Video-Footage-Sichtung und Schnittplanung
KI transkribiert Rohmaterial, erkennt nutzbare Takes, erstellt Sichtungsprotokolle und schlägt Schnittstrukturen vor, bevor der Editor die Timeline öffnet.
Mit KI-Agenten recherchiert und geschrieben, verantwortlich: Redaktion KI-Syndikat. So arbeiten wir Fehler melden
- Problem
- Footage-Sichtung nach einem Drehtag ist eine der unbeliebtesten und zeitaufwendigsten Aufgaben in der Videoproduktion. Stunden werden damit verbracht, Material durchzusehen, das größtenteils nicht verwendet wird.
- KI-Lösung
- Whisper (Speech-to-Text-Transformer) transkribiert O-Töne automatisch mit Zeitstempeln; ein LLM bewertet Takes gegen Script-Vorgaben, erstellt Zeitstempel-Protokolle und schlägt eine erste Schnittstruktur vor.
- Typischer Nutzen
- Die Editorin startet mit Transkript, Take-Protokoll und Strukturentwurf statt mit 200 GB ungesichtetem Material. Bei O-Ton-lastigem Material sinkt die Sichtungszeit deutlich, wie stark, zeigt der Vergleich am nächsten Drehtag. Geld wird daraus nur, wenn die Zeit nicht ohnehin nach Schnitttagen abgerechnet wird.
- Setup-Zeit
- Workflow in 1–2 Wochen aufgesetzt
- Kosteneinschätzung
- Kaum Einrichtung, 45–65 €/Monat laufend
Es ist Freitag, 18:30 Uhr.
Lena ist Editorin bei einer Berliner Videoproduktionsagentur. Auf ihrer externen Festplatte liegen 180 Gigabyte Footage vom heutigen Drehtag: vier Interview-Subjects mit je 6–8 Takes, B-Roll von drei Locations, zwei Stunden Produkt-Shots, die der Kunde in letzter Minute bestellt hat. Das Briefing für den Dokumentarfilm-Schnitt liegt irgendwo in ihrem Postfach. Der Abgabetermin für den Rohschnitt: Mittwoch.
Lena öffnet Premiere. Importiert. Wartet. Öffnet dann systematisch jeden Clip und spult durch. Notiert sich in einer Excel-Tabelle: “Take 3, Frage 2, 02:14, gut, kein Versprecher, aber schlechte Beleuchtung. Take 5, Frage 2, 04:33, perfekt. Take 7, Frage 3, 08:12, guter Content, aber Kamera-Wackler am Ende.” Nach vier Stunden hat sie das Material der ersten zwei Interview-Subjects gesichtet.
Morgen, Samstag, macht sie weiter. Die Hälfte des Materials wartet noch. Der Schnitt beginnt frühestens Montag. Der Abgabetermin ist Mittwoch.
Für Unternehmen
Nicht nur lesen, umsetzen.
Wir setzen Anwendungsfälle wie diesen mit euch um oder trainieren euer Team darauf. Das Erstgespräch kostet nichts.
Das echte Ausmaß des Problems
Footage-Sichtung ist das Stiefkind der Videoproduktion. Sie kommt nach dem aufregenden Drehtag und vor dem kreativen Schnitt, und ist das Gegenteil von beiden: repetitiv, zeitintensiv, kaum kreativ.
Die Zahlen sind ernüchternd:
- Für jede Minute im fertigen Film wird ein Vielfaches an Material gedreht, bei Interviews und Dokumentationen oft das Zehn- bis Dreißigfache
- Ein Drehtag produziert je nach Codec schnell mehrere hundert Gigabyte Material
- Wer Material vollständig sichtet und protokolliert, braucht mindestens die Laufzeit des Materials, mit Notizen und Zurückspulen eher ein Mehrfaches. Eine belastbare Zahl dazu haben wir nicht gefunden, die Zeiterfassung des nächsten Drehtags zeigt eure
- Oft erledigt diese Arbeit die Editorin, die später auch schneidet, also eine der teuersten Personen im Post-Produktions-Prozess
Das Ergebnis: Die erfahrenste Person in der Postproduktion verbringt viele Stunden damit, Material anzuschauen, das nicht verwendet wird. Und die Schnittplanung, die danach kommt, findet oft ad hoc statt, ohne strukturierten Vergleich mit dem ursprünglichen Script oder Briefing.
