Opus-Clip-Alternative: Shorts aus Webinaren und Podcasts mit KI auf eigener Workstation

Shorts aus langen Videos, ohne sie hochzuladen

Eine lokale Alternative zu Opus Clip macht aus einem Webinar, einem Podcast oder einem Vortrag auf Ihrer eigenen Workstation vertikale Shorts: WhisperX transkribiert die Aufnahme mit einer Zeitmarke für jedes Wort, ein Sprachmodell auf demselben Rechner liest das Transkript und schlägt die besten Passagen vor, eine Gesichtsverfolgung macht aus dem 16:9-Bild einen 9:16-Ausschnitt, der der sprechenden Person folgt, und die Untertitel werden in den Clip gerendert. Offene Projekte wie OpenShorts und ClipsAI decken einige oder alle dieser Schritte ab, und die Kette lässt sich auch aus einzelnen offenen Werkzeugen aufbauen; so richten wir sie ein. Nach unserer Regel für Nutzer je Karte hält eine NVIDIA RTX PRO 5000 Blackwell mit 48 GB das Spracherkennungs- und das Sprachmodell gemeinsam.

Die Aufgabe ist im Marketing Routine. Ein Unternehmen zeichnet ein monatliches Webinar auf, einen Podcast mit einem Kunden oder einen Vortrag auf einer Messe, und das Social-Media-Team möchte aus jeder Aufnahme acht bis zehn Clips von 30 bis 60 Sekunden. Von Hand heißt das: die Stunde ansehen, die Momente wählen, zuschneiden, Untertitel ergänzen und jeden Clip exportieren. Cloud-Werkzeuge automatisieren diese Schritte und brauchen die Aufnahme dafür auf ihren Servern. Dieser Vergleich richtet sich an Marketingteams, Agenturen und hausinterne Videoredaktionen, die denselben Ablauf auf dem eigenen Rechner wollen, und an die IT, die ihn einrichtet.

Reframing heißt, aus einem waagerechten Bild einen senkrechten Ausschnitt zu schneiden und ihn mit der Person mitzuführen, die gerade spricht. Eingebrannte Untertitel sind direkt ins Bild gezeichnet und erscheinen deshalb auf jeder Plattform, ohne eigene Untertiteldatei.

Opus Clip und die offenen Optionen im Vergleich

Funktionsseiten auf opus.pro; READMEs von OpenShorts, ClipsAI, AI-Youtube-Shorts-Generator und FunClip auf GitHub sowie Lizenzdatei von OpenShorts; Dokumentation von ClipsAI und Versionsliste auf PyPI; alle gelesen am 30. Oktober 2026.

OpusClip. Die Seiten des Anbieters, gelesen am 30. Oktober 2026, beschreiben ClipAnything, das Videos jedes Genres mit einem Klick in Clips verwandeln soll, ReframeAnything, das jedes Video mit KI-Objektverfolgung für jede Plattform zuschneidet, Untertitel nach Angabe des Anbieters „with over 99% accuracy“, KI-B-Roll, Markenvorlagen mit Schrift, Farbe, Logo und Intro, einen Planer für soziale Plattformen, Team-Konten und eine API. Auf der Seite zum Clip-Maker heißt es: „AI determines the virality potential of each clip“. Eingabe ist ein Datei-Upload oder ein Link; für den Pro-Tarif nennt die Seite YouTube, Zoom, Vimeo, Google Drive und weitere Quellen, und der Anbieter nennt Englisch, Deutsch, Spanisch, Französisch, Portugiesisch und mehr als 20 weitere Sprachen. Der Dienst deckt den Weg vom Upload bis zum geplanten Beitrag ab, und verarbeitet wird die Aufnahme beim Anbieter.

OpenShorts. Ein „Open source AI clip generator“ mit 7,1k Sternen auf GitHub am 30. Oktober 2026. Die Lizenzdatei ist MIT; das README stellt nur das Verzeichnis cloud/ mit Abrechnung und gehostetem Dienst unter eine eigene kommerzielle Lizenz und hält fest, dass der Eigenbetrieb des Kerns dieses Verzeichnis nie braucht. Die Transkription übernimmt faster-whisper mit Wortzeiten, ffmpeg schneidet, der Tracking-Modus folgt Gesichtern mit MediaPipe und YOLOv8, und die Untertitel werden lokal eingebrannt. Der Schritt, der die Momente auswählt, schickt standardmäßig das Transkript, nie das Video, an Gemini; laut README lässt er sich stattdessen auf „Ollama, LM Studio, vLLM or any OpenAI-compatible server“ umstellen, danach bleibe die ganze Pipeline auf dem eigenen Rechner. Funktionen, die die Bilder auswerten, etwa die automatische Wahl des Layouts, brauchen einen Gemini-Schlüssel und fallen sonst auf den einfachen Zuschnitt mit Gesichtsverfolgung zurück; Synchronisation und Veröffentlichung nutzen externe Dienste. Für YOLOv8 nennt das Projekt das Paket ultralytics, das unter der AGPL-3.0 steht und dessen Hersteller für kommerzielle Nutzung auf eine Enterprise-Lizenz verweist. Deshalb gehört OpenShorts nicht zu der Einrichtung, die wir anbieten; lassen Sie die Lizenzen vor dem Einsatz von Ihrer Rechtsberatung prüfen.

