Videos mit KI bearbeiten

Der Ablauf mit Kontrollpunkt

Aufnahme vorbereiten → kurzen Bild-/Tontest prüfen → aufnehmen → Transkript mit Originalzeitmarken erstellen lassen → Transkript und gültige Aufnahmeversuche prüfen → Schnittvorschlag → Rohschnitt → vollständige Bild-/Tonabnahme → Export.

Ja, die Transkriptprüfung ist sinnvoll. Sie entdeckt Erkennungsfehler vor dem Schnitt und klärt, welche Aussage tatsächlich verwendet werden soll. Sie ersetzt nicht die spätere Prüfung von Stimme, Körperhaltung und Übergängen. Die Transkriptfreigabe erlaubt die weitere Schnittplanung; sie ist noch keine Veröffentlichungsfreigabe.

1. Aufnahme so vorbereiten, dass der Schnitt leichter wird

Die folgenden Praxisregeln sind für kurze Videos mit einer sprechenden Person gedacht. Sie sind keine Garantie für unsichtbare Schnitte.

Vor der Aufnahme

• In Sinnabschnitte gliedern: Einstieg, Kernaussage, Beispiel und Schlussaufforderung vorbereiten. Jeden Abschnitt so sprechen, dass er als vollständiger Gedanke verständlich bleibt.
• Bildformat vorher bestimmen: Hoch- oder Querformat passend zum Einsatz wählen. Platz für Untertitel und Bedienelemente lassen; Gesicht und wichtige Gegenstände nicht an den Rand drängen.
• Kamera stabil auf Augenhöhe aufstellen: Stativ oder feste Ablage verwenden. Kameraposition, Zoom und Abstand während der Aufnahme beibehalten.
• Ruhigen Aufnahmeplatz wählen: Mikrofon nah genug für verständliche Sprache positionieren; Reiben an Kleidung und wechselnden Abstand vermeiden. Störgeräusche vorab beseitigen, statt auf spätere KI-Reparatur zu vertrauen.
• Licht und Hintergrund konstant halten: Keine wechselnden Bildschirme oder laufenden Personen im Hintergrund. Gleichmäßiges Licht wählen. Wenn die Kamera es erlaubt, nach einem Test Fokus, Belichtung und Weißabgleich fixieren, sofern die Person am gleichen Platz bleibt.
• Einen kurzen Test abspielen: Ton tatsächlich anhören und Schärfe, Ausschnitt sowie Licht ansehen. Nur auf die Pegelanzeige zu schauen genügt nicht. Erst danach die ganze Aufnahme machen.

Grundlagen: Descript: Videoaufnahme zu Hause, Descript: verständlichen Ton aufnehmen. Ersatzsuche: Video aufnehmen Kamera Augenhöhe Mikrofon Raumhall.

Während der Aufnahme: Pause, Ausgangsstellung, neuer Satz

Eine einfache Methode für besser anschließbare Aufnahmeabschnitte:

1. Einen vollständigen Satz oder Gedanken zu Ende sprechen.
2. Den Mund schließen und ruhig in die Kamera schauen; das letzte Wort nicht schon mit der nächsten Bewegung verbinden.
3. In die gleiche bequeme Ausgangsstellung zurückkehren: Oberkörper, Kopf, Blick und Hände möglichst ähnlich ausrichten.
4. Kurz ruhig bleiben. Als einfache Übungsregel etwa zwei Sekunden vor dem nächsten Anlauf warten; das ist ein Praxiswert, keine technische Mindestdauer.
5. Erst dann den nächsten Satz oder den vollständigen korrigierten Satz beginnen.

Die Rückbewegung gehört in die Pause. Vorher und nachher braucht es brauchbare ruhige Bildstellen. Nur irgendwo im Video kurz dieselbe Haltung einzunehmen genügt nicht. Der Assistent soll die konkrete Verbindung von Bild und Ton prüfen und darf nicht pauschal jede Pause löschen.

Bei einem Versprecher: Aufnahme weiterlaufen lassen, kurz stoppen, zur Ausgangsstellung zurückkehren und den ganzen betroffenen Satz neu beginnen. Nur das falsche Wort zu wiederholen erschwert den Anschluss von Satzmelodie und Atem. Bei mehreren unterschiedlichen Fassungen kann ein getrennt gesprochener Hinweis wie „zweiter Versuch“ helfen; er ist Aufnahme-Kommentar und gehört nicht in den fertigen Film. Die letzte Fassung ist nicht automatisch die beste oder gültige.