Mit vs. ohne KI, ein ehrlicher Vergleich
| Kennzahl | Ohne KI | Mit KI-gestütztem Workflow |
|---|---|---|
| Sichtungszeit (4 Std. O-Ton-Footage) | Mindestens 4 Stunden, mit Protokoll eher ein Mehrfaches | Transkript lesen plus empfohlene Takes ansehen ¹ |
| Zeitstempel-Protokoll für O-Töne | Manuell, während der Sichtung | Automatisch aus dem Transkript |
| Take-Empfehlung nach Qualitätskriterien | Subjektiv, aus dem Gedächtnis | Strukturiert, dokumentiert, nur inhaltlich |
| Schnittstruktur-Entwurf | Erst nach vollständiger Sichtung | Parallel zur Transkription |
| Editorinnen-Zeit für Sichtung | Vollständiges Durchsehen | Review der Vorschläge, Bildqualität weiter von Hand |
¹ Wie viel Zeit das spart, haben wir nicht belegt gefunden. Am größten ist der Effekt bei O-Ton-lastigem Material (Interviews, Dokumentation). Bei reinen Bild-/B-Roll-Sichtungen ohne Sprache ist der Vorteil klein, und Schärfe, Licht und Kamerawackler muss weiter ein Mensch ansehen.
Einschätzung auf einen Blick
Zeitersparnis, hoch (4/5) Die Zeitersparnis bei O-Ton-Produktionen ist groß, weil das Transkript das vollständige Durchsehen ersetzt und nur noch die empfohlenen Takes angesehen werden. Das Rechenbeispiel unten nimmt 6 gesparte Stunden je Projekt an, eine Annahme, die du am nächsten Drehtag nachmessen kannst. Weniger als Lokalisierung (wo aus Tagen Stunden werden), aber mehr als Feedback-Aggregation. Der Unterschied: Footage-Sichtung ist eine rein interne Aufgabe ohne Kunden-Interaktion, die Zeitersparnis kommt unmittelbar der Produktion zugute.
Kosteneinsparung, mittel (3/5) Editorzeit ist messbar, weil sie in Zeiterfassungstools auftaucht. Zu einem angenommenen internen Satz von 60 bis 100 Euro sind 6 gesparte Sichtungsstunden 360 bis 600 Euro je Projekt. Ob das Geld ist, entscheidet das Abrechnungsmodell: Rechnet ihr Schnitt nach Tagessatz ab und steckt die Sichtung darin, sinkt mit der Sichtungszeit die Rechnung an den Kunden. Gewinn wird daraus nur bei Pauschalpreisen, bei Sichtung, die heute unbezahlt am Wochenende passiert, wie im Beispiel oben (dann spart ihr Überstunden, kein Geld), oder wenn die freie Editorzeit in zusätzliche Projekte geht, die es geben muss.
Schnelle Umsetzung, mittel (3/5) Der Workflow braucht mehr Setup als reine Text-Prompts: Transkriptions-Tool einrichten (technisch bei Whisper, benutzerfreundlicher bei Riverside), LLM-Prompt an typische Produktionsformate anpassen, Team schulen. In 1–2 Wochen machbar, aber nicht sofort einsatzbereit wie ein reiner ChatGPT-Prompt.
ROI-Sicherheit, mittel (3/5) Wer Zeiterfassung macht, kann Sichtungszeit vor und nach KI-Einführung direkt vergleichen, die Zeit ist also gut messbar. Unsicher ist der Geldwert, weil er am Abrechnungsmodell hängt (siehe Kosteneinsparung).
Skalierbarkeit, hoch (4/5) Mehr Material bedeutet mehr Nutzen. Eine Agentur, die von 4 auf 8 Drehtage pro Monat wächst, hat ohne KI doppelt so viel Sichtungsaufwand. Mit KI wächst der Aufwand langsamer, weil die Transkription automatisch läuft und nur der Review mitwächst.
Richtwerte, stark abhängig vom Material-Typ (O-Ton vs. B-Roll), Shooting Ratio und vorhandenem Script.