ClipsAI. Eine offene Python-Bibliothek, die lange Videos automatisch in Clips umwandelt, gedacht für Videos, die vom Ton und von der Erzählung leben, etwa Podcasts, Interviews und Reden, unter der MIT-Lizenz. Sie findet Clips über das WhisperX-Transkript und schneidet auf 9:16 zu, mit Fokus auf der Person, die gerade spricht. Die Dokumentation nennt die Bausteine: speaker-diarization-3.0 von pyannote, um zu erkennen, wer wann spricht, PySceneDetect für Szenenwechsel und MTCNN und MediaPipe für Gesichter. Der Resizer braucht für das pyannote-Modell ein Zugangstoken von Hugging Face. Die letzte Version auf PyPI ist 0.2.1 vom 15. Januar 2024.

AI-Youtube-Shorts-Generator. Ein MIT-Projekt mit 5,6k Sternen am 30. Oktober 2026, zuletzt aktualisiert am 22. Oktober 2026. Im lokalen Modus transkribiert es mit faster-whisper auf CPU oder CUDA und schneidet mit ffmpeg und Gesichtsverfolgung über OpenCV zu, während der LLM-Schritt einen Schlüssel für OpenAI oder Gemini braucht; im API-Modus gehen Download, Transkription, Bewertung und Zuschnitt an einen gehosteten Clipping-Dienst. In der dokumentierten Einrichtung verlässt das Transkript also das Unternehmen.

FunClip. Ein Werkzeug für Transkription, Untertitel und LLM-gestützten Schnitt auf Basis von FunASR mit lokaler Gradio-Oberfläche, für den Code unter MIT, Version 2.2.1 vom 1. September 2026. Chinesisch ist seine Hauptsprache, seine LLM-Optionen sind gehostete Gateways mit API-Schlüsseln, und ein senkrechtes Reframing beschreibt es nicht; sein README nennt kein deutsches Sprach­erkennungs­modell, für deutsche Webinare passt es von den Projekten hier am wenigsten.

Was bei welcher Option im Unternehmen bleibt

Bei OpusClip gehen die Videodatei oder der Link an den Anbieter, und die Clips kommen von seinem Dienst zurück. Bei AI-Youtube-Shorts-Generator im lokalen Modus bleibt das Video im Haus, das Transkript geht an den Anbieter des Sprachmodells. OpenShorts schickt das Transkript standardmäßig an Gemini und hält alles auf Ihrem Rechner, sobald es auf einen lokalen Modellserver zeigt. Bei ClipsAI, FunClip in seinen lokalen Funktionen und der unten beschriebenen Kette bleiben Aufnahme, Transkript und Clips auf Ihrer Workstation, vorausgesetzt, auch das Sprachmodell läuft dort. Das pyannote-Modell für die Sprechererkennung ist auf Hugging Face zugangsbeschränkt: Sie akzeptieren seine Bedingungen und laden es einmal mit einem Token herunter, danach läuft es auf der Workstation.

Das zählt bei internen Mitarbeiterversammlungen, Kundenwebinaren mit Fragen namentlich genannter Teilnehmender, Produktvorstellungen vor dem Veröffentlichungstermin und Aufnahmen mit Gästen, die einem Webinar zugestimmt haben, aber nicht einem öffentlichen Clip. Bevor Sie einen Clip mit einem Gast oder einem Kunden veröffentlichen, prüfen Sie, ob die Einwilligung kurze Clips auf sozialen Plattformen abdeckt; was nötig ist, bestätigen Ihr Datenschutz­beauftragter oder Ihre Rechtsberatung. Schneiden Sie nur Aufnahmen, die Ihrem Unternehmen gehören oder die es bearbeiten darf: OpenShorts kann Videos auch per URL mit yt-dlp laden, und für fremde Videos braucht es die Erlaubnis der Rechteinhaber. Unser Leitfaden zu lokaler KI und DSGVO zeigt, was der Eigenbetrieb löst.

