Eine eigene App in einem Abend: Screencasts mit KI übersetzen

Kurz zusammengefasst: Für ein Kundenprojekt brauche ich Erklärvideos in mehreren Sprachen. Statt jedes Video neu aufzunehmen, habe ich mir an einem Abend mit Claude Code ein eigenes Werkzeug gebaut. Es zieht den Ton aus dem Video, transkribiert ihn, übersetzt ihn sinnerhaltend, erzeugt eine KI-Stimme und legt sie wieder auf das Video. Die wichtigste Erkenntnis: Die Übersetzung darf nicht wörtlich sein, sondern muss den Sinn treffen.

Vor Kurzem stand ich vor einer Aufgabe, die künftig öfter auf mich zukommen wird. In einem Kundenprojekt sollen Erklärvideos zu speziellen Funktionen entstehen, und zwar nicht nur auf Deutsch. Das Team ist international, also brauchen die Videos mehrere Sprachfassungen.

Die naheliegende Lösung wäre gewesen, jedes Video in jeder Sprache neu aufzunehmen. Das ist teuer, langsam und für mich allein kaum machbar. Also habe ich einen anderen Weg genommen und mir das passende Werkzeug selbst gebaut.

Ein Erklärvideo, mehrere Sprachen

Ein Erklärvideo ist schnell aufgenommen, solange es bei einer Sprache bleibt. Sobald mehrere Sprachen dazukommen, vervielfacht sich der Aufwand. Jede Fassung bedeutet neues Skript, neue Aufnahme, neuer Schnitt. Bei mehreren Videos und drei oder vier Sprachen wird daraus schnell ein eigenes Projekt.

Genau das war meine Ausgangslage: mehrere Erklärvideos für ein internationales Team, das die Inhalte am liebsten in der eigenen Sprache sieht.

Warum ich mir das Werkzeug selbst gebaut habe

Ich hätte nach einer fertigen Lösung suchen können. Stattdessen habe ich mich einen Abend hingesetzt und mit Claude Code eine eigene kleine macOS-App entwickelt, die genau diese eine Aufgabe erledigt.

Der Punkt ist nicht, dass ich Anwendungsentwickler bin. Bin ich nicht. Der Punkt ist, dass KI die Schwelle, sich ein eigenes Werkzeug zu bauen, deutlich gesenkt hat. Ein Problem, das früher ein Kaufprodukt oder einen Dienstleister gebraucht hätte, lässt sich heute in überschaubarer Zeit selbst lösen. Vorausgesetzt, man kann das Problem klar beschreiben.

Fertige Lösungen gibt es durchaus. ElevenLabs zum Beispiel hat ein Dubbing-Feature, das Videos synchron und sogar in der eigenen Originalstimme übersetzt. In der zweiten Version ist die Qualität überzeugend, das habe ich selbst getestet.

Der Haken ist der Preis. Eine Minute Video kostet dort etwas mehr als 4 Dollar. Für ein einzelnes kurzes Video mag das vertretbar sein, für eine ganze Reihe von Erklärvideos in mehreren Sprachen ist es schlicht unwirtschaftlich. Genau hier lohnt sich die eigene Lösung. Sie kommt an die Originalstimme und die Synchronität von ElevenLabs nicht ganz heran, ist für meinen Zweck aber gut genug, und das zu einem Bruchteil der Kosten.

Wie die Übersetzung abläuft

Die App nimmt ein fertiges Video und gibt es in der Zielsprache wieder aus. Dazwischen laufen mehrere Schritte automatisch ab:

• Der Ton wird aus dem Video extrahiert.
• Eine Spracherkennung schreibt den gesprochenen Text mit.
• Der Text wird in die Zielsprache übersetzt.
• Eine KI-Stimme spricht die Übersetzung ein.
• Die neue Tonspur wird wieder mit dem Video zusammengeführt.

Das Ergebnis ist ein Video in der gewünschten Sprache, ohne dass ich etwas neu aufnehmen muss. Es ist nicht meine Stimme, sondern eine KI-Stimme. In diesem Fall ist das völlig in Ordnung, weil es um die Vermittlung von Inhalten geht und nicht um meine Person.

Seit Kurzem gibt es einen optionalen Timing-Modus. Die App kann Claude beim Übersetzen zusätzlich die Dauer jedes Segments mitgeben. Claude formuliert die Übersetzung dann so, dass sie zum verfügbaren Zeitfenster passt, orientiert an etwa 2,5 Wörtern pro Sekunde. Der Modus ist standardmäßig deaktiviert und wirkt sich ausschließlich auf die Länge des übersetzten Texts vor der Sprachausgabe aus, nicht auf die Audiobearbeitung selbst. Die ersten Tests zeigen eine spürbare Verbesserung der Timing-Qualität.

Der entscheidende Unterschied: Sinn statt Wort

Die wichtigste Entscheidung war nicht technischer, sondern sprachlicher Natur. Ich habe von Anfang an festgelegt, dass nicht wörtlich übersetzt werden soll, sondern sinnerhaltend.

Eine wörtliche Übersetzung klingt in der Zielsprache oft hölzern. Sätze werden umständlich, Redewendungen ergeben keinen Sinn, der Text wirkt fremd. Eine sinnerhaltende Übersetzung fragt stattdessen, wie ein Mensch denselben Gedanken in dieser Sprache ausdrücken würde.

