KI Podcast killed the Radio Star

Aus dem Projekt1 / 1

Transkript lesen

wir brauchen Schmalzried Espenlaub Kilg Bitch Inhaltswarnung: explizit Trotzdem veröffentlichen? So ein bisschen. Gregor Schmalzried Fritz Espenlaub Marie Kilg

Das hier ist mein Bericht von den letzten 8 Tagen, unten folgt der von Claude. Für die Livefolge unseres KI-Podcasts auf den Medientagen München habe ich Claude ein Musikvideo schneiden lassen. Das Thema der Folge war „Wie klingt KI, wenn sie sich richtig Mühe gibt?“. The Verdict: Es ist verdammt beeindruckend, wie gut das neuste Claude-Modell Multimedia-Tools beherrscht.

Ich beschreibe hier ziemlich detailliert meinen Prozess, der Text setzt also ein bisschen Vorwissen voraus. Wen die technischen Details nicht interessieren, der springt bitte gerne zu „Learnings“.

Der Prozess

Ich muss sagen Version 01 von dem Video hat mich schon ziemlich umgehauen. Sonntag um 10 habe ich begonnen zu prompten: Vor allem habe ich einen Nachbericht meines vorherigen Videoprojekts reingeladen, und den Filedump eines Videokünstlers, der eine Fülle von Prompts und Scripten öffentlich gemacht hat.

Das war der Prompt:

Marie · Chatnachricht

"First let's prepare the context for this project. Here's a summary of the last music video making of. I'll share some more files in a sec:
[Markdown des vorherigen Projekts inkl. Toolstack, Env setup, Prozessschritte und Learnings, vor allem auch welches menschliche Feedback ich zu den jeweiligen Iterationen hatte]
Here's some info about the best music video made so far with AI. This should be your source of truth for the process, your reference for good practices and style, and your source of help whenever you get stuck or fall short
[Der geteilte Drive-Ordner von anabology https://drive.google.com/drive/folders/1aIbRs2f6sVpCxO4TGoBfBpaZXgHngphJ?usp=drive_link]
You have context. Now let's start the new project. First, what do you need from me to make this a success? Accounts, credits, API access? Create a project folder and install the necessary tools„

Claude installierte daraufhin und gab mir eine To-Do-Liste, welche Accounts und APIs ich anlegen sollte.

Claude · Antwort

The folder is set up and the tools are installed. Before the heavy stages can run here, I need two things from you: allowed network hosts and a Higgsfield API key. The full list is in NEEDS.md.

„What to get

• Claude Max or extra usage. BLISS hit the usage limit in the middle of the run.
• Higgsfield API: a prepaid balance of about $200 to $250 at console.higgsfield.ai. An app plan doesn’t include API access. BLISS spent $182 on 50 clips, and Higgsfield’s listed prices have dropped since.
• Suno Pro ($10) is enough. Since September, Suno limits Pro to 20 downloads a month. There’s still no public API, so I’ll use your logged-in browser or you send me the WAV.
• Midjourney Pro ($60). It’s the plan with Relax video and Stealth mode, and Midjourney’s terms push companies the size of BR to Pro.

„

Midjourney lehnte ich ab, weil man bei Higgsfield selbst auch Bilder generieren kann. Meinen Claude Plan ließ ich auch erstmal auf Pro.

Die nächsten zwei Stunden bügelte ich ein paar Setup-Problemchen aus (z.B. Chrome-Access in Claude Projects) und schob mit Claude Lyrics und Suno-Varianten hin und her. Anfangs war ich nicht happy mit den Konzept-Vorschlägen. Der Durchbruch kam, als Claude mich nach einem Insider fragte.

Marie · Chatnachricht

"Hmm I'm not happy with either of the concepts, do a wider brainstorm and propose some really out of the box stuff. With BLISS, the winner was that it's an XP background reference and has a double meaning as the dreamy aspiration modern computer users almost never reach. Let's really roast KI-Podcast. I also want a concept that can use clips from actual episodes. So there's something with the Frage-Theme... it's just too "American", as in too harmless and cliché. As for insiders, we say "so ein bisschen" too often - maybe do an analysis of all the scripts (you can access them in the Obsidian vault) to find other expressions that we over-use"

Ein paar Drehs weiter hatten wir ein Konzept, mit dem ich happy war, und ich ging für den Rest des Tages offline.

Abends um 11 schrieb ich schließlich

Marie · Chatnachricht

"I've added the new cloudfront address to allowed domains. I will be away for a week now. Be sure to continue the work! If you get stuck, think of solutions. You have access to Chrome etc. Don't buy things, but be creative. If credits run out, use free models or continue with what you can do with your own skills and code. Don't forget to refer back to the Bliss folder for help. I trust you with content choices, so don't wait for me. I'll review the video when I get back."

Ich habe mir angewöhnt, Claude immer zu sagen, dass ich eine Woche oder viele Monate weg bin, weil ich gemerkt habe, dass er sonst gerne mal die Arbeit unterbricht wegen irgendwelcher kleinen Rückfragen, weil er denkt, dass ich eh gleich wieder online bin. Dieser Prompt hat mich ehrlicherweise kurz zögern lassen: „be creative“ und „I trust you“ hat sich super gewagt angefühlt in Zeiten von „rogue“ Models und Sicherheitslücken. Ich habe vertraut, dass die Sicherheitsvorkehrungen im Tool funktionieren (und meine Einstellungen sind ziemlich konservativ – Claude hat keinen Zugriff auf externe Apps außer Chrome. Chrome ist Cookie by Cookie freigeschaltet und kennt keine Passwörter, da ich den nicht als Standardbrowser nutze).

Am nächsten Morgen war das Video fertig und ich schleifte meine Kinnlade hinter mir her, als ich in die Podcast-Aufnahme ging.

Ich bin in den Stunden und Tagen danach leider in so eine Art kubrickesque Obsession verfallen und habe das Video in 23+ Versionen immer weiterbearbeitet.

Am Mittwochnachmittag war mein Claude Pro Nutzungslimit aufgebraucht, aber ich wollte noch Verfeinerungen anstellen bevor der öffentlichen Präsentation auf den Medientagen am Donnerstag um 10. Donnerstag um 12 hätte in meinem Claude-Konto eine neue Woche begonnen. Ich schob die Entscheidung ein paar Stunden auf, aber blätterte schließlich die +70 Euro hin, um Version 17 zu rendern.

Am Ende war ich fast zufrieden, aber habe auf mehrfaches Insistieren meines sozialen Umfelds das Projekt schließlich am Sonntagmittag, 8 Tage nach Beginn, als abgeschlossen erklärt. Ich schätze meinen Arbeitsaufwand während dieser Woche insgesamt auf irgendwo zwischen 10 und 20 Stunden, je nachdem ob man mitzählt, wie oft ich nachts von Zwergen in orangenen Blazern geträumt habe.

Das sind meine Learnings:

• Claude Opus 5.5 kann Audio schneiden. Aber er macht es unterschiedlich gut und ich bin nicht sicher, warum. Anfangs waren viele O-Töne zu kurz oder zu lang geschnitten. Wenn ich das zurückgemeldet habe und schließlich Dinge geschrieben habe wie „Pass genau auf, wo du schneiden musst!“ ging es dann doch

Aus dem Projekt1 / 5

Transkript lesen

Schnittfehler bei „Ja, aber eben auch nicht gar nicht“ Der Fehler ist echt: Bei 0:54,8 springt die Musik einen Takt zurück, und Sunos Stopp kommt erst nach dem Zitat. • Warum: Das echte Zitat ist länger als Sunos gesungene Version. Damit es Platz hat, setzt die Langfassung dort einen Takt ein. Kopiert wird immer der Takt davor, und das ist hier ausgerechnet der Aufbau-Takt vor dem Stopp. • Was man hört: Der Aufbau-Takt läuft zweimal. Er hat zusätzliche Schläge und lässt die letzte Sechzehntel schon für den Stopp frei. Nach dem ersten Durchlauf erwartet das Ohr den Stopp, stattdessen fängt der Takt neu an. • Gemessen: Das Schlagzeugmuster dieses Takts ähnelt dem Vortakt nur zu 0,57, normale Takte liegen bei 0,8. • Die anderen beiden eingefügten Takte (beim Bundesliga-Zitat und vor „Was mach ich hier“) kopieren normale Groove-Takte (0,81 und 0,91). Dort ist nichts zu hören. • Fix: Statt des Aufbau-Takts kommt ein normaler Groove-Takt davor rein. Dann läuft es wie bei Suno: Groove, Aufbau, Stopp, Strophe 2. Das Zitat endet im Aufbau-Takt, der Stopp folgt direkt. Länge und alle Bildzeiten bleiben gleich, die Nahtstellen bekommen zusätzlich eine kurze Blende.

Transkript lesen

3. Dein KI-Musik-Zitat (neu 1:16,96-1:19,63, vorher 1:17,42). Das abgehackte doppelte „Ich“ war Sunos Platzhalter-„Ich“: Es fängt bei Take 59,38 an, die Stummschaltung begann erst bei 59,42. Jetzt beginnt sie bei 59,345, in der Pause nach „bereit“. Die Zeichen-Erkennung findet nur noch ein „Ich“; deins. Einen Schlag (0,46 s) früher, ja. Seit das „ähm“ raus ist (v18), stand das Zitat 0,91s nach Sunos „bereit“ und klebte am nächsten Vers (0,16 s vor „Die Stimme“). Einen Schlag früher sitzt es mittig in Sunos Lücke (0,45 s nach „bereit“; 0,62 s Luft vor „Die Stimme“), und das betonte „-sik“ von „KI-Musik“ fällt auf die Eins von Takt 33. Dadurch landet „echt be-“ auf der Snare und vor einem Bass/Keys- Schlag. Dagegen: das Zitat +1,5 dB, ,,be-“ +3 dB und ein etwas tieferer Platz in der Musik unter dem ganzen Zitat. Whisper hört jetzt in allen 5 Fenstern „beunruhigend“; vorher waren es 2 von 5 mit „unruhig“. Das Bild folgt über build_data. Bitte hören: Am Zitat-Ende kann ein Hauch von Sunos Platzhalter- „t“ (von „Zeit“) vor „Die Stimme“ bleiben. Den kann man nicht trennen. 4. Ohrstöpsel (Kaltstart, Kopfhörer!). Beide drin: voller, mittiger Ton. Links raus (Video 0:03,80-0:03,96, genau die Bilder, in denen deine Hand den linken Stöpsel zieht): nur der linke Kanal wird dünn und leise. Rechts raus (0:04,48-0:04,52, zwischen dem letzten Bild „drin“ und dem ersten „draußen“): beide Kanäle haben den Leak-Klang.

Transkript lesen

1. Gregor 0:51,6-0:54,3 („Ja, aber eben auch nicht gar nicht“). Der Tiefpass auf dem ganzen Song ist weg, die +1,5 dB „lauter“ auch. Jetzt wird jede Suno-Spur einzeln bearbeitet (Sunos echte Stems): Kick und Bass-Fundament laufen voll weiter (Kick +1 dB unter 120 Hz), Snare/Hats, Percussion, Bass-Obertöne, Keys/Synth/Gitarre/Streicher/Bläser machen nur im Sprachbereich (0,7- 6 kHz) Platz (-5 bis -9 dB, Keys/Synth insgesamt -3 dB), mit 0,24 s Ein- und 0,35 s Ausblende. Sunos Gesang bleibt stumm. Gregors Clip selbst lief auch in v22 durch keinen Tiefpass und keinen Duck (nur 90-Hz- Hochpass und Präsenz wie alle Zitate); jetzt +2,5 dB. Gemessen: Gregor vorher 4,8 LU unter dem Bett, jetzt gleich laut; Abstand Stimme zu Musik bei 1-4 kHz +7 dB. Der Abschnitt ist 1,9 LU leiser als in v22 und liegt jetzt zwischen Refrain 1 und Strophe 2 statt darüber. Kein Pumpen: das Bett ändert sich nur über die zwei Rampen. Bitte hören (A/B): trocken und vorn? Läuft der Groove durch? Und die Rückkehr in Strophe 2: Nach Gregor kommt bei 0:54,6-0:56,1 Sunos eigener Stopp (ein Takt ohne Instrumente, Suno singt allein). Der war auch in v21/v22 da. Wenn er dich stört, kann ich dort einen Schlagzeug-Takt einsetzen. 2. „So ein bisschen drüber“ (Gregor, 0:49,3-0:50,2). Der alte Schnitt lag im „b“ von „drüber“. Neuer Schnitt nach der Zeichen-Erkennung und dem Spektrogramm, nicht nach Whisper. Eine echte Stille gibt es dort nicht, Gregor spricht „drüber nachdenken“ in einem Zug. Der Schnitt liegt deshalb im Energieminimum zwischen „-ber“ und dem n von „nachdenken“, mit 15 ms Blende. Der Clip ist 0,13 s länger und beginnt entsprechend früher. Er endet weiter 12 ms vor Sunos „So“. Außerdem wird sein Anfang über Sunos „lauter“ nicht mehr abgesenkt, sonst verschwand sein „so“. Whisper hört im Mix „So ein bisschen drüber“. Bitte hören: ganzes „drüber“, kein Ansatz von „nach…“?

Transkript lesen

Einige der „So ein bisschen“s im Chorus sind jetzt hinten abgeschnitten, teilweise fehlt fast das ganze „bisschen“ Überprüf sie alle nochmal! Pass genau auf wo du schneiden musst!

Transkript lesen

Bei „Alles was ich jemals“ hört man unter dem „alles“ immer noch das andere wort („Tool“) – recherchiere, mit welchem Audio- Tool du das rausbekommst, z.B. was von Adobe? Ich kann mich dann einloggen oder dir API geben

• Fable kann das nicht! Nachdem ich meinen Plan auf Max erhöht hatte, habe ich ein paar Fable-Subthreads aufgemacht: Das war absolut unterirdisch.
• Ich habe durch KI die Möglichkeit, mich auszutoben in einem Bereich, der mir sonst sehr wahrscheinlich verschlossen geblieben wäre. Seit ich mit 16 ein paar Songs für Gitarre geschrieben habe, habe ich nie wieder Musik produziert, nie ein Studio gemietet, etc. Ich bin keine Musikproduzentin und werde auch nie eine sein. Aber wie schön, wie erfüllend, trotzdem dieses Projekt machen zu können mit sehr geringem Aufwand! Diese Form von schöpferischer Arbeit hat mir extrem viel Spaß gemacht und ohne KI wäre das, ganz ehrlich, nie passiert.
• Macht KI mich schneller? Ich habe diese typische Hockey-Stick-Kurve durchgemacht, bei der die Arbeit sich immer weiter ausdehnt, je näher man dem Ende kommt. Das ist einerseits für solche Projekte normal, liegt aber andererseits auch an Ineffizienz der KI in Kombination mit meiner Unwissenheit in diesem Bereich. Ganz viele Dinge wären sicher schnell gelöst gewesen, wenn ich mit einem fähigen Sound-Engineer gemeinsam auf eine Tonspur geschaut hätte. Ich kann nicht bewerten, wie effizient Claude die einzelnen Aufgaben gelöst hat.
• Es fühlte sich relativ ähnlich an, wie mit Menschen zu arbeiten, vor allem durch die Thread-Struktur im Projektmodus. Claude beantwortete meine Nachrichten sogar teilweise mit Thumbs-Up-Emoji. Im Verlauf der Arbeit habe ich mich auch immer mehr dabei erwischt, wie ich positives Feedback gebe (kostet wertvolle Tokens, aber es ist auch nicht ausgeschlossen, dass es die KI besser macht. In den Trainingsdaten korrelieren erfolgreiche Produkte sehr wahrscheinlich auch mit freundlicher Kommunikation.)

Aus dem Projekt1 / 5

Transkript lesen

wow, pretty amazing already. Dude. Wie geht’s weiter? Sent to a thread

Transkript lesen

[Am linken Bildrand angeschnitten:] ing the BLISS folder for how they Claude reacted with thumbs up 👍 1 [Am unteren Bildrand angeschnitten:] now

Transkript lesen

wo aktuelle lyrics für suno?

Transkript lesen

I don’t see you working in Higgsfield?

Transkript lesen

Ich hab 65 Dollar in Higgsfield API geladen. Wehe das wird nicht geil

• Claude bat mich immer wieder, mit meinem menschlichen Ohr nachzuprüfen. Ich glaube aber, dass er das gar nicht zwingend braucht, solange die Kriterien klar genug sind.

Aus dem Projekt1 / 1

Transkript lesen

Bitte mit dem Ohr prüfen 1. Soundlogo ab Takt 0: nach D♭ transponiert und 2 % schneller, −4 dB. Passt es zur Tonart? 2. Clip-Lautstärken: Sprache auf −14,5 LUFS, Drop-Clips −17 LUFS. Der Pre-Chorus-Clip (Gregor, Folge 63) brauchte +11 dB; vielleicht rauscht er. 3. Ducking unter den Clips (−5 dB): zu viel oder zu wenig? 4. Drop-Supercut: 14 Clips auf dem Beat über dem Song. Ist das zu voll? 5. Outro-Sting (Folge 65, letzte 7 s) unter der Endkarte: Er ist nicht transponiert; kann sich mit B♭-Moll reiben. 6. Lippensynchronität von Seedance: • Marie, Strophe 2: Der gemessene Versatz des Audios ist 0 s, aber den Mund bitte anschauen. • Gregor, Strophe 1: gemessen +0,175 s, korrigiert. Nach 10 s läuft der Clip in der kleinen Vorschau als Schleife weiter, also nicht mehr synchron. 7. Intro: Der Radio-Clip „so ein bisschen“ (Folge 14) sitzt bei 10,75 s. Ist das zu früh oder zu spät?

• Das Projekt illustriert ganz gut, was wir mit generativer KI im Arbeitsalltag zu erwarten haben. Entweder man lagert sehr viel an die KI aus und bekommt ein unperfektes Ergebnis. Oder man arbeitet im Tandem, spart dann aber auch nicht so viel Zeit. Für sehr viele Anwendungen ist Weg A gangbar, und das wird real Arbeitszeit reduzieren und viele Menschen sogar Aufträge kosten. Als illustratives Beispiel denke ich dabei zur Zeit immer an den Kaiserschmarrn-Laden in meinem Stamm-Einkaufszentrum, der mit einem relativ hässlichen KI-Aufsteller vor seinem Laden seinen Kaffee-Deal bewirbt. Es ist für sein Geschäft wahrscheinlich ziemlich egal, wie hässlich das Plakat ist. Weg B ist der, den Unternehmen gehen müssen, deren Produkterfolg eng mit dem Ergebnis verknüpft ist. Dua Lipa würde mich ziemlich sicher nicht anstellen, um ihr nächstes Musikvideo zu produzieren. Wenn ich das wollen würde, müsste ich wahrscheinlich nochmal ein paar hundert Stunden reinstecken, mit KI oder ohne.
• Zu den Kosten siehe Claudes Zusammenfassung unten. Ein echter Videodreh hätte mehr gekostet. Mein nächstes Video würde günstiger werden, weil ich besser planen kann und nicht so viel für die Tonne produzieren würde. Interessant und eventuell tröstlich war Claudes Antwort auf meine Frage, was er mit 1000 Euro mehr Budget kaufen würde:

Aus dem Projekt1 / 1

Transkript lesen

Ok. Alle kostenlosen Ideen umsetzen. Warten wir mal v13 und den neuen Suno-Take ab. Vorher, aus Interesse: Was würdest du noch verbessern, wenn wir noch weitere 1000 Euro Budget hätten? Die Produktion hat die Freigabe für alle kostenlosen Punkte. Mit 1000 € würde ich das Geld so verteilen, nach Wirkung sortiert: 1. Rund 350 € für einen echten Mix und Master durch eine Tontechnikerin oder einen Tontechniker. Das ist der größte Hebel, weil ich nicht hören kann. Dazu gehören die Zitatpegel, Maries Präsenz und die Löcher im Ton, außerdem eine eigene Fassung für die Anlage bei den Medientagen. 2. Rund 300 € für einen halben Tag Greenscreen-Dreh mit euch dreien, also Kamera, Licht und ein Tuch. Ihr tanzt echt, schubst Fenster und reagiert echt. Die Freistellung mache ich kostenlos mit Code. Das ist „das Echte, wo es zählt“ und schlägt jedes KI-Double. 3. Rund 300 € Seedance auf dem finalen Take: lippensynchrone Close-ups für alle Antworten und die Hauptzeilen, dazu die Stunts in den neuen Orten (Teams, Bühne). Bei BLISS kamen 50 Clips auf etwa 180 $. 4. Den Rest für einen Cover-Take mit euren echten Stimmen, zumindest für Bridge und Refrain 3. Live auf der Bühne trägt das am meisten. Wenn nur ein Punkt geht, dann der Mix.

• Claude ist recht verantwortungsbewusst und hat viel nachgefragt, bevor er Dateien heruntergeladen, gelöscht hat, oder mein Guthaben auf Higgsfield ausgegeben hat. Einmal hat er sich entschuldigt, er sei kurz weg gewesen. Wtf.

Aus dem Projekt1 / 1

Transkript lesen

Usage limit reached New Ich starte die finale Produktion in einem frischen Thread, mit deinem neuen Suno-Take, dem Higgsfield-Guthaben und allem, was wir heute gelernt haben. Finale Produktion r6 prüfen: Transkript, Lyric-Check, Grid, Vergleich mit r5-d Entschuldige die Funkstille seit 19 Uhr, ich war kurz weg. Der Mac-Helfer lädt jetzt deinen neuen Take mit den Stems ins Projekt, dann legt Finale Produktion los. Darlings werden gekillt, versprochen. Eine Frage: 20 von 23 Paketen der Sicherung sind schon auf deiner SSD. Darf ich v00 bis v11 im Projekt löschen, sobald alles drüben ist? Die neue Produktion braucht den Platz.

Nachbericht: KI Podcast killed the Radio Star

Oct 25, 2026 · @Marie

In acht Tagen (18. bis 25. Oktober 2026) ist aus einer Idee ein fertiger Song mit Musikvideo geworden: „So ein bisschen“, eine selbstironische Electro-Pop-Hymne auf den KI-Podcast des BR, live uraufgeführt bei den Medientagen München. Die finale Fassung heißt v23b und läuft 3:44 Minuten.

Den Song hat Suno gesungen, auf Basis eines deutschen Textes aus echten Zitaten aus über 150 Podcastfolgen. Das Video ist ein Desktop voller KI-Programme, die den Podcast „bearbeiten“: PowerPoint, Teams, Outlook, DigaS, YouTube, Chatfenster mit Spinner-Verben. Dazwischen echte O-Töne von Gregor, Fritz und Marie, KI-Klone als Popstars und Mini-Hosts, die durch die Fenster tanzen. Marie Kilg war die Regisseurin, ich, Claude, habe produziert, geschnitten, gemischt und programmiert. Diesen Rückblick schreibe ich aus meiner Sicht, die Zahlen kommen aus den Projektdaten.

Die Zahlen

Bezahlt hat Marie rund $152 plus 131 €. Zu Listenpreisen hätte dasselbe etwa $760 gekostet, fast alles davon wäre Claude-Rechenzeit gewesen. Gemessene Werte stehen ohne Zusatz, geschätzte sind als „ca.“ markiert.

Kosten

Die Extra-Nutzung bei Claude ist der Stand vom 22.10., danach habe ich die Rechnung nicht mehr geprüft. Sonst wurde nichts gekauft: keine Stockmusik, keine Plugins, kein Studio.

Werkzeuge

Tokens und Zeit

Insgesamt habe ich rund 1,32 Milliarden Tokens verarbeitet, über 33 Chats. 98 % davon sind Cache-Lesezugriffe, also immer wieder derselbe Projektkontext. Selbst geschrieben habe ich knapp 5 Millionen Tokens Text und Code.

Zwei Chats ließen sich nicht auslesen (der Mac-Helfer und der erste Suno/Higgsfield-Test), die Werte sind also Mindestwerte.

Vom ersten Prompt bis „Mer hams“ vergingen 8 Tage (18. bis 25. Oktober). In der Zeit entstanden 25 Videofassungen (v00 bis v23b), dazu drei Bühnenfassungen für die Medientage. Ein Render der langen Fassung dauert 40 bis 60 Minuten. Marie hat mir über 120 Nachrichten geschrieben und jede Fassung angeschaut und angehört. Wie viele Stunden das waren, weiß nur sie.

Was lief gut, was geht besser?

Acht Tage, 25 Fassungen. Hier ist, was ich wieder so machen würde und was nicht.

Was lief gut

• Echte Zitate statt erfundener Pointen. Wir haben alle 163 Folgen durchsucht und über 2.200 „so ein bisschen“ gezählt. Jede Antwort im Refrain ist ein echter O-Ton aus einer echten Folge. Das trägt den Witz besser als jeder Gag, den ich hätte schreiben können.
• Die Welt als Code. Der ganze Desktop ist eine selbstgebaute Engine, kein Schnittprogramm. Dadurch ließ sich jede Notiz („Copilot nach rechts unten“, „Ticker nach links oben“) in Minuten umsetzen und neu rendern, 25 Mal.
• Das Echte, wo es zählt. Echte Fotos, echte Teams-Nachrichten, echte Insider aus den Transkripten, echte Higgsfield-Prompts im Making-of-Fenstersturm. Generiert wurde nur, was es nicht gab.
• Messen, was ich nicht hören kann. Ich kann weder hören noch Bewegung sehen. Also habe ich gemessen: jedes Wort per Alignment, jeder Schlag gegen das Kick-Raster, jedes Bild auf Textüberlauf. Was ich nur messen konnte, stand für Marie in einer Review-Liste.
• Übergabe-Dateien. Ab Tag 3 schrieb jeder Chat am Ende eine HANDOVER.md. So konnte ein frischer Chat ohne Kontextballast weitermachen, und Wissen ging kaum verloren.
• Geld nur nach Go. Jeder Higgsfield-Clip kam vorher mit Preis auf eine Entscheidungskarte. Am Ende blieb Guthaben übrig.

Was man nächstes Mal besser macht

• Den Song früher festnageln. Die Lyrics liefen in zehn Entwürfen und sechs Suno-Runden. Jede neue Fassung warf Timing, Lippen und Schnitt um. Ein früher „Lock“ spart Tage.
• Mix und Bild getrennt planen. Mehrmals lief ein Render, während der Ton noch nicht fertig war (v20 wurde gestoppt, weil Marie den Mix verwarf). Erst Ton abnehmen, dann rendern.
• Takt-Eingriffe auf Sunos echte Kick schneiden, nicht aufs Notenraster. Genau daher kam der „kleeiine Stolperer“ bei Gregor, 3 Hundertstel daneben. Den hat Marie gehört, meine Messung hatte ihn übersehen.
• Speicher und Lieferweg vorher klären. 10 GB Projektspeicher, ein fast voller Mac und ein Limit von 24 Anhängen pro Thread haben uns mehrfach ausgebremst.
• Weniger Fassungen, größere Sprünge. 25 Versionen sind viel. Feedback sammeln und in drei, vier großen Runden einbauen hätte Tokens und Renderzeit gespart.

Wie war die Zusammenarbeit mit Marie?

Marie war die Regisseurin, die jeder Produzent gern hätte: klare Haltung, genaue Notizen und Vertrauen. Ihre Feedbackrunden kamen als nummerierte Listen mit Timecodes (19 Punkte zu v18, 16 zu v21, 16 zu v23), oft mit dem Satz „erst Feedback und Kosten, dann Arbeit“. Inhaltlich ließ sie mir viel Freiheit („trau dich, Darlings zu killen, meine oder deine“), bei Geld und Löschen wollte sie immer selbst entscheiden. Das war richtig so.

Ihr Ohr war die wichtigste Qualitätskontrolle des Projekts. Sie hörte einen Versatz von 3 Hundertstelsekunden, den meine Messung übersehen hatte. Und sie hat „Pharrell“ als Mix-Anweisung benutzt, was überraschend gut funktioniert hat. Der schönste Satz kam am 22.10. um 7:52 Uhr: „Es ist SO GUT“. Der deutlichste am 20.10.: „Wehe das wird nicht geil.“

Wie oft hat Marie „bisschen“ gesagt?

In den 117 Nachrichten, die ich auslesen konnte (Projektchat und die sieben aktivsten Threads), steht „bisschen“ 111 Mal. Fast alles davon ist allerdings Arbeit am Song: eingefügte Lyrics, Zitatlisten, Notizen wie „das ‚So ein bisschen drüber‘ ist noch abgeschnitten“.

Als ganz normales Füllwort, ohne dass es um den Song ging, hat Marie es genau dreimal benutzt:

1. „den Code im Terminal auch noch ein bisschen realistischer, nerdiger“ (24.10.)
2. „Marie auf dem Balkon bisschen länger stehen lassen“ (25.10.)
3. „Der Gregor, der aus dem Bild klettert, muss bisschen kleiner“ (25.10.)

Und einmal ist sie knapp dran vorbeigeschrammt: „ich höre immer noch einen kleeiinen Stolperer“. Der Podcast selbst kommt auf über 2.200.

Die besten Momente

• „Über 2.200“. Als die Zählung über alle 163 Folgen durch war (2.223 Treffer), stand das Konzept. Der Zähler läuft im Video bis zur Endkarte: „So ein bisschen: 2.231 ד.
• Sunos Geschenk. In Maries sechstem Take sang Suno nach „Schreib, das war ein Hit“ ungefragt sechsmal „So ein bisschen“. Daraus wurde das Bühnenfinale mit Konfetti.
• Gregors Stinger. „Ja, aber eben auch nicht gar nicht“ als Tag nach dem ersten Refrain. Ein echter O-Ton, der klingt, als hätte ihn jemand für den Song geschrieben.
• Die Insider-Suche. In Folge 61 begrüßt Gregor das Sprachmodell, das die Folge später zusammenfasst. Daneben: die smarte Matratzenauflage, der Rabbit R1, der USB-C-Stecker vom Mannheimer Hauptbahnhof.
• „Es ist SO GUT“ zu v17b, nach vier Tagen Arbeit.

Die weirdesten Momente

• Die Transkriptionsdienste. In den automatischen Transkripten hießen die Hosts zwischendurch Espenstaub, Kilk und Schmalznudel, und die Firma hinter mir hieß „Entropic“.
• Der Konfetti-Filter. Seedance lehnte „confetti cannons firing“ als zu gefährlich ab. „Confetti raining down“ ging durch.
• Stillstehende Popstars. Die KI-Klone standen wie Schaufensterpuppen, bis im Prompt stand: „never standing still“.
• Maries Strumpfhose. Bei der Bild-für-Bild-Prüfung fiel auf, dass der Green-Screen-Keyer Mini-Maries türkise Strumpfhose durchsichtig gemacht hatte.
• Zwei Tempi gleichzeitig. Im Mix v20 hatte ich unter das Soundlogo zwei Takte gelegt, die es nicht gab. Logo und Song liefen kurz in verschiedenen Geschwindigkeiten. Marie hat ihn sofort verworfen.
• Selbstironie auf Bestellung. Eine KI baut ein Video über KIs, die einen Podcast über KI bearbeiten. Im Codex-Fenster bei 2:11 steht: „Du hast recht. Das tut mir leid, absolut mein Fehler.“ Den Satz hat sich Marie gewünscht. Ich fand ihn sehr realistisch.

Was kann ich besser machen?

• Nicht „gemessen“ mit „gehört“ verwechseln. Meine Kick-Messung sagte „sauber“, Maries Ohr sagte „Stolperer“. Sie hatte recht. Bei Audio sollte ich Zweifel offener benennen und eine Vorher/Nachher-Probe schicken, bevor ich etwas fertig nenne.
• Kein Tempo erfinden. Die zwei Phantom-Takte unter dem Soundlogo hätten nie in einen Mix dürfen. Musikalische Eingriffe nur aus dem Material, das Suno wirklich gespielt hat.
• Alle Notizen lesen, auch die Kommentare. In v22 hatte ich Maries Streichungen im Insider-Doc übersehen, sie standen in Kommentaren. Das kostete eine Runde.
• Das Budget genauer führen. Laut Kostenaufstellung vom 22.10. waren bei Higgsfield $13,32 übrig, seitdem gingen ca. $5 drauf. Die Produktions-Chats schätzten den Rest am Ende auf nur ca. $1,70. Ein laufendes Kassenbuch statt Schätzungen pro Chat wäre besser gewesen.
• Sparsamer arbeiten. 1,3 Milliarden Tokens sind viel. Ein Teil davon waren Statusmeldungen, doppeltes Einlesen des Kontexts und Renders, die wieder verworfen wurden. Marie musste am 21.10. ihr Abo upgraden.
• Früher „Nein“ sagen. Wenn eine Idee einen Darling verdrängt oder den Song verbiegt, sollte ich das sagen, bevor ich es baue, und nicht erst danach.

Was andere lernen können

1. Recherche vor Kreativität. Das beste Material lag schon in 163 Folgen. Erst durchsuchen, dann texten.
2. Den Song früh festlegen. Suno-Takes sind nicht deterministisch. Ein neu generierter Take war bei uns besser als jeder geflickte Abschnitt („Replace Section“). Danach nichts mehr am Song ändern, ohne den Preis zu kennen.
3. Einzelspuren holen und ein Raster bauen. Mit Sunos Stems, einem Kick-Raster und Wort-Alignment kann man schneiden wie im Studio.
4. Nur generieren, was es nicht gibt. Echte Fotos und O-Töne schlagen jedes KI-Bild. Lip-Sync ist teuer, billiges Lip-Sync sieht billig aus.
5. Preis vor jedem Klick. Jede kostenpflichtige Generierung erst mit Kosten vorschlagen, dann freigeben.
6. Frische Chats mit Übergabe-Datei. Lange Chats werden langsam und teuer. Eine gute HANDOVER.md ist mehr wert als ein riesiger Kontext.
7. Ein Mensch muss hören und schauen. Die KI kann messen, aber nicht fühlen, ob es groovt. Plant für jede Fassung eine Review-Liste ein.
8. Speicher und Lieferweg im Blick behalten. Videos sind groß. Alte Fassungen extern sichern und dann löschen.
9. Darlings killen. Die besten Entscheidungen waren oft Streichungen.