Expertise · Video und KI-Inhalte
Wir produzieren Werbeclips und Visual-Sets mit Generierungswerkzeugen — synthetische Stimme, Bilder, animierte, aus HTML gerenderte Kompositionen. Jedes Element, das in den Frame eingeht, hat eine schriftlich festgehaltene Quelle und Lizenz, und der Ton wird gemessen, nicht geschätzt.
Bereits gebautEs sind ausgelieferte Materialien, auf der Festplatte, die wir heute mit Werkzeugen gemessen haben, nicht aus einem Bericht gelesen. Ein Satz aus vier exakt 30-sekündigen Clips (zwei Sprachen × zwei Formate) für eine eigene Plattform, ein zweiter Satz aus vier Einführungsvideos, eine eigene Komposition, in sieben Varianten gerendert, zur Unternehmenswerbung, und zwei Runden statischer Kampagnenvisuals für einen Transporteur. Wir haben den Ton eines der Clips mit `ffmpeg … ebur128` nachgeprüft: −16,2 LUFS integriert, wahrer Peak −1,8 dBTP — genau die Zahlen aus dem internen Dokument, was nicht jedes Mal vorkommt. Wichtige Korrektur zu unserem eigenen Inventar: `hyperframes` IST nicht unser Code. Es ist der Klon des öffentlichen Repositoriums eines anderen Unternehmens, unter Apache 2.0-Lizenz, ohne einen einzigen unserer Commits. Es ist das Werkzeug, mit dem wir arbeiten; die Leistungen sind die Kompositionen und Renderings, nicht das Werkzeug.
Ein 30-Sekunden-Clip hat drei Arten, kaputtzugehen, und nur eine sieht man beim ersten Ansehen. Er geht visuell kaputt — das bemerkt jeder. Er geht klanglich kaputt, und dann ist der Clip lauter oder leiser als alles andere um ihn herum im Netz, wo er ankommt, was erst nach der Veröffentlichung auffällt. Und er geht rechtlich kaputt, was man nie bemerkt, bis zu dem Tag, an dem man es bemerkt. Wir arbeiten an allen dreien, und für die letzten beiden haben wir ein schriftliches Verfahren, nicht guten Willen.
Die Komposition erfolgt in HTML, nicht in einem Editor. Eine Komposition ist ein Dokument mit Spuren und Clips, jeder mit Startzeit und Dauer als Attribute geschrieben — zum Beispiel ein Clip, der bei Sekunde 8,4 beginnt und 5,0 Sekunden dauert, mit absichtlicher Überlappung über den vorherigen für den Übergang. Die praktische Konsequenz ist, dass ein Clip identisch neu erstellt werden kann: dieselben Attribute, dasselbe Ergebnis, und eine Textkorrektur erfordert kein manuelles erneutes Schneiden. Das Rendern aus unserer Werbekomposition ergab 1920×1080, 60 Bilder pro Sekunde, 1200 Bilder, exakt 20,000000 Sekunden — Zahlen aus der Datei gelesen, nicht aus dem Briefing.
Die Stimme ist synthetisiert, mit Einstellungen, die im Skript zusammen mit dem Text geschrieben werden, damit eine Neuaufbauung identisch klingt: mehrsprachiges Modell, Stabilität, Ähnlichkeit, Stil und Geschwindigkeit als Werte notiert, nicht als Eindrücke. Der Text wird vor der Generierung auf die Dauer kalibriert — ein 30-Sekunden-Clip trägt etwa 65 Wörter auf Rumänisch, und wenn das Skript 80 hat, wird der Text gekürzt, nicht die Stimme beschleunigt. Der endgültige Ton wird in zwei Durchgängen auf ein Ziel normalisiert und danach auf der gelieferten Datei gemessen: Die vier Clips eines aktuellen Satzes liegen bei −16,2 und −15,9 LUFS, mit echtem Peak −1,8 dBTP.
Die Regel, an die wir uns halten und die im Lizenzordner eines gelieferten Satzes klar zu sehen ist: Nichts im Clip hat eine Lizenz, die wir nicht zeigen können. Das Musikbett und die Soundeffekte wurden lokal mit `ffmpeg` synthetisiert — fünf Sinusoszillatoren mit Tiefpassfilter für Musik, gefiltertes Rosa Rauschen für den Übergangseffekt, 1500-Hz-Impuls mit Exponentialhüllkurve für den Klick — gerade weil ein von uns erzeugter Ton eine nachweisbare Lizenz hat, und eine „kostenlose“ Datei von einer Seite, die nicht sagt, unter welchen Bedingungen, nicht. Die Handy- und Laptoprahmen sind in SVG gezeichnet, keine Produktfotos. Die Aufnahmen sind von unserer Plattform, automatisch auf einer lokalen Produktionsversion erstellt. Die Schrift ist selbst gehostet, unter offener Schriftlizenz.