Was der Footage-Sichtungs-Workflow konkret macht
Der Workflow verbindet zwei KI-Technologien, die zusammen mehr leisten als einzeln:
Schritt 1: Automatische Transkription Whisper (OpenAI) transkribiert alle O-Ton-Clips vollautomatisch mit Zeitstempeln. Das Modell ist eines der bekanntesten frei verfügbaren Transkriptions-Modelle und unterstützt Deutsch gut. Whisper läuft lokal (keine Daten verlassen das System) oder über die OpenAI API. Ergebnis: Eine vollständige Textversion aller gesprochenen Inhalte mit Timecodes.
Bei Riverside.fm oder Otter.ai bekommst du ein Transkript ohne technisches Setup über den Browser. Nachteil: Die Daten verlassen den eigenen Rechner, bei Otter liegen sie in den USA, Riverside verarbeitet laut unserer Toolseite unter anderem in den USA, der EU, Großbritannien, Israel und auf den Philippinen.
Schritt 2: LLM analysiert Transkripte gegen Script Du gibst das Transkript und das originale Script oder Briefing in ein LLM (Claude oder ChatGPT) und nutzt einen Analyse-Prompt: “Welche Takes decken die Briefing-Ziele am besten ab? Welche O-Töne sind inhaltlich stark, welche schwach? Was fehlt noch für eine vollständige Geschichte?” Das Modell liefert eine priorisierte Take-Liste mit Empfehlungen.
Schritt 3: Frame.io für strukturierten Review-Workflow Wenn das Material bereits in Frame.io liegt (was bei professionellen Produktionen zunehmend der Standard ist), lässt sich das KI-generierte Sichtungsprotokoll als Kommentare an die Clips hängen. Frame.io V4 (2024) brachte laut Adobe ein Metadaten-Framework und Collections, mit denen sich Material ordnen lässt. Eine semantische Suche im Footage nach Bildbeschreibungen nennt die Ankündigung nicht.
Schritt 4: Schnittstruktur-Entwurf Basierend auf dem Transkript und den Take-Empfehlungen erstellt das LLM einen ersten Struktur-Entwurf: “Einstieg: Take 3 (02:14–03:08), Einführung Thema X. Hauptblock: Take 7 kombiniert mit Take 12…” Das ist kein fertiger Schnittplan, aber ein Ausgangspunkt, der dem Editor Stunden manueller Planungsarbeit spart.
Was KI hier nicht leistet: Bildqualität beurteilen (Schärfe, Belichtung, Kamerawackler), Emotionen in Gesichtern erkennen, Musikgefühl bewerten oder kreative Schnittentscheidungen treffen. Das bleibt Editorarbeit.
Konkrete Werkzeuge, was wann passt
Whisper , Standard für Transkription, technisches Setup erforderlich Open-Source-Modell von OpenAI. Lokal betrieben: kostenlos, keine Daten verlassen das System. OpenAI API: 0,006 USD/Minute. Für Agenturen mit IT-Ressourcen die beste Wahl, direkt aus dem Terminal oder als Python-Script nutzbar. Für Teams ohne Developer: Riverside oder Otter.ai als benutzerfreundliche Alternativen.
Riverside , für Remote-Interviews und browser-basierte Transkription Riverside.fm ist primär ein Remote-Aufnahme-Tool (separates Interview in Studio-Qualität aufnehmen), hat aber auch eine starke Transkriptions- und Clip-Erstellungsfunktion. Für Agenturen, die remote Interviews produzieren: der vollständige Workflow in einem Tool. Kosten: Free-Plan mit 2 Stunden Multitrack im Monat, 720p und Wasserzeichen; Pro 24 USD/Monat bei Jahreszahlung.
Frame.io , für strukturierten Review und Kunden-Freigabe Frame.io ist der Standard für professionelle Video-Review-Workflows. Frame-genaue Kommentare, Versionierung, Kunden-Links ohne Account-Pflicht. Für Agenturen, die Adobe Premiere nutzen: Creative Cloud All Apps enthält ein Gratis-Kontingent (2 Nutzer, 5 Projekte, 100 GB), darüber Pro 15 USD oder Team 25 USD je Nutzer und Monat. Nachteil: US-Hosting.