Genau das macht den Unterschied zwischen einem Text, der übersetzt wirkt, und einem, der natürlich klingt. Alle Tests, die ich gemacht habe, waren von der Textqualität her erstaunlich gut. Das hat mich selbst überrascht.

Warum unterschiedliche Modelle für unterschiedliche Aufgaben

Eine Sache habe ich bewusst getrennt: Für Übersetzung und Stimme nutze ich nicht dasselbe Modell. Die Stimme kommt von OpenAI, die Übersetzung von Claude. Der Grund liegt in der Art der Aufgabe.

Ein Erklärvideo besteht aus vielen kurzen Segmenten, die inhaltlich zusammenhängen. Manche Videos kommen auf mehrere hundert davon. Claude übersetzt diese langen, zusammenhängenden Blöcke spürbar konsistenter, weil es den gesamten Kontext im Blick behält und nicht jedes Segment isoliert betrachtet. Genau diese Konsistenz über das ganze Video hinweg macht den Unterschied.

Der Kostenpunkt bleibt dabei gering. Die Übersetzung eines kompletten Videos liegt je nach Länge zwischen etwa 4 und 40 Cent, wobei die 40 Cent erst bei längeren Videos von rund 15 Minuten anfallen. Der einzige zusätzliche Aufwand ist ein zweiter API-Schlüssel, den man einmal einträgt und der gespeichert bleibt. Für die bessere Qualität ist mir das den Aufwand wert.

Für mich geht das über dieses Projekt hinaus. Bei allem, was mit Sprache zu tun hat, liefert Claude aus meiner Erfahrung deutlich bessere Ergebnisse als die Modelle von OpenAI. Das war einer der Gründe, warum ich mein ChatGPT-Konto schon vor Monaten gekündigt habe und für KI-Aufgaben inzwischen fast ausschließlich mit Claude arbeite. Die KI-Stimme kommt hier trotzdem von OpenAI, weil es dabei nicht um Sprachverständnis geht, sondern um die reine Tonausgabe.

Was noch nicht perfekt ist

Zur Ehrlichkeit gehört: Perfekt sind die Videos nicht. Die größte Baustelle ist das Timing. Manchmal passt die Länge der übersetzten Tonspur nicht exakt zum Bild, sodass ich im Schnittprogramm noch etwas nachjustieren muss. Mit dem neuen optionalen Timing-Modus hat sich das in ersten Tests bereits deutlich verbessert.

Das ist Nacharbeit, aber überschaubar, und wie viel anfällt, hängt stark von der Länge ab. Je kürzer das Video, desto weniger ist nötig. Bei kurzen Videos von drei bis fünf Minuten ist manchmal gar keine Korrektur erforderlich. Bei längeren Videos kann es mehr werden, aber selbst dann steht der Aufwand in keinem Verhältnis zur Alternative. Müsste ich die Videos selbst ins Englische übersetzen oder übersetzen lassen und sie anschließend trotzdem neu zum Bild schneiden, wäre der Aufwand um ein Vielfaches höher.

Für den Zweck, Inhalte verständlich in mehreren Sprachen bereitzustellen, ist das Ergebnis mehr als brauchbar. Es muss kein Hochglanzprodukt sein, es muss verstanden werden.

Was das für dich als Integrator bedeutet

Die eigentliche Geschichte ist nicht die App. Es ist die Erkenntnis, dass du dir mit KI heute Werkzeuge bauen kannst, die genau auf dein Problem zugeschnitten sind.

Als TYPO3-Integrator triffst du ständig auf kleine, wiederkehrende Aufgaben, für die es keine perfekte Standardlösung gibt. Vieles davon lässt sich heute mit vertretbarem Aufwand selbst automatisieren. Du musst kein Entwickler sein. Du musst nur genau wissen, was du brauchst, und es klar formulieren können.

Bei aller Leichtigkeit lohnt es sich trotzdem, auf die Codequalität zu achten, soweit du es beurteilen kannst. Als Integrator kennst du dich aus, also nutze dieses Wissen. Entscheidend ist dabei die Unterscheidung, wofür ein Werkzeug gedacht ist. Eine App, die du nur privat und lokal auf dem eigenen Rechner nutzt, ist etwas anderes als eine, die du öffentlich verfügbar machst oder an Endkunden weitergibst. Meine bisherigen Apps laufen fast ausschließlich lokal bei mir, da sehe ich das Thema Sicherheit entspannter. Sobald so ein Werkzeug nach außen geht, ist es ein ganz anderes Thema, und Sicherheit und Qualität bekommen ein deutlich höheres Gewicht.

Und wenn du KI für Sprache einsetzt, egal ob Übersetzung, Texte oder Dokumentation: Lass sie nicht wörtlich arbeiten, sondern auf den Sinn. Dieser eine Hinweis im Prompt verändert die Qualität spürbar.

Fazit

Ein konkretes Problem aus einem Kundenprojekt, ein Abend Arbeit, ein eigenes Werkzeug. Meine Erklärvideos lassen sich jetzt in mehrere Sprachen bringen, ohne dass ich sie neu aufnehme. Das Ergebnis ist nicht perfekt, aber gut genug für den Zweck, und der Weg dahin war kürzer als gedacht.

Die Lektion, die bleibt: KI senkt die Schwelle, sich eigene Lösungen zu bauen. Und bei Sprache schlägt Sinn fast immer das Wort.