1 Das Bild

2 Warum eine Kette und kein Schnittprogramm

Mit dieser Kette sind die Lehrvideos der Kurse zu LM Studio, Open WebUI, LibreChat, n8n und Docling entstanden, dazu 30 Lehrvideos der AuxData-Akademie. 27 Kapitel davon wurden später mit einer anderen Stimme neu vertont, ohne ein Bild neu aufzunehmen.

3 Einrichten

python -m venv .venv
.venv\Scripts\activate
pip install -r anforderungen/werkzeuge.txt
ffmpeg -version
python werkzeuge/pruefe_storyboard.py --projekt beispiel

Jedes Werkzeug erklärt sich mit --help. Fehler kommen als deutscher Satz mit FEHLER: davor, nicht als Python-Traceback. Wer eine andere Meldung sieht, hat einen Fehler in den Werkzeugen gefunden.

✓ Kurz geprüft

1 Wessen Stimme?

Das Beispielvideo spricht mit der geklonten Stimme des Kursautors, also mit seiner eigenen. Seine Referenzaufnahme liegt nicht im Download: Aufnahme plus Transkript sind ein fertiger Bausatz zum Klonen. Zum Üben liegt stattdessen eine entworfene Kunststimme bei, die keinem Menschen gehört. Stufe 4 zeigt beide Wege.

2 Wann kennzeichnen?

Seit dem 2. August 2026 gelten die Transparenzpflichten der KI-Verordnung (Art. 50). Wer mit KI Audio oder Video erzeugt, das echte Personen täuschend echt darstellt, muss offenlegen, dass es künstlich ist. Eine geklonte Stimme eines echten Menschen gehört dazu.

3 Fremdes Material

• Musik: nur mit Lizenz, die Deine Nutzung abdeckt. „Hab ich auf YouTube gehört“ ist keine.
• Ausschnitte anderer Videos, Logos, Screenshots fremder Seiten: nur mit Rechten. Eine fertige Schulung des Kursautors ist bis heute unveröffentlicht, weil die Rechte an eingebauten Videoausschnitten ungeklärt sind.
• Menschen im Bild, auch in Kacheln einer Videokonferenz oder im Hintergrund einer Aufnahme: nur mit Einwilligung.
• Übungsdaten statt echter Daten. Kundennamen, E-Mail-Adressen und Preise aus dem echten System gehören nicht in ein Lehrvideo (Stufe 6).

4 Deine Regeln

Schreib Dir drei Regeln für Deine eigenen Videos auf, bevor Du weitermachst. Eine Vorlage:

1. Stimme: Ich verwende ________ (meine eigene / eine entworfene).
   Fremde Stimmen nur mit schriftlicher Einwilligung.
2. Kennzeichnung: Oben rechts steht „Stimme KI-generiert“, in der Beschreibung
   der Satz „________________________________________________“.
3. Material: Musik nur aus ________ (Quelle mit Lizenz), Daten nur aus ________.

Ergebnis dieser Stufe: drei Regeln, die Du im Team zeigen kannst. Die dritte wird in Stufe 6 noch einmal wichtig.

✓ Kurz geprüft

1 Der Aufbau

Ein Storyboard hat Kapitel, und jedes Kapitel hat Abschnitte. Ein Abschnitt ist ein bis vier Sätze, die zusammen vertont werden. Es gibt zwei Arten von Kapiteln:

• karte: Eine Tafel mit Titel und Untertitel, die Stimme spricht darüber.
• aufnahme: Ein Stück aus einer Bildschirmaufnahme. Jeder Abschnitt sagt mit von und bis, welches Stück er zeigt. Die Marken sind Namen, die Zeiten stehen getrennt in marken.json.