Claude oder ChatGPT , für Transkript-Analyse Beide eignen sich gut für die Analyse von Transkripten gegen Script-Vorgaben. Claude ist etwas stärker bei langen Dokumenten (mehrere Interviews gleichzeitig analysieren), ChatGPT hat den Vorteil der bekannten Oberfläche. Claude Pro kostet 20 Euro im Monat. Für ChatGPT Plus sind es 23 Euro. Transkripte mit personenbezogenen Aussagen gehören aber nur in einen Tarif mit AVV (siehe Datenschutz).
Runway , für KI-gestützte Videobearbeitung Runway ML ist kein Sichtungs-Tool, aber relevant für den nächsten Schritt: KI-basierte Videoeffekte, Hintergrundentfernung, Inpainting. Für Agenturen, die B-Roll-Footage KI-gestützt verbessern wollen. Runway ergänzt den Sichtungs-Workflow an der Grenze zum kreativen Schnitt.
Datenschutz und Datenhaltung
Interview-Footage enthält personenbezogene Daten, Gesichter, Stimmen, persönliche Aussagen. Das hat direkte DSGVO-Konsequenzen.
Whisper lokal: Wenn Whisper auf dem eigenen Rechner läuft, verlassen keine Daten das System. Das ist die sicherste Option für sensibles Interview-Material. Nachteil: technisches Setup und Rechenleistung nötig.
OpenAI API (Whisper via API): Daten gehen an OpenAI-Server in den USA. Für Interviewmaterial mit personenbezogenen Daten: AVV mit OpenAI notwendig (über API-Nutzungsbedingungen geregelt) und Einwilligung der Interview-Subjects prüfen.
Riverside.fm: US-Hosting. Für Remote-Interviews mit öffentlichen Personen oder Experten oft akzeptabel, bei sensiblen Themen oder Personen mit Schutzbedürfnis prüfen.
Frame.io: US-Hosting (Amazon Web Services). Für Kundenmaterial in DSGVO-sensitiven Projekten (öffentlicher Sektor, Gesundheit, Minderjährige) ist US-Hosting ein Ausschlusskriterium. Für reguläre Produktionsagenturen mit Standard-Kundenmaterial: DSGVO-Folgenabschätzung durchführen und im Kundenmandatsvertrag regeln.
Transkript-Analyse im Sprachmodell: Ein Interview-Transkript ist personenbezogen. Einen AVV gibt es bei OpenAI und Anthropic nur für die API und die Unternehmenstarife (ChatGPT Business, Claude Team, jeweils ab zwei Plätzen), nicht für Plus oder Pro.
Empfehlung: Bei sensiblem Interview-Material (persönliche Schicksale, Minderjährige, Medical/Health) nur Whisper lokal nutzen. Bei Standard-Unternehmensinterviews ist der API- oder Team-Workflow mit AVV und Einwilligung der Interviewten akzeptabel.
Was es kostet, realistisch gerechnet
Einrichtungskosten:
- Whisper lokal: 0 Euro Tool-Kosten; 2–4 Stunden Setup für jemanden mit Python-Grundkenntnissen
- Riverside: keine Einrichtungskosten (Browser-basiert)
- Prompt-Entwicklung für Transkript-Analyse: 3–5 Stunden intern
Laufende Kosten:
- Whisper API: 0,006 USD/Minute, bei 10 Stunden Material/Monat 600 mal 0,006 USD, also 3,60 USD/Monat
- Riverside Pro: 24 USD/Monat bei Jahreszahlung
- Frame.io Pro: 15 USD/Nutzer/Monat, mit Creative Cloud All Apps ein Gratis-Kontingent
- Claude Pro: 20 Euro/Monat
- ChatGPT Plus: 23 Euro/Monat
- Für personenbezogene Transkripte: ein Team-Tarif ab zwei Plätzen
Rechenbeispiel, mit Annahmen zum Nachrechnen: Eine Agentur mit 4 Videoprojekten pro Monat (je 4 Stunden O-Ton-Footage) spart pro Projekt angenommen 6 Stunden Editorzeit. Zu 70 Euro internem Satz sind das 4 mal 6 mal 70 Euro, also 1.680 Euro im Monat, gegen rund 45 bis 65 Euro Tool-Kosten. Das ist der Wert der Zeit, nicht automatisch Geld. Kassenwirksam wird er nur, wenn ihr Postproduktion als Pauschale verkauft, wenn die freie Editorzeit in zusätzliche Projekte geht, die es auch gibt, oder wenn dadurch ein Freelance-Editor wegfällt. Rechnet ihr Schnitttage nach Aufwand ab und steckt die Sichtung darin, spart vor allem der Kunde. Und wer heute am Wochenende sichtet, gewinnt Freizeit, keinen Umsatz.