Natürlich bleiben: Innerhalb eines Satzes normal gestikulieren. Die ruhige Ausgangsstellung ist für Abschnittsgrenzen gedacht. Ein starrer Vortrag kann schlechter wirken als ein kleiner sichtbarer Schnitt. Am Anfang und Ende ebenfalls etwas ruhige Aufnahme stehen lassen; nicht im letzten Wort zur Stopptaste greifen. Keine Hintergrundmusik während des Sprechens abspielen, damit Ton und Schnitte getrennt bearbeitbar bleiben.

Grenze: Ähnliche Körperhaltung vermindert einen möglichen Bildsprung, verhindert ihn aber nicht sicher. Mundstellung, Blick, Atmung, Hände und Licht können sich weiterhin unterscheiden. Im Zweifel einen kleinen ehrlichen Schnitt akzeptieren oder den betroffenen Satz neu aufnehmen. Auch Adobe beschreibt Kopf-/Kamerabewegung sowie wechselndes Licht als relevante Faktoren für Übergänge bei sprechenden Personen. Adobe: Kontinuität bei Talking-Head-Schnitten. Ersatzsuche: Talking Head Jump Cut gleiche Position Licht Kamera.

2. Was der Assistent vor dem Schnitt vorlegen soll

Ein gut lesbares Prüftranskript, automatisch aus der Transkription erzeugt, mit:

• stabilen Abschnittsnummern und Start-/Endzeit im Original;
• dem tatsächlich erkannten Wortlaut einschließlich wiederholter Versuche;
• markierten unklaren Stellen statt stillschweigend geratenen Wörtern;
• getrennten Hinweisen auf mögliche Versprecher, Aufnahme-Kommentare und alternative Fassungen;
• gezielten Rückfragen bei widersprüchlichen Zahlen oder Aussagen.

Das Transkript zunächst nicht stilistisch glätten und keine Fehlversuche vor der Prüfung verstecken. Sonst ist nicht mehr erkennbar, was tatsächlich aufgenommen wurde. Vorschläge zur Verbesserung stehen separat.

Was der Nutzer prüft

1. Stimmen Namen, Zahlen, Fachbegriffe, Verneinungen und Bedingungen?
2. Welche von mehreren Fassungen soll gelten?
3. Welche Aussagen und Einschränkungen müssen erhalten bleiben?
4. Welche Stellen sind reine Aufnahme-Kommentare?

Unsichere und kritische Stellen anhand der Originalaufnahme anhören. Für kurze Videos ist ein vollständiger Abgleich sinnvoll. Eine Textkorrektur ändert nicht die gesprochene Aufnahme. Wurde eine falsche Zahl tatsächlich gesagt, muss eine vorhandene richtige Aufnahme verwendet oder die Passage neu aufgenommen werden. Untertitel dürfen den Fehler nicht verdecken.

Auftrag an den Assistenten

Erstelle zuerst ein Prüftranskript mit Abschnittsnummern und
Originalzeitmarken. Schneide die Aufnahme noch nicht.
Erhalte den gesprochenen Wortlaut und alle Aufnahmeversuche.
Markiere unklare Wörter und widersprüchliche Aussagen.
Kennzeichne vermutete Aufnahme-Kommentare separat.

Lege mir das Transkript zur Prüfung vor. Übernimm meine Korrekturen
über die Abschnittsnummern automatisch in eine neue geprüfte Fassung.
Originaltext und Originalzeitmarken erhalten; keine Zeitwerte erfinden.
Erst nach meiner Transkriptfreigabe den Schnittvorschlag erstellen.

Bei der Aufnahme habe ich zwischen Abschnitten pausiert und bin
in meine Ausgangsstellung zurückgekehrt. Nutze diese Stellen als
Schnittkandidaten. Prüfe Bild und Ton am tatsächlichen Übergang.
Falls du nur das Transkript beurteilen kannst, benenne diese Grenze.