{
  "titel": "Die Nordwerk-Übungsseite",
  "kennzeichnung": "Geklonte KI-Stimme von Florian Ludwig",
  "sprache": "German",
  "breite": 1920, "hoehe": 1080, "fps": 30,
  "pause_nach_abschnitt": 0.4,
  "kapitel": [
    { "id": "01-titel", "typ": "karte",
      "titel": "Die Nordwerk-Übungsseite",
      "untertitel": "Produkte ansehen und die Preisliste im Terminal ausgeben",
      "abschnitte": [
        {"id": "titel-1", "text": "Willkommen bei Nordwerk. In diesem kurzen Video zeige ich Dir die Übungsseite aus unserem Kurs."}
      ] },
    { "id": "03-terminal", "typ": "aufnahme", "datei": "aufnahmen/03-terminal.mkv",
      "abschnitte": [
        {"id": "term-1", "von": "prompt", "bis": "befehl",
         "text": "Im Terminal stehen wir im Ordner der Übungsseite. Dort liegt die Datei app.js."},
        {"id": "term-2", "von": "befehl", "bis": "ausgabe",
         "text": "Mit node app.js startet das Programm und gibt die Preisliste aus."}
      ] }
  ]
}

2 Fürs Ohr schreiben

3 Die Aussprache-Tabelle

Im Storyboard steht immer die richtige Schreibweise, denn daraus werden später die Untertitel. Wie ein Begriff gesprochen wird, steht getrennt in aussprache.txt:

# Begriff = Aussprache
app.js = App Punkt Jot Es
node = Noud
KI = Ka-I
Browser = Brauser
1290 = zwölfhundertneunzig
2120 = zweitausendeinhundertzwanzig

Vor dem Vertonen wird jeder Begriff durch seine Aussprache ersetzt, ganze Wörter, längere Begriffe zuerst. Eine Zeile ohne = ist ein Fehler, keine stille Auslassung. Wie wir auf diese Einträge gekommen sind, zeigt Stufe 5. Die Zeilen mit Zahlen zeigen den zweiten Nutzen: Im Untertitel steht „1290“, gesprochen wird „zwölfhundertneunzig“.

4 Die Prüfung, bevor irgendetwas entsteht

Repariere alle vier Stellen, bis die Prüfung 0 Fehler, 0 Warnungen meldet. Dann schreibst Du ein Storyboard für ein eigenes Thema: zwei Kapitel, eine Tafel und eine Aufnahme. Die Marken erfindest Du vorerst, die Zeiten kommen in Stufe 6.

✓ Kurz geprüft

1 Zwei Wege, ein Ergebnis

2 Die Umgebung für die Stimme

python -m venv .venv-stimme
.venv-stimme\Scripts\activate
pip install torch --index-url https://download.pytorch.org/whl/cu128
pip install -r anforderungen/stimme.txt

Beim Bau lagen die Modelle schon auf dem Rechner. Den Download haben wir deshalb nicht gemessen.

3 Weg A: eine Kunststimme entwerfen

python werkzeuge/stimme_entwerfen.py --projekt mein-video \
  --beschreibung "A native German female narrator in her thirties with a calm, friendly and clear voice. Natural conversational pace, explains software to a colleague. No advertising tone, no whispering, no background music." \
  --probetext "Hallo, ich bin die Sprecherin für die Nordwerk-Beispiele. Ich erkläre ruhig und deutlich, was auf dem Bildschirm passiert, damit man gut folgen kann."

4 Weg B: die eigene Stimme

1. Aufnehmen: 10 bis 25 Sekunden, ruhiger Raum ohne Hall, gleichmäßiger Abstand zum Mikrofon, keine Musik. Sprich so, wie Du erklären willst, nicht wie beim Vorlesen.
2. Speichern als referenz.wav in einem eigenen Ordner außerhalb Deiner Projekte, zum Beispiel D:/stimmen/meine-stimme/.
3. Den Text exakt aufschreiben, so wie Du ihn gesprochen hast, auch mit „äh“ oder einem wiederholten Wort, in referenz.txt daneben. Der Klon lernt aus dem Zusammenspiel von Ton und Text.
4. Beim Vertonen darauf zeigen: vertonen.py --projekt mein-video --stimme D:/stimmen/meine-stimme. So landet Deine Referenz in keinem Repository und in keinem Download.

Genau so spricht das Beispielvideo: mit der Stimme des Kursautors (florian-de, 20,4 s Referenz), vertont mit --stimme. Derselbe Weg läuft auf seiner Maschine seit dem 23.09.2026, 27 Kapitel der AuxData-Akademie sind damit neu vertont worden.

