JM BudoAcademy

Eine Kampfkunst-Akademie veröffentlicht regelmäßig Videos auf ihrer Website — auf Deutsch und Englisch, mit lesbaren Transkripten, eigenen Vorschaubildern, sauberen Metadaten und angeschlossener CMS-Pflege. Pro Video bedeutete das vor der Automatisierung: YouTube-Transkript holen oder MP4 transkribieren, manuell glätten, übersetzen, Vorschaubild gestalten, alles im Headless-CMS einpflegen, Kategorien und Tags setzen.

Das ist nicht nur „ein bisschen Nacharbeit" — sondern bindet einen nennenswerten Teil der wöchentlichen Redaktionszeit. Und mit wachsendem Videoarchiv keine Aufgabe, die sich auf Dauer nebenher erledigt.

Ein eigenständiges Python-Tool, das den kompletten Workflow vom Quellvideo bis zum CMS-Eintrag automatisiert — in klar getrennten Phasen, mit menschlichem Review vor der finalen Freigabe.

Die sechs Phasen

1. Transkript ziehen — bei YouTube über die offizielle Transcript-API, bei lokalen MP4-Dateien über Whisper (lokal auf dem eigenen Rechner, keine Cloud-Übertragung des Audiomaterials).
2. Transkript polieren — Gemini glättet Fülllaute, korrigiert Erkennungsfehler und strukturiert den Rohtext in lesbare Absätze.
3. Bilingual übersetzen — DE/EN-Übersetzung inklusive Titel, Beschreibung, Slug und Tags.
4. Szenenbild extrahieren — höchstaufgelöstes YouTube-Thumbnail oder ein ffmpeg-Frame aus dem MP4 als Bildreferenz für den nächsten Schritt.
5. Vorschaubilder generieren — Gemini Nano Banana Pro erzeugt auf Basis des Szenenbilds zwei sprachspezifische Preview-Images mit Titel-Overlay und konsistentem Marken-Look.
6. In Directus hochladen — Bilder ins File-Repository, Video-Entität mit allen Metadaten in die richtige Sammlung.

Zwei Bedienformen, ein Pipeline-Kern

Sowohl die CLI für Stapelläufe als auch die Weboberfläche teilen sich denselben Code. Die Web-UI führt durch einen Drei-Schritt-Wizard:

• Eingabe — Quell-URL oder Dateipfad, Thema, Kategorie, Schwierigkeitsgrad.
• Verarbeitung — automatisierte Pipeline mit Live-Fortschrittsanzeige je Phase.
• Review — seitliche DE/EN-Ansicht für Titel, Beschreibung, Slug, Tags und Vorschaubilder, mit eigenem „Bild neu generieren"-Button pro Sprache und ausklappbaren Transkript-Editoren.

Was die Redaktion im Review ändert, landet auch im CMS — nicht das KI-Rohergebnis. Damit ist die menschliche Kontrolle nicht nur Theater, sondern strukturell verankert.

• Aus stundenlanger Detailarbeit wird ein kurzer Review. Die wiederkehrenden Schritte — Transkript säubern, übersetzen, Bilder bauen, hochladen — passieren automatisch im Hintergrund.
• Beide Sprachversionen entstehen parallel. Kein „erst Deutsch, später vielleicht Englisch" mehr.
• Bildsprache bleibt konsistent. Ein Prompt-Template mit Marken-Vorgaben sorgt dafür, dass die Vorschaubilder als Reihe erkennbar bleiben — unabhängig davon, wer gerade bedient.
• Daten bleiben dort, wo sie hingehören. Lokale Videos werden mit Whisper auf dem eigenen Rechner transkribiert; nur die polierten Texte gehen an die Sprach-API.

• Die finale Freigabe. Das Tool ersetzt keinen Review — es bereitet vor.
• Die kreative Eingangsentscheidung zu Thema, Kategorie und Schwierigkeitsgrad. Diese Eingaben kommen weiterhin von Hand.
• Faktencheck bei Personen-Nennungen. Wer in den Videos genannt wird, prüft die Person, die das Themengebiet kennt.

Der Aufbau funktioniert überall, wo wiederkehrend bilinguale Inhalte aus Audio- oder Videoquellen entstehen: Schulungsvideos, Interview-Reihen, Vortragsmitschnitte, Podcast-Begleittexte, Webinar-Aufzeichnungen.

Das Muster: Quelle → KI-Verarbeitung in Phasen → menschlicher Review-Schritt → CMS-Anbindung.

Die KI übernimmt die mühsamen 80 % der Routine. Die kreative und qualitätssichernde 20 % bleiben beim Menschen — dort, wo sie hingehören.