Rückmeldung kann beispielsweise lauten: „Abschnitt 4: Gemeint und hörbar ist Meier. Abschnitt 7: zweiten Versuch verwenden. Die Einschränkung in Abschnitt 9 muss bleiben.“ Der ausführende Assistent übernimmt das in die Arbeitsdateien; der Nutzer muss keine Zeitmarken zwischen Programmen übertragen. Im lokalen Skriptweg muss die korrigierte Datei original_geprueft.json verwendet werden, wie in Anleitung 2 beschrieben. Bei einem rein lokalen Aufbau ohne ausführenden Assistenten bleibt die redaktionelle Korrektur im Editor erforderlich.

3. Nach dem Schnitt bleibt eine eigene Prüfung

Transkriptprüfung bestätigt den Wortlaut und die Auswahl. Die Schnittabnahme prüft zusätzlich Bedeutung im neuen Zusammenhang, natürliche Atmung, abgeschnittene Wörter, Körper-/Blicksprünge, Tonwechsel und Untertitel. Ein reines Textmodell kann die visuelle Anschlussfähigkeit nicht bestätigen.

Gegenfall: Bei einer langen Aufnahme ist die vollständige Detailprüfung vor jedem Rohschnitt möglicherweise zu aufwendig. Dann zuerst gewünschte Abschnitte eingrenzen und deren Transkripte samt Kontext prüfen. Bei kurzen Erklärvideos wie hier ist der vorgeschaltete Kontrollpunkt gut begründbar.

1. Ziel und Empfehlung

Die Aufnahme bleibt für Transkription und Schnitt auf dem eigenen Rechner. Ein Sprachmodell erkennt den gesprochenen Text, ein optionales zweites Modell schlägt Kürzungen vor, FFmpeg erzeugt die Datei. Die inhaltliche Freigabe bleibt ein eigener Schritt.

Minimal für das ausgearbeitete Beispiel: FFmpeg/ffprobe, Python, faster-whisper mit lokalem mehrsprachigem Modell und ein Player. Für lokale KI-Schnittvorschläge zusätzlich: Ollama mit einem heruntergeladenen Textmodell. Shotcut ist eine optionale Oberfläche zur Feinarbeit. Die Auswahl lokaler Alternativen nach Hardware steht unten; faster-whisper ist keine pauschale Empfehlung für jede GPU.

Die Anleitung richtet sich an wiederkehrende kurze Erklärvideos mit einer sprechenden Person. Wer nur einmal einen Clip kürzt, kann mit dem Cloud-Weg oder einem vorhandenen Editor schneller ans Ziel kommen. Bei Mehrkamera-Schnitt, komplexen Animationen oder anspruchsvollem Farbmanagement wird dieser kleine Aufbau zu aufwendig. Die Empfehlung hängt an Material, Wiederholung und Datenanforderungen — nicht daran, dass kostenlose Software grundsätzlich wirtschaftlicher wäre.

Kosten: Für diesen lokalen Kern ist kein Cloud-Abo vorgesehen. Hardware, Speicher, Strom, Einrichtung, Wartung und Kontrolle bleiben Aufwand. Die Beispiele sind kein bereits installiertes Ein-Klick-Produkt.

2. Toolliste: Pflicht, Option und Ersatzsuche

Die Beispielskripte setzen faster-whisper voraus. Ein Wechsel zu whisper.cpp erfordert eine angepasste Transkriptübergabe; nur das Programm auszutauschen reicht nicht. WhisperX ist ebenfalls kein notwendiger Bestandteil des Starts.

Lokale Alternative nach Hardware auswählen

faster-whisper benötigt keine NVIDIA-GPU: CPU-Betrieb ist dokumentiert. whisper.cpp bietet mehrere Beschleunigungswege für unterschiedliche Hersteller. Daraus folgt keine Garantie, dass derselbe Download auf jedem Rechner sofort beschleunigt läuft. Keine neue GPU allein für den Einstieg voraussetzen. Quellen: faster-whisper, whisper.cpp, geprüft am 2026-10-02.

Für einen Vergleich dieselbe deutsche Testaufnahme verwenden und Namen, Zahlen, Zeitmarken sowie Laufzeit prüfen. Die whisper.cpp-Varianten sind hier als Auswahlhilfe beschrieben; die folgenden Befehle und Hilfsskripte implementieren ausschließlich den faster-whisper-Beispielweg. Für whisper.cpp ist vor Nutzung eine passende Übergabe der Transkriptdateien einzurichten. Wer diese Vorarbeit vermeiden möchte, bleibt beim Descript-Anfängerweg.