✓ Kurz geprüft

1 Vertonen

Je eine Messung, die Einzelwerte mit der Kunststimme, das ganze Beispiel mit der Stimme des Kursautors. Die Rechenzeit je Sekunde Ton war bei beiden Stimmen gleich. Ohne Grafikkarte war es nur halb so schnell, nicht zehnmal langsamer, wie wir vor dem Bau geschätzt hatten. Auf schwächeren Prozessoren dauert es länger.

2 Abhören, jede Datei

Hör jede WAV einmal ganz an. Achte auf drei Dinge: abgeschnittene Enden, falsch betonte Fachbegriffe und Zahlen. Eine Maschine hört Fehler, die Du überhörst, und Du hörst Fehler, die sie überhört. Deshalb machen es beide.

3 Whisper hört mit

python -m venv .venv-rueck
.venv-rueck\Scripts\activate
pip install -r anforderungen/rueckpruefung.txt
pip install nvidia-cublas-cu12 nvidia-cudnn-cu12      (nur Windows mit Grafikkarte)
python werkzeuge/rueckpruefung.py --projekt mein-video

So lief es beim ersten Bau mit der Kunststimme, vier Durchläufe lang:

Am Ende stand: Keine Auffälligkeiten. Abhören trotzdem. Dann bekam das Beispiel die Stimme des Kursautors, und die Rückprüfung fand Neues:

Zwei Lehren daraus. Eine neue Stimme heißt neu prüfen, denn ihre Fehler sind andere. Und die Rückprüfung ist ein Hinweisgeber, kein Urteil: Ob „Noud“ oder „Stuhl Lütt“ so klingen, wie Du es willst, entscheidet Dein Ohr.

4 Nur neu, was sich geändert hat

Steht eine neue Zeile in aussprache.txt, startest Du einfach wieder vertonen.py. Es erzeugt nur die Abschnitte neu, deren gesprochener Text sich dadurch geändert hat, und schreibt dazu, warum: (… s gerechnet, Text oder Aussprache geändert). Alle anderen WAVs bleiben, wie sie sind.

✓ Kurz geprüft

1 Vorab-Prüfung, jedes Mal

Im Download liegt vorab-pruefung.md. Die wichtigsten Punkte:

• Fensteraufnahme statt Bildschirmaufnahme. Sie zeigt ein Programm und keine Benachrichtigung, die hereinplatzt.
• Nur Übungsdaten im Bild. Kein Editor mit .env, auch nicht in einem Hintergrund-Tab: Der Fenstertitel zeigt nur den aktiven.
• Browser mit eigenem Profil, ohne Lesezeichen, Verlauf und angemeldete Konten. Terminal mit neutralem Prompt, im Beispiel PS nordwerk-website>, ohne Benutzer- und Rechnernamen.
• War doch etwas im Bild: Take löschen und neu aufnehmen, nicht wegschneiden. Ein Zugangsdatum, das im Bild war, gilt als bekannt und wird gewechselt.

2 OBS einrichten

1. Einstellungen → Video: Basis- und Ausgabeauflösung 1920 × 1080, 30 Bilder pro Sekunde. So wie breite, hoehe und fps im Storyboard.
2. Einstellungen → Ausgabe: Aufnahmeformat MKV. Stürzt OBS ab, bleibt eine MKV lesbar, eine MP4 nicht. Die Werkzeuge lesen MKV direkt.
3. Quelle „Fensteraufnahme“ anlegen und beim Fensterabgleich die Option wählen, bei der der Titel übereinstimmen muss. Beim Bau zeigte die Quelle zuerst ein anderes, privates Chrome-Fenster, weil sie nach dem Programm gesucht hatte statt nach dem Titel. Aufgefallen ist es beim Einrichten, vor dem ersten Take. Ein Blick in die OBS-Vorschau zeigt es genauso.
4. Terminal unter Windows: Aufnahmemethode „Windows 10 (1903 and up)“. Mit „BitBlt“ blieb bei einer früheren Produktion ein ganzes Terminal-Kapitel 65 Sekunden lang schwarz, und OBS hat nichts gemeldet.
5. Fenster fest einstellen, nicht maximieren. Etwas größer als 1920 × 1080, dann in OBS die Titelleiste wegschneiden (Alt und am Rand der Quelle ziehen).

