aus mehreren Blickwinkeln, nicht mehrere Personen. Mit welchem Bildmodell es entsteht, ist zweitrangig. Nano Banana, GPT Image und Flux kommen mit demselben Aufbau zurecht.

Variante eins: drei Ansichten

Für Pocobello, unsere kurze Komödie um eine letzte Schachtel Popcorn, hat jede Figur ein schlankes Sheet erhalten, der Hund eingeschlossen.

Front: die ganze Figur mit Proportionen, Kostüm und Haltung. Rücken: dieselbe Figur von hinten. Fehlt diese Ansicht, ergänzt das Modell den Rücken nach eigenem Ermessen, sobald sich jemand umdreht. Dreiviertelprofil: Kopf und Schultern, um 45 Grad gedreht und formatfüllend.

Das Dreiviertelprofil ist eigentlich die wichtigste der drei Kacheln. Frontal wirkt ein Gesicht flach. Erst aus diesem Winkel erfasst das Modell seine Tiefe: wie weit die Nase vorsteht, wo die Wangenknochen liegen, wie die Kinnlinie verläuft. Genau diese Information trägt die Identität, wenn sich die Figur im Video dreht.

Was von hinten erkennbar sein muss, gehört ausdrücklich in den Prompt. Bei Cordelia sind es der Zopf um den Haarturm und der kleine Messingschlüssel darin, bei Ignatz der scharf gezogene Scheitel und die Koteletten, die auch von hinten über die Silhouette ragen.

Ein Klassiker, der nervt: Bildmodelle setzen in die Frontansicht gern einen zweiten, kleinen Kopf, ein Porträt im Miniaturformat neben der Figur. Auf einer Referenz ist das fatal, denn das Videomodell liest dann zwei Gesichter, wo es eines lernen soll. Streng genommen gilt das schon für den Kopf in der Ganzkörperansicht. In den Sheets oben ist er deshalb grau abgedeckt, so bleibt ein einziges Gesicht: das grosse im Dreiviertelprofil.

Der Prompt für Ignatz, so wie wir ihn verwendet haben. Der erste Absatz definiert das Raster und bleibt bei jeder Figur gleich. Ab «The character» folgt die eigene Figur.

Character reference sheet, three views of the same man side by side in one image, evenly spaced, identical lighting, thin neutral gap between tiles. Left tile: full body, front view, neutral standing pose with arms relaxed at his sides. Center tile: full body, back view, same pose, seen from directly behind. Right tile: head and shoulders close-up in three-quarter view turned 45 degrees to his left, framed to fill the full height of the tile so the face is rendered large and detailed.
The character: a man in his late forties, neutral relaxed expression, no smile. His hair is a rigid side-parted helmet of shoe-polish-black hair with an implausibly sharp part line — the part line and the combed lacquered layering must read clearly in the back view — with enormous flared mutton chop sideburns reaching almost to his chin, visible jutting past the silhouette even from behind, and a thin waxed moustache curled into two tight spirals. He wears a deep petrol-blue safari suit with four oversized patch pockets and a stiff epaulette on each shoulder, a pale butter-yellow ascot, matching petrol-blue trousers with a sharp crease, a wide brown leather belt, and scuffed tan desert boots. A small pair of brass binoculars hangs on a leather cord around his neck.
Background: flat neutral mid-grey seamless studio backdrop, no props, no shadows on the wall.
Lighting: soft even studio lighting from front and both sides, low contrast, neutral white balance, identical across all three tiles.
Ultra-photorealistic, visible pores and razor stubble texture at the jaw, shine on the forehead, individual coarse sideburn hairs, gabardine twill weave with soft creases at the elbows and knees, scuffed brass, worn leather.
Sharp focus throughout, 85 mm lens look, no depth-of-field blur, all tiles same height with a small margin above and below, 3:1 aspect ratio.

Variante zwei: das vollständige Board

Im Moment testen wir eine zweite, deutlich umfangreichere Variante: ein Board mit mehr Ansichten, Detail-Kacheln und Beschriftungen. Die Idee dahinter: Je mehr Information das Sheet enthält, desto weniger muss das Videomodell erfinden. Ob dieser Aufwand nötig ist, wissen wir noch nicht. Das schlanke Sheet definiert, wer eine Figur ist. Das Board soll zusätzlich festlegen, woraus sie besteht.

Die obere Reihe zeigt fünf Ansichten: Front, Profil, Rücken, ein grosses Close-up und eine Aufsicht. Darunter folgen Detail-Kacheln für genau die Merkmale, die ein Modell sonst vereinheitlicht: Haarstruktur, Bart, Augenfarbe, Hauttextur und das eine Element, das die Figur ausmacht, beim Ninja das Schwert mit dem Wurfstern. Eine Farbpalette mit Hex-Codes schliesst das Board ab. Auch Verdecktes wird festgelegt: Die Locken liegen beim Ninja unter der Kapuze und sind trotzdem definiert, für den Moment, in dem die Kapuze fällt.

Die Beschriftungen sind hier Teil des Layouts. Sie stehen im Prompt in Anführungszeichen, ein eigener Absatz schliesst jeden weiteren Text aus. GPT Image haut Labels und Hex-Codes am saubersten raus. Für Flux und andere lokale Modelle kürzen wir den Prompt, weil lange Texte dort an Präzision verlieren.

Das Raster des Boards, mit Platzhaltern in eckigen Klammern:

A photorealistic character reference sheet of ONE single person, landscape 16:9, laid out like a professional casting and costume reference board on a seamless light warm-grey studio background, soft even studio lighting with gentle shadows, identical light in every view. Thin, even gutters between all panels, everything on the same background.