Wichtig: Die Einsparung ist am größten bei Interview-lastigem Material. Reiner B-Roll-Schnitt oder Action-Footage profitiert weniger.
Klingt das nach eurem Alltag? Ob sich dieser Use Case bei euch rechnet, klären wir im Erstgespräch: 30 Minuten, kostenlos.
Erstgespräch anfragenVier typische Einstiegsfehler
Fehler 1: Whisper ohne Setup direkt auf großen Dateien testen Whisper lokal braucht ausreichend RAM und GPU-Leistung. Wer Whisper auf einem durchschnittlichen Büro-Laptop mit 8 GB RAM ohne dedizierte GPU startet, wartet Stunden, oder der Prozess bricht ab. Vor dem produktiven Einsatz: Hardware-Check. Ein MacBook Pro M1/M2 mit 16 GB RAM läuft problemlos; ältere Windows-Laptops ohne GPU nicht.
Fehler 2: Transkripte ohne Qualitätsprüfung an die Analyse übergeben Whisper ist sehr gut, aber nicht fehlerfrei. Fachbegriffe, Eigennamen und schlechte Audioqualität führen zu Fehlern. Bevor du das Transkript in den Analyse-Prompt gibst: Kurz überfliegen und offensichtliche Fehler korrigieren. Das dauert 10 Minuten und verhindert, dass die KI-Analyse auf falschen Zitaten basiert.
Fehler 3: Den Workflow nur für Transkription nutzen Viele Teams entdecken Whisper für Transkription und hören da auf. Der eigentliche Wert entsteht erst im zweiten Schritt: das Transkript gegen Script und Briefing analysieren, Take-Empfehlungen generieren, Schnittstruktur-Entwurf erstellen. Wer nur transkribiert, verschenkt den größeren Teil des Nutzens.
Fehler 4 (Maintenance): Prompts nicht an Produktionsformate anpassen Ein Sichtungs-Prompt für dokumentarische O-Ton-Interviews sieht anders aus als einer für Imagefilme oder Erklärvideos. Wenn neue Formate hinzukommen, produziert der unveränderte Prompt Kategorien, die nicht zum Material passen, zum Beispiel empfiehlt er “emotionalsten Take” bei einem Produkt-Erklärfilm, wo Präzision gefragt wäre. Abhilfe: Beim ersten Projekt mit neuem Format 30 Minuten investieren und einen Format-spezifischen Prompt-Abschnitt ergänzen, der die Bewertungskriterien neu definiert.
Was mit der Einführung wirklich passiert
Technischer Widerstand beim Editor-Team, Erfahrene Editoren haben oft ein tiefes Verhältnis zu ihrem Material: Footage kennt man durch Sichten. Die Idee, dass KI “entscheidet”, was gut ist, trifft auf Skepsis, zu Recht. Das Framing ist entscheidend: KI erstellt das Sichtungsprotokoll, der Editor entscheidet. Der Editor spart Zeit mit dem Boring Part, nicht mit dem Creative Part.
Take-Empfehlungen prüfen, nicht blind übernehmen, KI-Take-Empfehlungen sind textbasiert: Sie beurteilen, was gesagt wurde, nicht wie. Ein Take, der inhaltlich perfekt ist, kann zu leise gesprochen, schlecht beleuchtet oder von einem Kamerawackler gestört sein. Der Editor muss empfohlene Takes immer noch kurz ansehen, aber gezielt und mit Kontext statt im Blindflug.
Kunden-Freigabe-Workflow kann sich vereinfachen, Wenn das Team Frame.io für den Review nutzt, helfen strukturierte Sichtungsprotokolle dem Kunden, präziseres Feedback zu geben. Dieser Sekundärnutzen ist schwer zu planen und nicht belegt, aber plausibel.