3 Marken ablesen

marken_bilder.py legt aus einer Aufnahme einen Bogen an, mit einem Bild je halbe Sekunde und der Zeit darunter:

aus/marken-03-terminal.jpg · die ersten 12 Sekunden

Ab 7,0 s wird getippt, ab 9,0 s steht die Preisliste da, ab 10,5 s ist der Prompt zurück. Mit --von 8.4 --bis 9.6 --schritt 0.1 wird es genauer: Die erste Zeile der Ausgabe erscheint bei 9,1 s.

4 Deine Aufnahme

✓ Kurz geprüft

1 Die Regeln

1. Satz länger als Bild: Das letzte Bild bleibt stehen. Gestreckt wird nie, denn gestrecktes Bild ruckelt und sieht nach Fehler aus.
2. Bild länger als Satz: Das Bild läuft weiter, der Ton bekommt Stille dahinter.
3. Viel zu langes Bild, etwa eine Installation, die 40 Sekunden läuft: Mit "raffen": true im Abschnitt läuft es schneller, mit der Einblendung „Zeitraffer“. Ein Zeitraffer, den man nicht sieht, ist eine falsche Aussage über die Geschwindigkeit.

Hinter jedem Abschnitt folgt eine kurze Pause, im Beispiel 0,4 Sekunden (pause_nach_abschnitt).

2 So ging es im Beispiel auf

3 Schneiden

Warum zuerst --stumm: Ohne Ton schaust Du nur aufs Bild. Springt es, steht es zu lange, fehlt etwas? Mit Stimme hört man darüber hinweg. Ein zweiter Lauf erzeugt übrigens bis aufs Byte dasselbe Video. Wer nur einen Satz ändert, bekommt auch nur dort ein anderes Bild.

Zeitraffer in einer Übung: term-1 bis zur Ausgabe, gerafft ×1,4

Im ersten Test lag „Zeitraffer“ oben links, genau über dem Prompt. Dort beginnt im Terminal der Inhalt. Jetzt steht der Hinweis unter der Kennzeichnung.

✓ Kurz geprüft

1 Tafeln als Bilder

karten.py zeichnet mit Pillow je Karten-Kapitel eine Tafel mit Titel und Untertitel, dazu die Kennzeichnung aus dem Storyboard und die Einblendung „Zeitraffer“. Warum Bilder und nicht der Textfilter von ffmpeg: Unter Windows braucht drawtext einen Schriftpfad mit maskiertem Doppelpunkt, in manchen schlanken ffmpeg-Paketen fehlt er ganz, und ein PNG kannst Du ansehen, bevor geschnitten wird.

Tafel zu titel-3, mit der Kennzeichnung oben rechts

2 Drei Fehler, die erst im fertigen Bild auffielen

Alle drei waren technisch einwandfrei. Den ersten und den dritten findet keine Prüfung, sie fallen nur auf, wenn man hinsieht und zuhört. Den zweiten meldet die Prüfung aus Stufe 10 als Warnung, und seitdem schon die Storyboard-Prüfung, bevor irgendetwas geschnitten wird.

{"id": "titel-2", "titel": "Zwei Schritte",
 "untertitel": "Erst die Produkte im Browser, dann die Preisliste im Terminal",
 "text": "Zuerst schauen wir uns die Produkte im Browser an. Danach geben wir die Preisliste im Terminal aus."}

✓ Kurz geprüft

1 Warum nicht Whisper

Whisper hat in Stufe 5 aus „node app.js“ erst „notapp.us“ gemacht, dann „nautapp.us“. Genau solche Fehler landen in Untertiteln, wenn man sie mit einer Spracherkennung erzeugt. Dabei steht der richtige Text schon da, im Storyboard und in der richtigen Schreibweise. Whisper bleibt das Werkzeug für die Rückprüfung, nicht für die Untertitel.