3. Was lokal bleibt — und was nicht

Einrichtung mit Internet: Programme + Modellgewichte herunterladen
                                  ↓
Originalvideo → lokale Tonspur → lokale Spracherkennung → JSON/SRT
                                                          ↓
                                  optional: lokales Textmodell in Ollama
                                                          ↓
                                    Schnittvorschlag → menschliche Prüfung
                                                          ↓
                              FFmpeg-Schnitt → Untertitel → lokaler Export

Ein Cloud-Chat erhält Daten, sobald Sie ihm Transkripte, Screenshots oder Werkzeugausgaben übermitteln — auch wenn FFmpeg selbst lokal läuft. Ein synchronisierter Arbeitsordner ist eine weitere mögliche Cloud-Kopie. Für einen tatsächlich lokalen Weg: lokaler nicht synchronisierter Arbeitsordner, heruntergeladene Modelle, keine Cloud-Modellwahl und ein Testlauf ohne Netzwerk. Keine pauschale Zusage „alles bleibt lokal“ allein aus dem Namen eines Programms ableiten.

4. Einmalige Einrichtung

A — Voraussetzungen und Ordner

Eigener Planungswert für den kleinen CPU-Einstieg: 16 GB RAM, freier Speicher für Quelle, Modelle und Zwischenmaster. Das ist keine Hersteller-Mindestanforderung oder Laufzeitgarantie. Qwen3:8b belegt in der angebotenen quantisierten Fassung ungefähr 5,2 GB als Modelldatei; der Laufzeitspeicher ist zusätzlich vom Kontext abhängig. ASR und Textmodell zunächst nacheinander betreiben. Bei Speichermangel Textmodell weglassen oder ein kleineres geeignetes Modell separat testen. Modellseite

Arbeitsstruktur:

video-projekt/
  input/original.mp4
  models/whisper-small/
  config/briefing.txt
  config/vorschlag.json
  work/
  output/
  logs/
  beispiele/transkribieren.py
  beispiele/vorschlag.py
  beispiele/schnitt.py

Die drei Hilfsskripte und eine Briefingvorlage sind im Downloadpaket enthalten. Das Paket in einem eigenen Arbeitsordner entpacken. Die Beispiele setzen faster-whisper voraus; sie enthalten keine fertige whisper.cpp-Integration. Originale erhalten und Ausgaben versionieren.

B — FFmpeg und Python prüfen

Windows: Über die offizielle FFmpeg-Downloadseite einen verlinkten fertigen Build beziehen. Benötigt werden ffmpeg.exe und ffprobe.exe. Deren bin-Ordner muss für die folgende Sitzung im Suchpfad liegen. Verwenden Sie ausschließlich Ihren tatsächlich entpackten Pfad, beispielsweise:

$env:Path = 'C:\Tools\ffmpeg\bin;' + $env:Path
ffmpeg -version
ffprobe -version
ffmpeg -encoders
ffmpeg -filters

Für die Beispiele benötigt: FFV1, H.264 über libx264, AAC sowie der Filter subtitles mit libass. Fehlen sie, einen passenden Build wählen; nicht erst beim letzten Export feststellen. Quelle und Version protokollieren. Download

Im Arbeitsordner eine eigene Python-Umgebung anlegen. Python 3.12 ist hier eine kompatibel zu prüfende Ausgangswahl, nicht die behauptete neueste Version. Falls py -3.12 fehlt, Python zuerst bereitstellen oder einen geprüften installierten Interpreter verwenden.

py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip
.\.venv\Scripts\python.exe -m pip install faster-whisper huggingface_hub
.\.venv\Scripts\python.exe -m pip freeze > requirements.lock.txt

Die Umgebung muss nicht aktiviert werden; die Befehle rufen ihren Interpreter direkt auf. pip freeze dokumentiert den installierten Stand, ersetzt aber keinen vollständigen plattformübergreifenden Lock mit Paketprüfsummen. Für Wiederholbarkeit zusätzlich Python-, Betriebssystem- und FFmpeg-Version festhalten. Python-Umgebungen

C — Modell herunterladen und später ohne Download laden

.\.venv\Scripts\python.exe -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='Systran/faster-whisper-small', local_dir='models/whisper-small')"