Was dazugehört
Szenentabelle mit Intervallen und dem gesprochenen Text für jede, plus dem Taktziel. Der Rohtext für die Synthese wird separat, in einem einzigen Block, geschrieben, und die Pausen werden durch die Zeichensetzung gesetzt. Wenn der Text die Dauer überschreitet, wird der Text gekürzt — die Beschleunigung der Stimme ist hörbar, und ein Clip, der gehetzt klingt, verliert genau das, was er gewinnen sollte.
Jeder Clip hat Start und Dauer als Attribute, und Überlappungen für Übergänge sind beabsichtigt und in der Quelle sichtbar. Unsere Werbekomposition hat fünf Clips auf der Hauptspur und separate Spurindizes für die Elemente, die darüber laufen, in einer Zeitachse von zwanzig Sekunden. Ein geschriebenes Schnittprojekt kann identisch neu erstellt werden; ein von Hand gemachtes nicht.
Die letzte Renderung der eigenen Komposition, gemessen mit `ffprobe`: H.264, 1920×1080, 60/1 Bilder pro Sekunde, 1200 Bilder, 20,000000 Sekunden. Nicht „ungefähr zwanzig Sekunden“ — genau, weil die Bildzahl ganzzahlig ist und sich aus der Komposition ergibt.
Mehrsprachiges Modell mit Unterstützung für Rumänisch, wobei Stabilität, Ähnlichkeit, Stil und Geschwindigkeit als Werte neben dem Text festgehalten sind. Dieselben Einstellungen ergeben dieselbe Stimme auch nach drei Monaten, wenn jemand eine Version mit einem geänderten Satz anfordert. Für Russisch verwenden wir eine separate Stimme, nach Sprache ausgewählt, nicht mit derselben übersetzt.
Zweipass-Normalisierung auf ein Lautheitsziel, danach Messung auf der gelieferten Datei nach dem europäischen Lautheitsstandard. Die Werte für einen aktuellen Satz: −16,2 und −15,9 LUFS integriert, echter Peak −1,8 dBTP, dynamischer Bereich 10,5 LU. Audio AAC bei 48 kHz, Stereo, um 160 kbps, mit an den Anfang verschobenem Header, damit die Datei ohne vollständigen Download startet.
Horizontal 1920×1080 und vertikal 1080×1920, auf Rumänisch und auf Russisch — vier Dateien für dieselbe Geschichte, weil ein automatisch auf vertikal zugeschnittener horizontaler Clip genau den Teil verliert, in dem etwas passiert. Ein zweites geliefertes Set, für die Einführung, hat dieselbe Struktur, bei 20,36 Sekunden.
Was im Clip zu sehen ist, sind Aufnahmen der Plattform, erstellt mit einem Browser-Automatisierungswerkzeug auf einer lokal ausgeführten Produktionsversion: öffentliche, redigierte Seiten, ohne Gesichter, ohne Kennzeichen, ohne genaue Adressen. Für die Promotionskomposition haben wir separat Aufnahmen an mehreren Scroll-Positionen extrahiert, plus die Farben, Schriftarten und Animationen der Seite, damit die Bewegung im Clip der Bewegung auf der Website ähnelt.
Eine Tabelle mit Quelle und Lizenz jedes Tons und jedes Bildes, plus ein Abschnitt darüber, was NICHT im Clip ist: keine Bibliotheksmusik, keine Stockaufnahmen, keine aufgenommenen menschlichen Stimmen, keine Logos von Institutionen, keine Aufnahmen aus anderen Plattformen. Musik und Effekte werden lokal mit `ffmpeg` synthetisiert, daher lässt sich die Lizenz durch erneutes Ausführen des Skripts nachweisen.
Wenn die Botschaft getestet wird, wird nicht gefilmt: zwei Runden mit jeweils dreißig Kreationen für eine einzige Kampagne, im vertikalen Format für Netzwerke, jede mit ihrem eigenen Nachrichtenwinkel im Dateinamen. Es ist billiger herauszufinden, welche Botschaft mit Bildern ankommt, als mit Clips, und erst danach zu filmen.
Wie es aussieht
Szenen, Intervalle, gesprochener Text, Zieltempo. Hier wird entschieden, ob die Botschaft hineinpasst — nicht im Schnitt. Wir liefern das Skript vor jeder Generierung, weil es der einzige günstige Moment ist, in dem sich die Idee noch ändern lässt.