2 So entstehen sie

untertitel.py nimmt den Text jedes Abschnitts aus dem Storyboard und seine Lage im Video aus aus/zeitleiste.json, die schneiden.py geschrieben hat. Lange Abschnitte teilt es an Satzgrenzen. Jeder Satz bekommt den Anteil an der Sprechzeit, der seiner Länge entspricht. Das ist eine Näherung, denn die Stimme spricht nicht völlig gleichmäßig. Im Beispiel lag keine Zeile spürbar daneben.

Gesprochen wurde „App Punkt Jot Es“, im Untertitel steht app.js. Genauso bei den Preisen: gesprochen „zwölfhundertneunzig“, im Untertitel „1290“. Die Aussprache-Tabelle wirkt nur auf die Stimme. Das Transkript entsteht aus derselben Quelle, Kapitel für Kapitel mit Überschrift: für die Kursseite, für Suchmaschinen und für alle, die lieber lesen.

Probier es aus: Auf der Übersicht läuft das Beispielvideo mit genau dieser Datei. Im Player die Untertitel einschalten.

3 VTT oder SRT?

✓ Kurz geprüft

1 Die Maschine

pruefe_video.py misst mit ffmpeg: Auflösung, Bildrate, Länge, Tonspur, Schwarzbild, lange Standbilder, Lautheit und ob das Video im Web sofort startet (faststart). Ein Fehler hält an, eine Warnung nicht.

2 Das Auge

kontaktbogen.py legt ein Bild aus der Mitte jedes Abschnitts auf ein Blatt, beschriftet mit Abschnitt und Zeit. In zwei Sekunden siehst Du, was die Maschine meinte:

aus/kontaktbogen.jpg · Endfassung

Die Terminal-Abschnitte: Der Hintergrund hat die Farbe RGB 11, 11, 11, fast schwarz, mit wenig Text darauf. In der ersten Fassung begann das Terminal bei 49,1 s.

3 Deine Prüfung

Bei Deinem eigenen Video gehst Du den Bogen mit einer Frage durch: Gehört alles, was zu sehen ist, ins Video? Ein fremdes Fenster, ein Name, ein Kontostand, ein Browser-Tab mit verräterischem Titel. Bei erkennbaren Personen ist dieser Blick Pflicht.

✓ Kurz geprüft

1 Der Schnitt als Projekt

als_shotcut.py schreibt den Schnitt als MLT-Datei, das Projektformat von Shotcut. Jeder Abschnitt aus aus/teile/ wird ein Clip auf der Zeitleiste, beschriftet mit seiner ID. In Shotcut öffnest Du die Datei mit Datei → Öffnen.

Gerendert haben wir das Projekt mit melt 7.41, der Engine, die in Shotcut 26.8.1 steckt: melt die-nordwerk-uebungsseite.mlt -consumer avformat:export.mp4 vcodec=libx264 crf=20 acodec=aac ab=160k, 45 Sekunden. Das Öffnen in der Shotcut-Oberfläche war nicht Teil der Messung.

2 Die Lautheitsfalle

Der Export aus dem Shotcut-Projekt hatte Bild und Ton und hat trotzdem die Prüfung aus Stufe 10 nicht bestanden. Gemessen mit beiden Stimmen:

Der Grund: schneiden.py gleicht die Lautheit erst an, wenn es die Teile zusammenfügt. Die Teile selbst, aus denen das Shotcut-Projekt besteht, sind noch nicht angeglichen. Deshalb gibt es fertigstellen.py: Es gleicht die Lautheit an und schiebt den Index an den Anfang. Das Bild wird nur kopiert, nicht neu kodiert. Beide Werkzeuge messen erst und gleichen dann an. Die geklonte Stimme kam mit -28,9 LUFS und hohen Spitzen aus dem Modell. Für eine rein lineare Anhebung auf -16 fehlte der Platz, ffmpeg regelt dann dynamisch und landet bei -16,9: in der Toleranz.

python werkzeuge/fertigstellen.py --datei export.mp4
python werkzeuge/pruefe_video.py --datei export-fertig.mp4

Die Regel dahinter gilt für jedes Schnittprogramm: Nach jedem Export wird neu geprüft.

