🌐 Auch auf: English · Français · Español
Für den internen Adventskalender unseres Monitoring-Teams wollte ich ein kurzes Video: Im Rechenzentrum springen die LEDs von Grün auf Rot, Alarm, Herzschlag, Rückspulen – und am Ende ist natürlich der Weihnachtsmann schuld, der über ein „WLAN-Kabel“ gestolpert ist. Herausgekommen sind knapp 100 Sekunden Film, an denen ich mit Claude Code als Regieassistenz über 70 Versionen lang gefeilt habe.
Spannender als der Film selbst ist die Frage, was davon in der Cloud entstanden ist und was auf eigener Hardware. Kurz gesagt: Die Bilder, auf die es ankommt, kamen aus der Cloud – alles andere lief lokal.
☁️ Aus der Cloud: die Szenen mit Menschen
Für die eigentlichen Videoszenen habe ich ArtCraft genutzt, ein Abo, über das man mehrere kommerzielle Modelle ansprechen kann:
- Seedance 2.0 (Video): Rechenzentrum, Monitoring-Zentrale, LED-Nahaufnahme, der Weihnachtsmann mit den genervten Rentieren. Ein Clip mit 4 Sekunden in 720p kostet rund 100 Credits.
- Nano Banana Pro (Bildbearbeitung): das Gruppenfoto – Kollegen als Silhouetten, Weihnachtsmützen, Schnee. 15 Credits pro Bild.
Gesteuert habe ich ArtCraft nicht über die Oberfläche, sondern über einen MCP-Server: Claude Code schreibt den Prompt, lädt Referenzbilder hoch und holt das Ergebnis ab. Dazu eine feste Regel: Vor jedem Auftrag nennt Claude die Kosten und wartet auf mein „Start“ – ein abgeschickter Auftrag lässt sich nicht zurückholen.
Was man mitnimmt: Für realistische Menschen in Bewegung ist die Cloud derzeit klar vorn. Aber jeder Clip kostet echtes Geld, und Credits sind schneller weg, als man denkt – am Ende war das Guthaben leer, bevor die letzte Idee umgesetzt war.
🖥️ Lokal: alles rund um die Bilder
Auf einem Rechner mit einer RTX-Grafikkarte (8 GB Videospeicher) lief der Rest:
- ComfyUI als Rahmen für die lokalen Modelle
- MMAudio: Geräusche passend zum Bild – Schnauben der Rentiere, Kabelrascheln, Stolpern
- ACE-Step: Musik-Entwürfe in verschiedenen Stilen; ins Video kam am Ende ein lizenzfreier Epic-Track aus einer Musikbibliothek
- Chatterbox (Text-to-Speech): die Sprecherin
- Whisper: Gegenprobe, ob „Icinga“ und „Zabbix“ verständlich ausgesprochen werden
- RIFE: KI-Zwischenbilder für die Zeitlupen
- ffmpeg und Python: Schnitt, Überblendungen, Texte, Kreisblende, Schreibmaschinen-Abspann, das Terminal-Ende mit
systemctl status weihnachtenund das Lautheits-Mastering
Lokal kosten Versuche nur Strom und Zeit. Genau hier entstehen die meisten Iterationen: Eine Stimme klang blechern, eine andere hatte einen englischen Akzent, die Musik war zu poppig – zwölf Varianten einer Ansage sind lokal kein Problem.
Was man mitnimmt: Die Cloud liefert die teuren Rohbilder, das eigene Homelab macht daraus einen Film. Das hält die Kosten niedrig und die Kontrolle bei einem selbst.
🎞️ Wo lokal nicht reicht – und wo es besser ist
Zuerst habe ich versucht, auch die Videoszenen lokal mit Wan 2.1/2.2 zu erzeugen. Mit 8 GB Videospeicher kam nur Grobes heraus: Gesichter primitiv, Gang unnatürlich, Clips zu kurz.
Umgekehrt war die „klügere“ KI manchmal die schlechtere Wahl:
- Hochskalieren auf 1080p: Real-ESRGAN machte Kanten schärfer, aber Flächen wachsig. Klassisches Hochskalieren mit leichter Nachschärfung sah natürlicher aus.
- Zwischenbilder: Die Bewegungsschätzung von ffmpeg erzeugte Blockfehler an schnellen Händen und an den LED-Mustern der Racks. RIFE war deutlich sauberer – nur beim Umspringen der LED von Grün auf Rot erfand auch RIFE ein falsches Bild. Dort läuft jetzt das Original.
Was man mitnimmt: „Mehr KI“ ist nicht automatisch besser. Jedes Werkzeug erfindet irgendwo Details, die es nicht gibt – und die muss man finden.
👀 Prüfen, was man nicht sehen kann
Claude kann weder Video abspielen noch hören. Geprüft wurde deshalb über Umwege: Einzelbilder und Kontaktbögen, Lautheitsmessung je Szene (vorher lagen die Szenen bis zu 15 dB auseinander), Spracherkennung für Aussprache und versteckten Gesang, Bildvergleich für exakte Übergänge.
Trotzdem habe ich Fehler gefunden, die keine Messung zeigte: ein Frauen-„Aaa“, das in Wahrheit ein Artefakt am Ende der Sprachaufnahme war, ein grau verrauschter Hintergrund nach einem Bildfilter, ein Schriftzug, der in einer Überblendung durch den Raum flog. Und einmal hat eine Verlängerung um 2,5 Sekunden schlicht nicht gegriffen – ohne Fehlermeldung.
Was man mitnimmt: Messen ersetzt nicht das Anschauen. Die Werkzeuge finden Pegel und Formate, der Mensch findet, was „komisch“ wirkt.
🧾 Die Rechnung
- Cloud: ein Monatsabo plus Credits – fast alles für eine Handvoll Clips à 4 Sekunden und ein paar Bildbearbeitungen.
- Lokal: keine laufenden Kosten, dafür GPU-Zeit – ein Hochskalieren des ganzen Films dauert etwa eine Dreiviertelstunde.
- Zeit: der größte Posten. Die meisten Versionen gingen nicht in neue Szenen, sondern in Timing, Ton und Kleinigkeiten.
Was man mitnimmt: Das Geld steckt in wenigen Cloud-Clips, die Zeit in vielen lokalen Iterationen.
🎯 Die Lehren
- Cloud für Menschen, lokal für alles andere – realistische Personen in Bewegung kann ein 8-GB-Homelab heute nicht.
- Kosten vor jedem Cloud-Auftrag bestätigen – abgeschickt ist abgeschickt.
- Jede Version unter neuem Namen speichern – mehr als einmal war eine ältere die bessere.
- KI-Werkzeuge gezielt einsetzen – manchmal ist das klassische Verfahren ehrlicher als das Modell.
- Selbst anschauen und anhören – Messwerte zeigen, ob etwas stimmt, nicht, ob es gut wirkt.
