Eine multimodale Content-Pipeline bauen: Text, Bild, Video, Stimme

Ein Produktstart braucht einen Blogartikel, Bilder für Social Media, einen kurzen Clip, eine Sprecherstimme und etwas Hintergrundmusik. Mit KI ist jedes dieser Teile in Minuten erstellt. Ohne Plan haben Sie am Ende einen Haufen Assets, die nicht zusammenpassen: ein Bild in den falschen Farben, eine Stimme, die den Produktnamen falsch ausspricht, ein Musikstück, dessen Lizenz niemand geprüft hat.

Dies ist Teil 3 von Level 4 unseres Lernpfads AI Productivity. Multimodal heißt: mit mehreren Medienarten arbeiten — Text, Bild, Video und Audio. Eine Content-Pipeline ist eine feste Abfolge von Stufen, die aus einer Idee all diese Formate macht. Level 3 hat einzelne Schritte behandelt, etwa Text-to-Video und KI-Stimmen und Musik. Hier verbinden Sie sie: ein Ausgangstext, Styleguides, Asset-Protokolle, Freigabestufen, Rechte und Kennzeichnung, Automatisierung und Kennzahlen.

Beginnen Sie mit einer einzigen verbindlichen Quelle

Jedes Asset der Pipeline entsteht aus einem freigegebenen Text, dem Master-Skript. Es enthält die Botschaft, die wichtigsten Fakten und Aussagen, alle Namen (samt Aussprache) und die Handlungsaufforderung. Der Artikel ist die lange Fassung des Master-Skripts, die Social-Media-Beiträge sind Auszüge. Das Video folgt einer Shotliste, die darauf aufbaut, und die Sprecherstimme ist seine gesprochene Fassung.

Geben Sie dem Master-Skript eine Versionsnummer, etwa v1.2. Jedes Asset vermerkt, aus welcher Version es stammt. Ändert sich ein Fakt, korrigieren Sie ihn an einer Stelle und wissen genau, welche Bilder, Clips und Audiodateien eine neue Version brauchen. Ohne diese Ordnung steht der korrigierte Preis im Artikel, während der alte im Video bleibt.

Stufen und Freigaben

Eine Freigabestufe (Review Gate) ist ein fester Prüfpunkt, an dem die Arbeit anhält, bis eine benannte Person zustimmt. Setzen Sie Freigaben vor teure Schritte. Eine Aussage im Skript zu prüfen, dauert eine Minute. Sie im fertigen Video zu finden, bedeutet neue Sprachaufnahme, neuen Schnitt und neuen Export.

Auch die Reihenfolge der Stufen zählt. Geben Sie die Bilder frei, bevor Sie daraus Videos machen: Image-to-Video — ein freigegebenes Standbild animieren — gibt Ihnen meist deutlich mehr Kontrolle über Gesichter, Produkte und Farben als ein Clip, der nur aus Text entsteht. Nehmen Sie die Sprecherstimme nach dem freigegebenen Skript vor dem finalen Schnitt auf, denn der Schnitt folgt der Sprache, nicht umgekehrt.

Styleguides halten fünf Medien einheitlich

KI-Tools erzeugen mit jedem Durchlauf einen neuen Look, solange Sie ihn nicht festlegen. Genau das leistet ein Styleguide pro Medium. Er muss nicht lang sein — eine Seite pro Medium genügt, solange alle in der Pipeline ihn nutzen.

Viele Bild- und Video-Tools nehmen Referenzbilder an — Bilder, die den Stil oder die Figur zeigen, die gleich bleiben sollen. Nutzen Sie für alle Assets einer Kampagne dieselben Referenzen und speichern Sie Ihre besten Prompts als Vorlagen. Prüfen Sie die Einheitlichkeit trotzdem mit eigenen Augen: Modelle ändern sich zwischen Versionen, und derselbe Prompt kann nächsten Monat anders aussehen.

Führen Sie zu jeder Datei ein Asset-Protokoll

Jede erzeugte Datei braucht einen kurzen Eintrag. Er sagt Ihnen später, woher die Datei stammt, ob Sie sie nutzen dürfen und wie Sie eine neue Version erstellen. Ohne Prompt und Einstellungen können Sie ein Asset nicht nachbauen — und weil sich Modelle ändern, manchmal nicht einmal mit ihnen.

Ein fester Dateiname hilft allen beim Finden: Projekt, Asset-Art, Länge, Version und Sprache, zum Beispiel launch-q4_video-15s_v3_de.mp4. Bewahren Sie Protokolle und Dateien zusammen auf. Medienteams nutzen dafür oft einen gemeinsamen Speicher mit Freigabefunktionen.