IDENTITY – absolute: [With reference image: The person is exactly the person in the reference image(s): same face, bone structure, eye shape, nose, lips, skin tone, hairline, hair and body proportions. Do not beautify, slim, de-age or idealize.] [Without: describe sex, age, face, eyes, skin, hair, facial hair, build, height.] Distinguishing features that must be visible wherever that body part is in frame: [tattoos with motif and position, piercings, scars, moles …].

OUTFIT – identical in every view: [every piece with colour, material, fit; prints and logos with exact text and position front/back; shoes or barefoot].

TOP ROW (about 70 % of the sheet height), five views side by side, each with a small clean uppercase sans-serif label centered above it:
– "FRONT": full body, standing straight facing the camera, arms relaxed at the sides, neutral expression, head to feet fully visible.
– "SIDE": full body in exact left profile, facing left, same relaxed pose.
– "BACK": full body seen from directly behind[, showing … (back print, hair at the back)].
– "FRONT CLOSE-UP": the largest panel, head-and-shoulders portrait looking straight into the lens, [expression], about twice the scale of the full-body views, every pore and hair sharp.
– "TOP-DOWN VIEW": camera directly overhead looking straight down at the person standing, showing [the top of the head / the cap from above], the shoulders and the feet.

BOTTOM ROW (about 25 % of the sheet height), square detail close-up photos, each with a bold uppercase label above it:
– "[LABEL 1]": [specific macro crop].
– "[LABEL 2]": [...].
– "[LABEL 3]": [...].
– "[LABEL 4]": [...].
– "[LABEL 5]": [...].
– "COLOR PALETTE": [5–6] flat colour swatches in [two rows of three], each with its hex code in small type below: [#XXXXXX (hair), #XXXXXX (skin), …].

STYLE: photorealistic studio photography, medium-format camera, 80 mm lens, natural skin texture with visible pores and small imperfections, fine film grain, true-to-life muted colours, crisp clean graphic layout.

TEXT: Only the labels listed above appear, spelled exactly as written[, plus the hex codes]. No other text, no watermark, no logos except those on the clothing.

NEGATIVE: Exactly one person, the same person in every panel – never a different face, never two people in one panel. No changes of outfit, hair, facial hair or accessories between views. No CGI look, no plastic skin, no HDR, no dramatic or coloured lighting, no props, no scenery.

Von der Zeichnung zum Film

Den Weg mit den detaillierten Sheets habe ich zuerst privat erprobt, zusammen mit meiner Tochter. Am Anfang standen keine Fotos, sondern ihre Zeichnungen: ein Typ mit Pappschild um den Hals, sein kugelrunder Hund und ein ziemlich vorlauter Vogel. Daraus sollten Figuren werden, die einen ganzen Film tragen.

Der erste Schritt übersetzt die Zeichnung in einen Look, ohne ihr Design anzutasten. Der Prompt beginnt mit: «Use the attached hand-drawn sketch as the exact design reference. Keep every design element of the sketch, only upgrade the rendering.» Erst danach entstehen die Sheets.

Animierte Figuren leben von Übertreibung, und deren Grenzen muss das Videomodell kennen. Ihre Sheets zeigen deshalb oben die Drehung und unten die Mimik: gelangweilt, breit grinsend, entsetzt, verlegen. Beim Hund kommen Posen dazu, vom misstrauischen Seitenblick über den Sprung bis zur eingerollten Kugel. So weiss das Modell, wie weit Augen und Mund gehen dürfen, bevor die Figur aufhört, sie selbst zu sein. Die Gesichtszüge blieben damit über alle Einstellungen bemerkenswert stabil.

Beim Vogel erhielt das Modell zwei Bilder mit getrennten Aufgaben: die Zeichnung für die Form, ein fertiges Bild ausschliesslich für den Stil. Der Prompt hält fest, dass aus dem zweiten Bild nichts anderes übernommen wird. Ergänzt wird das Sheet um Flugposen, denn ein Vogel steht im Film selten still.

Die Zeichnung als Ausgangspunkt hat einen weiteren Vorteil, der über das Handwerk hinausgeht: Sie bildet keine reale Person ab. Fragen nach dem Recht am eigenen Bild oder nach Persönlichkeitsrechten stellen sich damit nicht. Mit realen Personen arbeiten wir nur mit deren Einverständnis. Der Ninja oben hat zugestimmt. Ist ja auch mein Gesicht.

Und das ist daraus geworden.

Aus der Praxis

• Neutraler Ausdruck in den Ansichten. Mimik erhält bei Bedarf ein eigenes Sheet. Die Ansichten definieren nur die Identität.
• Material beschreiben, nicht nur Farbe. Gabardine, Messing, Leder: Je präziser die Oberfläche, desto weniger interpretiert das Modell in der Bewegung.
• Die Pose folgt dem Körper. Oswald kann die Arme nicht gerade hängen lassen. Sein Prompt verlangt deshalb Arme leicht vom Körper weg, beide Hände offen und sichtbar.
• Text nur mit Absicht. Beim schlanken Sheet keiner, sonst erscheinen Begriffe wie «Panel 1: Front» im Bild. Beim Board genau die Labels aus dem Prompt.
• Ein Sheet pro Outfit. Wechselt eine Figur die Kleidung, braucht sie ein zweites.
• Format im Modell einstellen. Die Angabe «3:1» im Prompt hat Nano Banana 2 bei uns ignoriert, ausgegeben wurde 16:9.

Wo das Sheet aufhört

Ein Sheet legt fest, wie eine Figur aussieht, nicht, wie sie spielt. Orte erhalten bei uns eigene Plates. Und die Prüfung jeder einzelnen Einstellung ersetzt auch das beste Sheet nicht.

• Miraki: Pocobello