Realistischer Zeitplan mit Risikohinweisen
| Phase | Dauer | Was passiert | Typisches Risiko |
|---|---|---|---|
| Tool-Setup | 1–2 Wochen | Whisper einrichten (oder Riverside testen), Prompt entwickeln | Whisper technisches Setup unterschätzt |
| Pilot-Projekt | 2–3 Wochen | Ersten Workflow-Test mit echtem Produktionsprojekt | Kein Script vorhanden, Analyse ohne Referenz weniger nützlich |
| Team-Schulung | 1 Woche | Editor-Team mit Transkriptions-Review und Prompt-Logik vertraut machen | Widerstand wenn als “Kontrolle” wahrgenommen |
| Optimierung | Monat 2–3 | Prompt-Varianten für verschiedene Formate entwickeln | Überengineering, ein generischer Prompt genügt oft |
Häufige Einwände, und was dahintersteckt
“Für B-Roll hilft das gar nicht, das ist kein Sprach-Content.” Richtig. Der aktuelle Workflow ist stark auf O-Ton-Material optimiert. Für reine B-Roll-Sichtung gibt es keine gute KI-Lösung, die nicht erhebliches technisches Setup erfordert. Wenn eine Produktion überwiegend B-Roll ist, ist der Nutzen dieses Workflows begrenzt.
“Wir haben kein Script, wir drehen Dokumentation frei.” Ohne Script als Referenz kann das LLM keine Take-Empfehlung gegen Vorgaben machen. Es kann aber trotzdem nützlich sein: Inhaltlich starke Passagen aus dem Transkript identifizieren, wiederkehrende Themen clustern, Zeitstempel-Protokoll erstellen. Die Analyse ist weniger präzise, aber immer noch schneller als vollständige manuelle Sichtung.
Woran du merkst, dass das zu dir passt
Das passt gut:
- Ihr produziert regelmäßig O-Ton-Interviews, Dokumentationen oder Corporate Films mit mehreren Interview-Subjects
- Drehtage produzieren regelmäßig mehr als 2 Stunden Footage pro Person
- Senior-Editor-Zeit ist ein spürbarer Kostenfaktor in eurer Projektkalkulation
- Ihr habt technische Grundkompetenz im Team (Python oder Developer-Zugang für Whisper-Setup)
Das passt noch nicht oder nicht gut:
- Eure Produktionen sind überwiegend reine B-Roll, Musikvideos oder Eventfootage ohne O-Ton, dann ist der Nutzen minimal
- Ihr dreht weniger als 3 Projekte pro Monat, der Setup-Aufwand rechnet sich nicht
- Kein technisches Know-how im Team und kein Budget für externe Einrichtung, dann ist Riverside als einfacher Einstieg zu prüfen, aber mit Einschränkungen
- Datenschutz-Anforderungen schließen Cloud-Transkription aus und Whisper lokal übersteigt die Hardware-Kapazität
Das kannst du heute noch tun
Wenn du ein konkretes Produktionsprojekt mit O-Ton-Material hast: Teste Riverside im Free-Plan. Nimm dafür einen unkritischen Clip, bei dem die Einwilligung der Interviewten die Verarbeitung abdeckt, denn Riverside verarbeitet Daten auch außerhalb der EU. Lass ihn transkribieren und gib das Transkript mit dem folgenden Prompt in Claude, Namen vorher durch Rollen ersetzt. Das dauert 30 Minuten, ohne technisches Setup, ohne Kosten.
Mitarbeiter:in
KI-Assistent
Quellen & Methodik
- Adobe: Next generation of Frame.io (2024), Ankündigung von Frame.io V4 mit Metadaten-Framework und Collections; eine semantische Suche im Footage nennt sie nicht. news.adobe.com
- OpenAI Whisper Dokumentation, Transkriptionsgenauigkeit, Sprachunterstützung, API-Preise. openai.com/research/whisper
- Tarife und Hosting: laut unseren Toolseiten zu Riverside , Frame.io und Whisper , Stand September 2026.
- Sichtungszeiten und Rechenbeispiel: eigene Annahmen, im Text als solche ausgewiesen. Eine belastbare Studie zur Sichtungsdauer haben wir nicht gefunden.