Ein Video mit lokaler KI aufbereiten: der TEDx-Talk Schritt für Schritt
Die Quelldatei: mein TEDx-Talk als MP4 mit Bild, Ton und Zeitangaben
Als Beispiel nehmen wir meinen TEDx-Talk "Ein immer anderer Blick auf alles und die Welt". Die Aufnahme liegt in der Datei video1770342354.mp4 und dauert 15 Minuten und 26 Sekunden. MP4 ist ein Containerformat, das zusammengehörige Medienströme in einer Datei bündelt. In meinem Video sind das ein Bildstrom und ein Tonstrom.
Ein Medienprogramm nennt Bild- und Tonstrom häufig Spuren. Die Bildspur enthält die aufeinanderfolgenden Bilder des Videos. Die Tonspur enthält meine Stimme, Reaktionen aus dem Saal und weitere Geräusche. Zeitmarken halten beide Spuren synchron: 00:03:15 bezeichnet auf beiden Spuren die Stelle nach 3 Minuten und 15 Sekunden.
Ein Transkript ist die schriftliche Fassung des gesprochenen Tons. Das vorhandene Transkript meines Talks besteht aus 239 Abschnitten mit Anfangszeit, Endzeit und erkanntem Text. Ein Einzelbild hält den sichtbaren Zustand des Videos an einer bestimmten Zeit fest.
Bild und Ton liefern unterschiedliche Beobachtungen
| Zeit | In der Bildspur | In der Tonspur | Folgerung für die Verarbeitung |
|---|---|---|---|
| 3:15 | Die Folie zeigt x + x + x = 3x. | Der gesprochene Satz zur Formel liegt einige Sekunden früher. | Eine Textstelle und das passende Folienbild können verschiedene Zeiten besitzen. |
| 5:58 bis 6:01 | Bei 5:58 ist das Kleid auf der Folie sichtbar. | Ab 6:01 spreche ich über die wahrgenommenen Farben. | Für eine Erklärung werden das Einzelbild bei 5:58 und der Transkriptabschnitt ab 6:01 gemeinsam gespeichert. |
| 14:19 | Die Projektion zeigt die Zahl 25. | Ich nenne bereits die Farbe Blau. | Eine Zeitmarke kann gleichzeitig zwei unterschiedliche, korrekte Beobachtungen enthalten. |
Für Aussagen über den Vortrag bleibt vermerkt, ob ihr Beleg aus Ton, Transkript oder Einzelbild stammt.
Diese Dateien und Prüfergebnisse entstehen
| Arbeitsschritt | Ausgabe | Beispiel aus meinem Talk |
|---|---|---|
| Datei untersuchen | technische Angaben zu Laufzeit, Bild und Ton | 15:26 Minuten, 1920 × 1080 Bildpunkte und 25 Bilder je Sekunde |
| Ton ableiten | audio-tedx.wav | meinen Satz bei 1:12 für die Spracherkennung bereitstellen |
| Einzelbilder speichern | Bilddateien mit Zeit im Namen | Formel bei 3:15, Kleid bei 5:58 und Publikum bei 13:40 |
| Transkript verarbeiten | Rohantworten lokaler Sprachmodelle | Zusammenfassung, Kapitelvorschläge und markierte Prüffälle |
| Ergebnisse prüfen | Beleg, Korrektur und Prüfstatus zu jeder weiterverwendeten Aussage | "Kreis" ist bei 4:39 hörbar; das Einzelbild dieser Stelle zeigt keinen Kreis. |
In den folgenden Kapiteln führst Du diese Schritte mit der realen Quelldatei aus. Die anschließende Seite Videoverarbeitung mit KI: Bereitstellung verwendet die geprüften Dateien für Untertitel, Kapitel, Zusammenfassung und interaktive Elemente.