Automatisch generierte Aufnahmen auf einer Testversion, gezeichnete Elemente, lokal synthetisierte Töne, generierte Stimme. Jedes Element erhält eine Zeile im Lizenzdossier in dem Moment, in dem es ins Projekt aufgenommen wird, nicht erst am Ende, wenn sich niemand mehr erinnert, woher es gekommen ist.
Spuren, Clips mit Start und Dauer, Überblendungen mit absichtlicher Überschneidung. Das Rendering wird mit Werkzeugen geprüft: Auflösung, Bilder pro Sekunde, Bildanzahl, Dauer. Wenn die Dauer nicht der im Skript entspricht, ist es ein Kompositionsfehler, keine Rundung.
Zwei Durchgänge bis zum Lautheitsziel, danach Messung an der gelieferten Datei, nicht an der Zwischenversion. Die resultierenden Zahlen werden im Übergabedokument festgehalten, damit sie angefochten werden können.
Beide Formate, beide Sprachen, plus die separaten Bestandteile — Narration, Musik, Szenenbilder — und die Komposition. Der Grund, warum wir auch die Quelle übergeben, ist einfach: In einem Jahr wird jemand einen anderen Satz in der zwanzigsten Sekunde wollen.
Die Daten
Die Fragen, die jede Person mit einem Datenschutzbeauftragten stellt — hier gestellt, bevor er sie stellt.
Ein Fall
Die Ausgangslage
Die Bewerbung einer eigenen öffentlichen Plattform, in zwei Sprachen, für Netzwerke, in denen dasselbe Material sowohl horizontal als auch vertikal vorhanden sein muss. Die selbst auferlegte Einschränkung: Kein Element im Clip darf eine Lizenz haben, die wir nicht zeigen können.
Was wir gebaut haben
Skript mit Zeitangaben und gesprochenem Text pro Szene, in beiden Sprachen, mit separat gewählten Stimmen je Sprache. Die automatisch generierten Plattformaufnahmen auf einer lokal ausgeführten Produktionsversion, mit redigierten Seiten — keine Gesichter, keine Kennzeichen, keine genauen Adressen. Die in SVG gezeichneten Telefon- und Laptoprahmen, keine Produktfotos. Die Musikunterlage und die beiden Soundeffekte lokal mit `ffmpeg` synthetisiert: Sinusoszillatoren mit Tiefpassfilter für Musik, gefiltertes Rosa Rauschen für den Übergang, 1500-Hz-Impuls mit exponentieller Hüllkurve für den Klick. Der Ton in zwei Durchgängen bis zu einem Lautheitsziel normalisiert.
Was dabei herauskam
Vier Dateien — zwei Sprachen × zwei Formate — mit jeweils genau 30,00 Sekunden, bei 30 Bildern pro Sekunde, H.264 mit AAC-Audio 48 kHz Stereo bei rund 160 kbps und dem an den Anfang verschobenen Header. Wir haben heute die horizontale rumänische Version erneut gemessen: −16,2 LUFS integriert, echter Peak −1,8 dBTP, Dynamikbereich 10,5 LU, 900 Bilder für 30,00 Sekunden. Die Zahlen stimmen mit dem Übergabedokument überein. Neben den Dateien wurden die separate Narration, die separate Musikunterlage, die Szenenbilder und die Lizenztabelle übergeben.
Was der Fall nicht sagt
Das Render-Framework ist nicht unseres — es ist ein Open-Source-Projekt eines anderen Unternehmens unter Apache 2.0, und unser Beitrag dazu ist null. Die Stimme wird auf unserem Konto synthetisiert, unter den Bedingungen des kostenpflichtigen Plans des Anbieters, und seine Bedingungen verbieten ausdrücklich die Verwendung der Ausgabe, um ein konkurrierendes Modell zu trainieren oder zu testen; das ist eine Grenze, die wir einhalten. Und noch eine, aus gesundem Menschenverstand: Ein Clip löst keine Nachricht, die nicht funktioniert — deshalb testen wir die Nachricht, wenn es möglich ist, zuerst auf Bildern.
Fragen
Nein, und es ist wichtig, diesen Eindruck nicht zu erwecken. Wir setzen in HTML zusammen und rendern mit einem Open-Source-Framework, das von einem anderen Unternehmen unter der Apache-2.0-Lizenz entwickelt wurde. Wir haben geprüft: In unserem Fork gibt es keinen einzigen Commit von uns. Unseres sind die Kompositionen, die Szenarien, die Aufnahmen, die lokal synthetisierten Sounds und die Lizenzdisziplin. Das Werkzeug ist nicht das Werk.
In unseren Materialien deckt die Generierung die Stimme und einen Teil der Kampagnenbilder ab. Bewegung und Schnitt sind geschrieben, nicht generiert: ein Clip mit Timings und Spuren, deterministisch gerendert. Wir produzieren keine synthetischen Menschen, die im Bild sprechen. Der Grund ist praktisch: Ein Clip, in dem das reale Produkt zu sehen ist, automatisch aufgenommen, altert langsamer und hat nicht das Glaubwürdigkeitsproblem eines nicht existierenden Präsentators.
Der Kunde, für das gelieferte Material, und die externen Quellen bleiben unter ihrer Lizenz, die elementweise in der Lizenzakte festgehalten ist. Die generierte Stimme wird kommerziell unter den Bedingungen des kostenpflichtigen Plans des Anbieters verwendet, auf dem Konto, auf dem sie generiert wurde. Wir übergeben auch die Akte, nicht nur die Dateien — wenn in zwei Jahren jemand fragt, woher dieser Ton kommt, steht die Antwort schriftlich vor.
Weil ein „kostenloser“ Track Vertrauen in eine Seite voraussetzt, die sagt, dass er kostenlos ist. Ein Musikbett aus fünf Sinusoszillatoren mit Filter und einem kurzen Echo hat eine Lizenz, die wir demonstrieren können, indem wir das Skript erneut ausführen. Wenn ein Projekt einen echten Track verlangt, ist das möglich — aber dann kommen in die Akte die genaue Quelle, die genaue Lizenz und das Download-Datum, nicht ein vager Hinweis.
Rumänisch und Russisch, in 1920×1080 horizontal und 1080×1920 vertikal. Wir schneiden Horizontal nicht automatisch auf Vertikal zu: Die Komposition wird separat angelegt, weil im Vertikalen etwas anderes ins Bild kommt. Andere Sprachen sind mit denselben Werkzeugen möglich, aber die Stimme wird pro Sprache ausgewählt und vorher angehört, nicht angenommen.
Weil ein Clip, der leiser ist als das, was ihn in einem sozialen Netzwerk umgibt, übersprungen wird, und einer, der lauter ist, geschlossen wird. Wir normalisieren in zwei Durchgängen auf ein Ziel und messen auf der gelieferten Datei mit dem europäischen Lautheitsstandard. Für einen aktuellen Satz liegen die Werte bei −16,2 und −15,9 LUFS, mit echtem Peak −1,8 dBTP. Sie sind gemessen, nicht geschätzt, und wir schreiben sie gerade deshalb in das Übergabedokument, damit sie überprüft werden können.
Ja, und das bevorzugen wir. Die Aufnahmen werden automatisch gemacht, mit einem Browser-Automatisierungswerkzeug, auf einer Testversion des Produkts, an mehreren Scroll-Positionen; für eine Komposition haben wir außerdem die Farben, Schriften und Animationen der Seite separat extrahiert, damit die Bewegung im Clip der echten Bewegung der Benutzeroberfläche ähnelt. Voraussetzung ist, dass es eine Version gibt, die wir ausführen können, und Demodaten, die nicht echt sind.
Weil der Schnitt ein Dokument mit Timings ist und kein Projekt aus einem Editor, wird ein Satz im Skript geändert, die Nacherzählung mit denselben Stimmeinstellungen neu generiert und erneut gerendert. Deshalb übergeben wir die Quelle und die Stimmeinstellungen, nicht nur die Enddatei. Ohne sie bedeutet jede Änderung eine Neuaufbereitung.
Ja, und oft ist das der richtige Schritt vor dem Clip. Für eine einzige Kampagne haben wir zwei Runden mit je dreißig vertikalen Creatives produziert, jedes mit einem anderen Messaging-Winkel. Getestet wird, welche Botschaft auf den Bildern greift, welche sich günstig neu erstellen lässt, und erst danach wird in den Clip mit der gewinnenden Botschaft investiert.
10 davon sind Code und Dateien aus unseren Repositories. Wir veröffentlichen weder ihren Namen noch die Zeile: zusammen, auf einer einzigen Seite, würden sie zu genau beschreiben, wie Systeme gebaut sind, die nicht nur uns gehören. Wir gehen sie mit Ihnen durch, im Repository, auf Anfrage — die Überprüfung bleibt möglich, sie findet nur in einem Gespräch statt.
Erzählen Sie uns von Ihrem Prozess. Gemeinsam legen wir fest, was sich zu bauen lohnt, was wir anbinden können und wie wir das Ergebnis prüfen.