3 Vertiefung: DaVinci Resolve

DaVinci Resolve ist das stärkere Programm, und die kostenlose Fassung reicht für Lehrvideos. Für eine Kette wie diese hat sie einen Haken: Seit Version 21.1 lässt sich Resolve nur noch in der bezahlten Studio-Fassung mit Python steuern. In der kostenlosen Fassung bleibt die Lua-Konsole im Programm. Auf der Maschine des Kursautors ist so ein Weg bis zum Export erprobt, halb per Lua, halb per Bedienung der Oberfläche. Für diesen Kurs ist Shotcut der einfachere Weg, weil sein Projektformat eine offene Textdatei ist.

✓ Kurz geprüft

1 Vor dem Hochladen

1. Kennzeichnung im Bild: steht über jedem Bild (Stufe 8).
2. Kennzeichnung in der Beschreibung, zum Beispiel: „Die Stimme in diesem Video ist mit KI erzeugt (Qwen3-TTS, entworfene Stimme). Bild und Inhalt stammen von uns.“ Bei einer geklonten eigenen Stimme: „… geklonte Stimme von Vorname Nachname“.
3. Untertitel und Transkript gehören dazu: VTT auf der Webseite, SRT bei der Videoplattform, das Transkript als Text daneben.
4. Prüfung und Kontaktbogen der Fassung, die Du hochlädst. Nicht einer älteren.

2 Den Stand festhalten

Ein halbes Jahr später willst Du wissen, woraus ein Video entstanden ist. Alles Nötige liegt schon im Projekt: storyboard.json und aussprache.txt für den Text, stimme/stimme.json für die Stimme, audio/stimme.json für Referenz, Temperatur und Modell der Vertonung, marken.json und aus/zeitleiste.json für den Schnitt. Leg den Projektordner ohne aus/ in Git (Git-Kurs) und schreib ins Commit, welche Fassung veröffentlicht ist.

3 Einen Satz ändern

So lief es in einer Kopie des Beispiels. In web-4 wurde aus „Die Preise stehen nicht auf der Seite. Die holen wir uns im nächsten Schritt aus dem Programm.“ der Satz „Preise stehen nicht auf der Seite. Die holen wir uns gleich aus dem Programm.“

4 Stimmen nicht mischen

Alle Abschnitte eines Videos kommen von derselben Stimme mit denselben Einstellungen. Sonst hört man die Nahtstelle. vertonen.py passt darauf auf. Als wir in der Kopie einen einzelnen Abschnitt mit Temperatur 0,9 neu erzeugen wollten, kam:

Soll ein Video eine neue Stimme bekommen, dann alle Abschnitte auf einmal. So sind 27 Kapitel der AuxData-Akademie neu vertont worden, ohne ein einziges Bild neu aufzunehmen. Und so ist dieses Beispielvideo von der Kunststimme auf die Stimme des Kursautors umgezogen: alle elf Abschnitte in 267 Sekunden, dieselben Aufnahmen, danach alles neu geprüft. Die neue Stimme brachte neue Befunde (Stufe 5 und 8).

✓ Kurz geprüft

1 Die Werkzeuge

2 Ein Projektordner

mein-video/
├─ storyboard.json      Text, Kapitel, Abschnitte, Marken-Namen   (Du)
├─ aussprache.txt       Begriff = Aussprache                      (Du)
├─ marken.json          Zeiten der Marken je Aufnahme             (Du, aus dem Bildbogen)
├─ stimme/              referenz.wav, referenz.txt, stimme.json (die eigene besser außerhalb, --stimme)
├─ audio/               eine WAV je Abschnitt, dauern.json, stimme.json
├─ aufnahmen/           die Takes aus OBS (.mkv)
├─ karten/              Tafeln und Einblendungen (erzeugt)
└─ aus/                 Video, Teile, Zeitleiste, Untertitel, Bögen (erzeugt, nicht in Git)

3 Meldungen und was hilft

4 Offizielle Seiten

• Qwen3-TTS: Modellseiten Base und VoiceDesign bei Hugging Face, dort auch Lizenz und Hinweise zur Nutzung
• faster-whisper
• OBS Studio, Shotcut, ffmpeg