Der Download ist eine einmalige Online-Aktion. Modellrevision aus den Downloadmetadaten dokumentieren und den Ordner danach beibehalten; für identische Neueinrichtung dieselbe Revision über revision= angeben. Die Modellkarte beschreibt das mehrsprachige CTranslate2-Modell. Modellkarte

Das Transkriptionsskript nutzt CPU und int8, deutsche Transkription, Spracherkennung mit Pausenfilter sowie Wortzeiten. Es lädt ausschließlich aus dem lokalen Modellordner. Die Transkription wird tatsächlich durch Iteration über die Segmente ausgeführt. Die Werte sind Ausgangseinstellungen, keine Genauigkeitszusage. faster-whisper

Eine NVIDIA-GPU ist für diesen Start nicht notwendig. Wer später beschleunigt, muss passende CUDA-/cuDNN-/CTranslate2-Versionen prüfen; die Projektanleitung nennt derzeit CUDA 12 und cuDNN 9 für aktuelle CTranslate2-Versionen. Diesen Weg erst nach einem funktionierenden CPU-Test ergänzen. Apple-Silicon-Nutzer prüfen stattdessen die spezifische Beschleunigung in whisper.cpp. GPU-Voraussetzungen, whisper.cpp

D — Optional: lokales Textmodell

Nach Installation von Ollama das lokale Modell beziehen:

ollama pull qwen3:8b
ollama list

Für den isolierten Betrieb die laufende Ollama-App zuerst beenden und in einer eigenen PowerShell-Sitzung starten:

$env:OLLAMA_NO_CLOUD = '1'
$env:OLLAMA_HOST = '127.0.0.1:11434'
ollama serve

Diese Sitzung offen lassen. Kein Modell mit Cloud-Ausführung auswählen und keinen öffentlichen Serverzugang einrichten. Die Cloud-Sperre ist dokumentiert; nach Konfigurationsänderungen ist ein Neustart nötig. Das Hilfsskript spricht nur den lokalen Loopback-Endpunkt an. Ollama-FAQ

5. Ablauf pro Video

Vor der Aufnahme — passende Schnittstellen ermöglichen

Kamera, Licht und Mikrofonabstand stabil halten und einen kurzen Bild-/Tontest prüfen. Ganze Gedanken aufnehmen. Zwischen Abschnitten pausieren, in eine ähnliche Ausgangsstellung mit ruhigem Blick und ähnlicher Handhaltung zurückkehren, dann erst weiterreden. Versprochene Sätze vollständig neu beginnen. Rückbewegung und Aufnahme-Kommentare gehören in die Pause. Ähnliche Haltung hilft bei der Anschlussfähigkeit, ist aber kein Nachweis eines sprungfreien Übergangs. Ausführliche Tipps und Prüfauftrag stehen im gemeinsamen Kapitel Aufnahme und Transkriptfreigabe.

Der verbindliche Kontrollpunkt vor Schritt 3 lautet: Prüftranskript vorlegen → Wortlaut, gültige Versuche und Pflichtaussagen bestätigen → geprüfte Datei verwenden. Der Schnitt folgt erst danach. Das lokale Textmodell sieht keine Körperhaltung; Bild- und Tonübergänge brauchen weiterhin eine gesonderte Prüfung.

Schritt 1 — Medien und Original prüfen

Die Beispiele unterstützen ein kurzes SDR-Video mit genau einer Video- und einer Audiospur, gemeinsamem Zeitursprung und normaler Wiedergabegeschwindigkeit. Kein Mehrkamera-Projekt, kein HDR-Workflow, keine automatische Reparatur beschädigter Dateien. Handyrotation und variable Bildrate vor dem Schnitt prüfen. Unterschiedliche Spurstarts müssen vorab in einer geprüften Arbeitsfassung synchronisiert werden.

New-Item -ItemType Directory -Force work, output, logs, config | Out-Null
Get-FileHash input/original.mp4 -Algorithm SHA256
ffprobe -v error -show_format -show_streams -of json input/original.mp4

Prüfen: Dauer, Bildabmessungen, Bildrate, Rotation, Farbtransfer und Audiospuren. Werte sind Messdaten, nicht aus dem Dateinamen ableiten. Die ursprüngliche Prüfsumme vor und nach der Arbeit vergleichen. ffprobe-Dokumentation

Schritt 2 — Tonspur und Transkript erzeugen

ffmpeg -n -i input/original.mp4 -map 0:a:0 -vn -ac 1 -ar 16000 -c:a pcm_s16le work/audio.wav
.\.venv\Scripts\python.exe beispiele/transkribieren.py work/audio.wav models/whisper-small work/original

Ergebnis: work/original.json mit Segment- und Wortzeiten sowie work/original.srt als Rohuntertitel. Die Mono-Datei dient der Erkennung; für den Film bleibt der Originalton maßgeblich. JSON behält Dezimalsekunden, SRT enthält Zeitfenster für Textblöcke.

Spielen Sie die Aufnahme ab und prüfen Sie Namen, Zahlen, Negationen und auffällige Passagen. Wortwahrscheinlichkeiten sind Hinweise, keine kalibrierten Wahrheitswerte. Auch in Stille kann eine Erkennung Text erfinden. Den Pausenfilter nicht als automatische inhaltliche Schnittentscheidung behandeln.

Erstellen Sie eine Arbeitskopie für die redaktionelle Korrektur:

Copy-Item work/original.json work/original_geprueft.json

Korrigieren Sie in dieser JSON-Datei nur den erkannten Wortlaut in segments[].text; IDs und Zeitwerte bleiben erhalten. Das nächste Skript liest diese Datei automatisch. Eine Änderung nur in der SRT erreicht das Textmodell nicht. Die enthaltenen words bleiben rohe Erkennungsergebnisse und sind dadurch noch nicht korrigiert. Wenn ein korrigiertes Wort andere Wortgrenzen erfordert, diese später separat abgleichen; nicht aus der Textkorrektur neue Zeitwerte erfinden.

Schritt 3 — Schnittbriefing und Modellvorschlag

Die Spracherkennung braucht kein kreatives Schnittbriefing: Sie soll Gesprochenes erkennen. Das Textmodell bekommt dagegen Auftrag, Grenzen, das korrigierte Transkript und ein festes Ausgabeformat. Es sieht in diesem Aufbau keine Bilder und hört nicht selbst die Aufnahme.

Beispielinhalt für config/briefing.txt — die Datei wird direkt vom Hilfsskript eingelesen:

Die Vorlage liegt als beispiele/briefing.txt bei. Mit Copy-Item beispiele/briefing.txt config/briefing.txt übernehmen und anschließend Zielgruppe, Ziellänge und Pflichtinhalte für die eigene Aufnahme anpassen.

Ziel: Kürzeres deutsches Erklärvideo für Inhaber kleiner Unternehmen.
Ziellänge: 60 Sekunden; Inhaltserhalt hat Vorrang vor der Zielzahl.

Behalte Kernaussage, notwendige Einschränkungen und vorhandene
Schlussaufforderung. Entferne ausschließlich klare Wiederholungen,
abgebrochene Fehlversuche und Kommentare zur Aufnahme.
Keine neuen Aussagen, keine Preise ergänzen, keine Umstellungen.
Zahlen, Verneinungen und Bedingungen müssen erhalten bleiben.

Verwende nur Originalsekunden aus dem gelieferten Transkript.
Gib chronologisch geordnete, nicht überlappende Behalte-Intervalle
mit start, end und reason aus. Markiere Unsicherheit in warnings.
Keine Shellbefehle. Keine erfundenen Überleitungen.
Wenn das Transkript zur sicheren Auswahl nicht genügt: benennen.

Vorschlag automatisiert aus den Dateien erzeugen:

.\.venv\Scripts\python.exe beispiele/vorschlag.py work/original_geprueft.json config/briefing.txt config/vorschlag.json

Das Beispiel verwendet qwen3:8b, eine JSON-Struktur und ein Kontextfenster von 8192 Tokens. Es begrenzt die übergebene Transkriptgröße konservativ auf 12.000 Zeichen; das ist kein exaktes Tokenmaß. Bei langen Aufnahmen in sinnvolle Teilprojekte mit erhaltenen Originalzeiten aufteilen und die Gesamtargumentation gesondert prüfen. Eine kleinere Temperatur erhöht nicht automatisch die inhaltliche Zuverlässigkeit. Lokale Chat-API, strukturierte Ausgaben