Rechte, Einwilligung und Kennzeichnung

Erzeugte Inhalte sind schnell gemacht und leicht missbraucht. Fünf Regeln decken die meisten Risiken ab:

• Lesen Sie die Nutzungsbedingungen. Ob Sie Ergebnisse kommerziell nutzen dürfen, hängt vom Tool ab und oft vom Tarif. Halten Sie die Bedingungen am Tag der Erstellung fest.
• Stimmen brauchen eine Einwilligung. Klonen Sie eine Stimme nur mit schriftlicher Einwilligung der sprechenden Person, und legen Sie diese zum Asset-Protokoll.
• Musik braucht eine passende Lizenz. Prüfen Sie, ob sie Ihren Kanal und Ihre Nutzung abdeckt, zum Beispiel bezahlte Werbung.
• Keine echten Personen und keine fremden Logos ohne Erlaubnis — auch nicht im Hintergrund.
• Kennzeichnen Sie, wo es verlangt wird. YouTube verlangt von Creators, realistische Inhalte offenzulegen, die mit synthetischen Medien erstellt oder verändert wurden — nicht aber, wenn KI nur bei der Produktion geholfen hat, etwa beim Entwurf eines Skripts oder bei Untertiteln. (Quelle: YouTube, „How we’re helping creators disclose altered or synthetic content“, 2024, blog.youtube) Auch die KI-Verordnung der EU (AI Act) enthält Transparenzpflichten für KI-erzeugte und manipulierte Inhalte wie Deepfakes (Artikel 50).

Technische Kennzeichen helfen ebenfalls. Content Credentials beruhen auf dem offenen Standard C2PA und hängen Angaben zur Herkunft einer Datei an die Datei selbst. Adobe etwa gibt an, dass Firefly sie den erzeugten Inhalten hinzufügt.

Routine automatisieren, Menschen an die Freigaben

Automatisierung lohnt sich für Schritte, die sich bei jedem Asset wiederholen und leicht zu prüfen sind. Das Urteil bleibt bei Menschen.

Automatisierung scheitert an vorhersehbaren Stellen. Automatische Untertitel und Synchronisation stolpern über Produktnamen und Fachbegriffe — geben Sie ihnen Ihre Ausspracheliste oder prüfen Sie genau diese Wörter zuerst. Automatisches Zuschneiden kann Text oder Gesichter am Bildrand abschneiden. Und ein Stapelprozess, der Dateien umbenennt, kann unbemerkt die freigegebene Version überschreiben. Testen Sie jede Automatisierung an ein paar Assets, bevor Sie ihr eine ganze Kampagne anvertrauen.

Unser Vergleich führt 13 Text-to-Image-Tools, 11 Text-to-Video-Tools, 13 Text-to-Voice-Tools und 12 Text-to-Music-Tools. Die Grafik zeigt sie nach Stufe der Pipeline. Für eine erste Wahl pro Stufe zeigen unsere ABXK-Rankings der Text-to-Image- und Text-to-Video-Generatoren, welche Tools gerade vorn liegen.

Ein Tool pro Stufe genügt für den Anfang. Diese fünf decken Bilder, Video, Stimme, Musik und den Schnitt ab:

MidjourneyText-to-Image · KI ist der KernBildgenerator, bekannt für seinen künstlerischen, stilisierten Look. RunwayText-to-Video · KI ist der KernVideogenerator und -editor mit genauer Kontrolle über Kamera und Bewegung. ElevenLabsText-to-Voice · KI ist der KernKI-Stimmen: Sprachausgabe aus Text, Stimmklone und Synchronisation in vielen Sprachen. SunoText-to-Music · KI ist der KernErzeugt Musik mit Gesang und Instrumenten aus einer Texteingabe. DescriptAudio- & Videoproduktion · KI ist der KernAudio- und Videoschnitt über das Transkript: Text ändern, Füllwörter entfernen, Ton säubern, Untertitel setzen.

Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.

Durchgespieltes Beispiel: eine Funktion, fünf Formate

Ein Softwareteam bringt einen Offline-Modus für seine Notiz-App heraus. So läuft die Pipeline:

1. Master-Skript. Die Produktmanagerin schreibt 300 Wörter: was der Offline-Modus kann, drei Fakten, den Produktnamen mit Aussprache und eine Handlungsaufforderung. An Freigabe 1 bestätigt die Leitung des Supports alle drei Fakten.
2. Artikel. Ein Schreibassistent macht aus dem Master-Skript einen Blogartikel. Die Redaktion gleicht ihn mit dem Master-Skript ab: Neue Aussagen sind nicht erlaubt.
3. Bilder. Drei Varianten eines Hauptmotivs in 1:1, 16:9 und 9:16, erstellt mit den Referenzbildern aus dem Styleguide.
4. Video. Ein 15-Sekunden-Clip animiert das freigegebene Hauptmotiv. Das erzeugte Video enthält keinen Text; Titel kommen erst im Schnitt dazu, wo sie leicht zu korrigieren sind.
5. Stimme und Musik. Eine kurze Sprecherstimme nach dem freigegebenen Skript und ein ruhiges Musikstück nach der Stimmungsvorgabe. An Freigabe 2 kommen Lizenz und Einwilligung der Sprecherin ins Asset-Protokoll.
6. Schnitt und Veröffentlichung. Untertitel, KI-Kennzeichnung in der Beschreibung und eine letzte Prüfung auf dem Smartphone. Freigabe 3, dann geht es online.

Ändert sich nach Freigabe 1 ein Fakt — der Starttermin verschiebt sich etwa um eine Woche —, zeigen die Asset-Protokolle sofort, welche Dateien das Datum nennen.

Messen Sie, wo die Pipeline hakt

Eine Pipeline ist eine wiederkehrende Aufgabe — Sie können sie also messen wie jede andere KI-Aufgabe, siehe KI-Produktivität messen. Diese Kennzahlen zeigen, wo sie hakt: