Videos in ChatGPT schneiden — mit dem Remotion-Plugin.

Codex ist der Teil von ChatGPT, der auf deinem Computer Programme schreibt und ausführt. Remotion macht aus so einem Programm ein Video. Zusammen ergibt das einen Schnitt, für den du keine Timeline öffnest: Der Clip wird verschriftlicht, Pausen fliegen raus, Untertitel sitzen auf den Worten, einzelne Momente bekommen Zoom und Schlagzeile, am Ende liegt eine MP4 im Ordner.

Bevor du anfängst

Sechs Schritte, ein Prompt. Die ersten drei machst du einmal.

Codex ist in den ChatGPT-Plänen enthalten, auch im Free-Plan. Wie viel du damit schneiden kannst, hängt vom Plan ab. Ein erster langer Schnitt verbraucht mehr als ein kurzer Chat. Das Plugin selbst ist kostenlos.

Node einmal prüfen

Node.js ist ein Grundprogramm, das schon auf dem Rechner liegen muss, damit Remotion das Video bauen kann. Du lernst es nicht, du öffnest es nicht, du schreibst damit keinen Code. Einmal prüfen, gegebenenfalls installieren, fertig.

Remotion bringt die Programme mit, die aus dem Schnitt die Datei machen. Node kann es nicht selbst nachinstallieren. Deshalb dieser eine Check.

Auf dem Mac kommt für die lokale Verschriftlichung eine zweite Einmal-Sache dazu: die Xcode-Befehlszeilenwerkzeuge. Das ist eine Ergänzung von Apple, kein Programm mit eigenem Fenster. Wenn du unsicher bist, schreib Codex genau dies: „Prüfe, ob Node und die Xcode Command Line Tools installiert sind, und installiere, was fehlt.“ Die Rückfragen bestätigst du. Das passiert einmal.

Was dabei passiert

Codex arbeitet auf deinem Rechner, der Clip bleibt dort. Das Plugin gibt ihm die Skills für Projekt, Untertitel, Vorschau und Render. Codex schreibt ein kleines Programm: welche Sekunden bleiben, wo die Untertitel sitzen, wann der Zoom kommt. Remotion macht daraus die Videodatei. Die Verschriftlichung läuft lokal mit Whisper, einem Spracherkenner auf dem eigenen Computer.

Für einen deutschsprachigen Clip nimmst du das Modell medium. medium.en versteht nur Englisch. Das Modell ist rund 1,5 GB und wird beim ersten Mal geladen.

Was der Schnitt übernimmt

Für Farbkorrektur und feines Audio-Mixing bleibt ein Schnittprogramm die bessere Wahl.

Der erste Durchlauf

Der Prompt ist schnell eingefügt. Auf einem frischen Rechner dauert der erste Schnitt länger, weil ein Sprachmodell und ein paar Programme geladen werden. Wenn eine Weile nichts im Chat steht, ist das oft ein Download, kein Absturz. Jeder weitere Schnitt in demselben Projekt überspringt diese Laderei. Übrig bleibt vor allem der Render, bei einem Clip von zwei bis drei Minuten mehrere Minuten, je nach Rechner.

Während du wartest, wandelt Codex den Ton in ein Format, das Whisper lesen kann, schreibt Zeitstempel pro Wort, sucht die Pausen und baut daraus die Liste der Sekunden, die bleiben. Danach entsteht der Schnitt als Programm: ein Abschnitt pro behaltenem Stück, Untertitel in Gruppen von drei bis vier Wörtern, Zoom und Schlagzeile an den starken Stellen. Der Prompt unten verlangt die Tabelle, bevor etwas gerendert wird.

Der Prompt fürs erste Mal

Ein Einzeiler führt zu Rückfragen: welches Format, wie lang eine Pause, welches Modell, was „animieren“ heißt. Diese Fassung beantwortet das und hält den Render an, bis du die Tabelle siehst. Dateiname und Klammern tauschst du aus.

$remotion
Schneide [talking-head.mp4] für [Instagram Reels].
1) Transkribiere lokal mit Whisper, Zeitstempel pro Wort. Wenn Whisper fehlt, lade whisper.cpp und das mehrsprachige Modell medium, ohne noch einmal zu fragen. medium.en nur, wenn der Clip englisch ist.
2) Schneide jede Pause länger als 0,6 Sekunden und jedes einzelne „äh“ oder „ähm“. Lass auf beiden Seiten jedes Schnitts 120 Millisekunden Raumton, damit Atemzüge natürlich bleiben. Keine weitere Audiobearbeitung.
3) Untertitel: 3 bis 4 Wörter pro Einblendung, nie ein einzelnes Wort. Fette weiße serifenlose Schrift mit schwarzer Kontur, das gerade gesprochene Wort in [#F5A623]. Block mittig auf 70 % der Höhe, höchstens 900 px breit.
4) Wähle die 5 stärksten Momente (eine Zahl, eine Behauptung, eine Pointe), mindestens 10 Sekunden Abstand. Bei jedem: 8 % Zoom in 0,4 Sekunden hinein und wieder hinaus, zentriert auf das Gesicht, plus eine Schlagzeile unter 24 Zeichen, die auf 22 % der Höhe für etwa 2,5 Sekunden einspringt.
5) Ausgabe 1080×1920, 30 fps, auch wenn die Quelle anders ist. H.264, Ton in AAC.
Bevor du renderst, zeig das Transkript mit jeder Schnittmarke und die 5 Schlagzeilen als einfache Tabelle. Nach meinem Okay rendere nach outputs/[name]_edited.mp4, nenne die finale Länge und zeig ein Standbild zu jeder Schlagzeile.

Die 120 Millisekunden sind die konkrete Form von „natürlich lassen“. Ohne Zahl wird der Schnitt entweder gehetzt oder Codex fragt nach. „Nie ein einzelnes Wort“ verhindert Untertitel, die nur aus einem Wort bestehen. „Zentriert auf das Gesicht“ hält den Kopf im Hochformat in der Mitte. Die Standbilder sind deine Kontrolle: Codex sieht den Film nicht, es liest Zeiten und Frames.

Die Freigabe

Vor dem Render kommt eine Tabelle. Die Zeiten und Wörter stammen aus deinem Clip. So ist die Form, das hier ist ein Beispiel:

TRANSKRIPT talking-head.mp4 (160,4 s)
00:00.0 Okay, [Schnitt „äh“] ich will über
00:03.1 etwas sprechen, das selten jemand sagt. [Schnitt 0,9 s]
00:04.9 Im ersten Jahr waren es vierzigtausend raus
00:07.4 und elftausend rein. [Schnitt 1,4 s]
SCHNITTE: 41 Pausen (28,6 s) + 9 Füllwörter (3,1 s)
160,4 s → ungefähr 128,7 s
5 MOMENTE
1  00:04.9  „40.000 rein. 11.000 raus.“
2  00:31.2  „Diesen Teil sagt niemand“
3  01:02.0  „26 Monate. Eine Lektion.“
4  01:41.6  „Die 3-Sekunden-Regel“
5  02:19.0  „Bevor du dich bereit fühlst“
Antworte mit „freigeben“, oder ändere eine Zeile.

Hier korrigierst du Markennamen, falsch gehörte Zahlen, eine Schlagzeile, eine Pause, die bleiben soll. „Schlagzeile 3 ändern zu ‚Das hat zwei Jahre gedauert‘ und rendern“ reicht. Solange du nicht freigibst, entsteht keine Datei.

Du bist die letzte Kontrolle. Schau die Standbilder an und den Film einmal in voller Länge, bevor du ihn postest. Bei einem Clip von zwei Minuten sitzen oft zwei bis fünf Schnitte eine Spur zu früh oder zu spät. Die Zeitstempel zurückschreiben, dann rendert Codex neu.