Ein Ergebnis sieht strukturell so aus — die Zahlen sind nur Beispiele und dürfen nicht unverändert auf Ihre Aufnahme angewendet werden:

{
  "keep": [
    {"start": 1.0, "end": 3.0, "reason": "Einleitung behalten"},
    {"start": 5.0, "end": 8.0, "reason": "Kernaussage behalten"}
  ],
  "warnings": ["Beide Schnittgrenzen am Original anhören"]
}

Schritt 4 — Inhalt freigeben und Rohschnitt berechnen

Prüfen Sie jedes Intervall am Original, einschließlich des Zusammenhangs vor und nach der Stelle. ASR-Segmentgrenzen sind nicht zwangsläufig gute Schnittstellen. Korrigieren Sie erforderliche Grenzen in der Schnittliste; das ist eine redaktionelle Entscheidung, keine von der KI garantierte Präzision.

Erst nach dieser Prüfung:

.\.venv\Scripts\python.exe beispiele/schnitt.py input/original.mp4 config/vorschlag.json work/roh_v01.mkv --freigegeben

Das Skript lehnt ungültige, überlappende, umgekehrt geordnete oder zu lange Intervalle ab. Es führt keine vom Modell erzeugten Befehle aus. Stattdessen baut es selbst den Filtergraphen und erzeugt einen Zwischenmaster mit FFV1-Bild und unkomprimiertem PCM-Ton. Dieser kann sehr groß werden. Dadurch muss das Bild nicht für jeden Zwischenschritt erneut verlustbehaftet komprimiert werden.

In diesem Minimalbeispiel gibt es harte Schnitte, keine automatischen Übergänge, keine Musik und keine intelligente Bildauswahl. Bei hörbarem Knacken, abgeschnittenen Lauten oder störenden Bildsprüngen Grenzen verbessern oder gezielt in einem Editor nacharbeiten. --freigegeben dokumentiert Ihre Entscheidung; es prüft sie nicht inhaltlich.

Schritt 5 — Untertitel für die neue Schnittfolge

Einfacher, robuster Standard für diesen Aufbau: Die kurze endgültige Schnittfassung erneut lokal transkribieren. So entstehen Zeitmarken auf der tatsächlichen neuen Zeitleiste; Originalzeiten müssen nicht übertragen werden.

.\.venv\Scripts\python.exe beispiele/transkribieren.py work/roh_v01.mkv models/whisper-small work/final_v01

Die zweite Erkennung kann erneut Textfehler enthalten. Vergleichen Sie sie mit dem geprüften Originaltext. Die Schnittfassung in Shotcut öffnen, im Untertitelbereich die SRT importieren und Wortlaut, Lesedauer und sinnvolle Zeilenumbrüche kontrollieren. Anschließend die korrigierten Untertitel ausdrücklich als work/final_v01_geprueft.srt exportieren. Genau diese Datei verwendet der folgende Renderbefehl. Das Hilfsskript schreibt ASR-Segmente, noch keine fertig gesetzten Zwei-Zeilen-Untertitel. Shotcut unterstützt SRT-Import und Untertitelbearbeitung. Funktionen

Fortgeschrittene Alternative: Bereits geprüfte Wortzeiten aus dem Original deterministisch umrechnen. Für ein behaltenes Intervall mit Originalstart a gilt: neue Zeit = bisherige Ausgabelänge + Originalzeit − a. Danach die Intervalllänge addieren. Bei Schnitten innerhalb eines Untertitelblocks dessen Text nicht blind vollständig übernehmen; aus den tatsächlich behaltenen Wörtern neu zusammensetzen. Übergänge, Geschwindigkeitsänderungen und Überblendungen erfordern eine erweiterte Zeitabbildung. Diese Alternative ist im beiliegenden Minimalskript nicht implementiert.

Wort-Highlighting: Nicht aus SRT-Segmentlängen gleichmäßig berechnen. Erst verlässliche Wortzeiten herstellen und kontrollieren. WhisperX kann einen zusätzlichen Sprach-/Textabgleich liefern, hat aber ebenfalls Grenzen bei Überlappungen und nicht zuordenbaren Zeichen/Zahlen. Wenn einzelne Wörter nicht verlässlich passen, normale Untertitel verwenden. WhisperX-Grenzen

Schritt 6 — Export

Zuerst eine saubere Videofassung ohne eingebrannte Schrift exportieren:

ffmpeg -n -i work/roh_v01.mkv -map 0:v:0 -map 0:a:0 -c:v libx264 -crf 20 -preset medium -pix_fmt yuv420p -c:a aac -b:a 192k -movflags +faststart output/video_v01.mp4

CRF 20 und AAC 192k sind Beispielwerte für diesen Pilot, keine allgemeine Plattformvorgabe. Seitenverhältnis und Bildrate werden hier nicht absichtlich geändert; bei ungeraden Bildabmessungen oder besonderen Quellen Ausgabe gezielt anpassen. Beurteilen Sie das Ergebnis visuell und akustisch.

Optional aus demselben Zwischenmaster mit bereits korrigierter SRT-Datei rendern:

ffmpeg -n -i work/roh_v01.mkv -map 0:v:0 -map 0:a:0 -vf "subtitles=work/final_v01_geprueft.srt" -c:v libx264 -crf 20 -preset medium -pix_fmt yuv420p -c:a aac -b:a 192k -movflags +faststart output/video_untertitel_v01.mp4

Relative Pfade aus dem Arbeitsordner vermeiden hier zusätzliche Windows-Doppelpunkt-Escapes im Filter. Bei eigenen Schriften fontsdir und den tatsächlichen internen Fontnamen verwenden; Lizenz mitführen und Testbild mit Umlauten/ß rendern. Eine vorhandene TTF-Datei beweist nicht, dass der Renderer sie benutzt. FFmpeg-Filter, Exportoptionen

Lautheit zunächst messen und Original gegen Bearbeitung anhören. loudnorm unterstützt eine Zweipass-Verarbeitung; Zielwerte passend zum tatsächlichen Ausgabekanal festlegen und erneut messen. Keine pauschale Rauschreduzierung oder Behauptung, ein fester LUFS-Wert sei für jede Plattform vorgeschrieben. Dieser Aufbau wendet absichtlich keine automatische Tonkorrektur an.

Schritt 7 — Technische und menschliche Abnahme

ffmpeg -v error -i output/video_v01.mp4 -f null -
ffprobe -v error -show_format -show_streams -of json output/video_v01.mp4
Get-FileHash input/original.mp4 -Algorithm SHA256

Der vollständige Decode prüft Lesbarkeit der Datei, nicht Verständlichkeit, Wahrheitsgehalt oder Filmqualität. Erwartete Schnittdauer aus den Intervallen mit der Ausgabe vergleichen; kleine Frame-/Audiopaket-Abweichungen können vorkommen. Größere Abweichungen untersuchen.

• Original-Prüfsumme unverändert; Quellspur, Rotation und Synchronität stimmen.
• Transkript vor der Schnittplanung geprüft; Aufnahmeversuche und Pflichtaussagen bestätigt.
• Jede Schnittgrenze angehört; Bedeutung und Einschränkungen erhalten.
• Zahlen, Namen und alle Untertitel geprüft; keine ASR-Erfindungen übernommen.
• Vollständiger Sicht-/Hördurchlauf, zusätzlich Handy-Lesbarkeit.
• Ausgabedatei vollständig decodiert; falsche Länge oder fehlende Spur ausgeschlossen.
• Nach Einrichtung ein definierter Durchlauf ohne Netzwerk bestanden, bevor „vollständig lokal“ zugesagt wird.
• Modellrevisionen, Programmversionen, Schnittliste, Prompt und Exportparameter dokumentiert.
• Zweiter Lauf liefert dieselbe freigegebene Schnittfolge; bitidentisches Video wird nicht versprochen.

6. Wann Onlinewerkzeuge sinnvoller sind

Als gezielte Hybridlösung kann ein Cloud-Assistent den Ablauf steuern und eine verbundene Transkription nutzen, während technische Exporte lokal bleiben. Genau diesen Einstieg beschreibt Anleitung 1, einschließlich Aboentscheidung für Assistent und Transkriptionsdienst. Nicht mehrere Dienste vorsorglich abonnieren. Nur die notwendige Information übertragen, nachdem die Verarbeitung für das konkrete Material geklärt ist.

7. Fehler, die Sie vermeiden sollten