Die Vorschau öffnest du mit dem Satz „Öffne die Studio-Vorschau“. Im Browser spulst du den Schnitt, bevor die MP4 entsteht. Untertitel, die sich überlappen, siehst du dort sofort.

Weitere Schnitte

Dasselbe Projekt, derselbe Chat. Jeder Satz ist eine Nachfrage.

Mach eine 30-Sekunden-Fassung mit den besten 3 Momenten, gleicher Untertitel- und Schlagzeilen-Stil. Nimm den Satz davor und danach mit, damit nichts mitten im Gedanken anfängt. Harte Schnitte dazwischen. Rendere nach outputs/[name]_30s.mp4.

Mach eine Fassung in 1920×1080 vom ganzen Schnitt. Das Hochformat in voller Höhe, an den Seiten eine unscharfe, abgedunkelte Kopie desselben Bilds. Untertitel auf 82 % der Höhe, höchstens 1200 px breit. Schlagzeilen auf 14 %. Rendere nach outputs/[name]_16x9.mp4.

Wechsle an jedem Schnitt den Bildausschnitt zwischen 100 % und 106 % Zoom, damit die Sprünge absichtlich wirken. Alles andere bleibt. Neu rendern.

Dünner Fortschrittsbalken in [#F5A623] an der Unterkante. Bauchbinde mit [NAME] und [@HANDLE], die nach 2 Sekunden reinfährt und nach 6 Sekunden wieder geht. Neu rendern.

Wende genau diesen Schnitt auf jede .mp4 in source/ an. Dieselben Regeln, 5 Momente pro Clip. Eine gemeinsame Freigabe-Tabelle, danach alles nach outputs/ rendern und die Längen auflisten.

Musik: eine Audiodatei in den Ordner legen und die Lautstärke sagen, zum Beispiel „18 dB unter der Stimme, in den letzten 2 Sekunden ausblenden“. Codex besorgt keine lizenzierte Musik. Für Reels kannst du den Ton auch erst in Instagram darunterlegen.

Wenn es hakt

Die App im Browser. Der Clip und die MP4 liegen in einem Ordner auf deinem Rechner. Dafür öffnest du Codex in der Desktop-App.

„Schneide alle Pausen“, ohne Zahl. 0,6 Sekunden als Schwelle und 120 Millisekunden Raumton. Sonst wird der Schnitt gehetzt, oder Codex fragt nach.

Keine Tabelle vor dem Render. Den Satz aus dem Prompt behalten: Transkript und Schlagzeilen zeigen, bevor gerendert wird. Ein falsch gehörter Markenname ist sonst ein zweiter Render.

Die Einrichtungsfenster abgelehnt. Sprachmodell, Whisper und die Render-Hülle sind einmalig. Die bestätigst du.

Aus Hochformat soll Querformat werden. Im Clip steckt kein verstecktes Bild links und rechts. Entweder die unscharfen Seiten aus dem Prompt oder ein Zuschnitt in der Mitte. Sag, was du willst.

Namen und Zahlen in den Untertiteln. Whisper hört Marken und Beträge daneben und schreibt „vierzigtausend“ manchmal als Wort. Das korrigierst du in der Tabelle.

Node meldet sich nicht. Nochmal von vorn: Terminal neu öffnen, node -v, bei einer Fehlermeldung die LTS-Version von nodejs.org installieren, App neu starten. Die Zahl nach dem v muss 18 oder höher sein.

Eine Datei fehlt. Der Name im Prompt muss inklusive .mp4 stimmen. Liegt der Clip außerhalb des Projektordners, findet Codex ihn nicht. Zieh ihn ins Fenster oder leg ihn in den Ordner.

Der Ablauf

Hak ab, was du erledigt hast:

Christopher Thanisch

Ich übersetze KI in brauchbare Systeme für den Arbeitsalltag — Systeme statt Hypes.