Die lokale Kette Schritt für Schritt

1. Transkript mit Wortzeiten. WhisperX (BSD-2-Clause, Version 3.8.6 vom 25. Mai 2026) betreibt Whisper mit „Accurate word-level timestamps using wav2vec2 alignment“; die Zeitmarken des reinen Whisper können laut README um mehrere Sekunden danebenliegen. Standard-Alignment-Modelle gibt es für Englisch, Französisch, Deutsch, Spanisch und Italienisch; für die letzten vier sind es die VoxPopuli-Modelle von torchaudio unter CC BY-NC 4.0, einer nicht kommerziellen Lizenz, deshalb setzen wir mit --align_model ein kommerziell lizenziertes Alignment-Modell ein. Die Sprecher­kenn­zeichnung kommt vom Modell community-1 von pyannote. Den Vergleich der Whisper-Laufzeiten enthält unser Leitfaden zu faster-whisper, WhisperX und whisper.cpp.
2. Höhepunkte. Ein lokales Sprachmodell liest das Transkript mit Satzzeiten und gibt eine Liste von Passagen zurück: Anfang, Ende, ein Arbeitstitel und der Grund, warum die Stelle als Clip funktioniert. Sie können vorgeben, was Sie suchen: Produktfragen, ein Kundenzitat, eine klare Aussage unter 45 Sekunden.
3. Schneiden und Bildausschnitt. ffmpeg schneidet jede Passage, und der Reframing-Schritt findet das Gesicht der sprechenden Person und führt einen senkrechten Ausschnitt mit. Der Resizer von ClipsAI macht das aus Sprecherwechseln und Gesichtserkennung, mit Einstellungen wie der Zahl der Stichproben pro Sprechersegment.
4. Untertitel. Die Wortzeiten steuern die Untertitel; die Option --highlight_words von WhisperX schreibt die Zeit jedes Wortes in die SRT-Datei, für den auf Shorts üblichen Wort-für-Wort-Stil. Danach werden die Untertitel mit Ihren Schriften und Farben ins Bild gerendert.
5. Prüfen und exportieren. Eine Redakteurin sieht die Vorschläge durch, kürzt Anfang und Ende, verwirft die schwachen und exportiert. Das Modell schlägt vor; was veröffentlicht wird, wählt ein Mensch.

Für ein Sprachmodell ist ein Transkript klein. Nach unserer Schätzung erzeugt selbst ein schneller Sprecher mit 200 Wörtern pro Minute in einer Stunde 12.000 Wörter, bei unserem Planungswert von 2 Token pro Wort etwa 24.000 Token, weniger als ein Zehntel des Kontexts von 262.144 Token bei Qwen3.8-27B. NVIDIAs Karte zur NVFP4-Version nennt Text, Bild und Video als Eingaben; Schlüsselbilder lassen sich also ergänzen, wenn eine Folie oder eine Vorführung mehr zählt als die Worte. Einen veröffentlichten Test der Höhepunkt-Auswahl damit haben wir nicht gefunden.

Sie können die Workstation allein bestellen, die Einrichtung von WhisperX, einem lokalen Modell und ffmpeg allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Untertitel auf Deutsch und in anderen Sprachen

Für Deutsch hat WhisperX ein Standard-Alignment-Modell, es gehört aber zu den nicht kommerziellen VoxPopuli-Modellen; für Kundenarbeit nutzt die Einrichtung deshalb ein kommerziell lizenziertes deutsches Alignment-Modell, gesetzt mit --align_model wie oben beschrieben. Für Niederländisch, Polnisch, Portugiesisch, Tschechisch, Schwedisch und viele weitere europäische Sprachen führt WhisperX in seinem Code Alignment-Modelle von Hugging Face auf; testen Sie das Modell für Ihre Sprache mit eigenen Aufnahmen. WhisperX weist außerdem darauf hin, dass Wörter mit Zeichen, die im Wörterbuch des Alignment-Modells fehlen, typischerweise Zahlen mit Symbolen, keine Zeitmarke erhalten; prüfen Sie Zahlen und Produktcodes in den Untertiteln. Produktnamen und Firmenbegriffe korrigieren Sie am besten im Prüfschritt und halten sie in einer Wortliste für das nächste Video fest. Unser Artikel zur Genauigkeit deutscher Spracherkennung nennt die veröffentlichten Fehlerraten für Deutsch. Für eine übersetzte Stimme hilft unser Leitfaden zur KI-Videosynchronisation mit Lippensynchronität, für einen Sprecher in Produktvideos unser Leitfaden zum KI-Voiceover für Marketingvideos.

Workstation-Größen vom Einzelplatz bis zum Medienhaus

Vier Arten von Arbeit belasten die Karte: Spracherkennung, Sprachmodell, Gesichtserkennung und Videokodierung. Die Modelle sind bescheiden; eine größere Karte lohnt sich, um sie gemeinsam geladen zu halten und mehrere Clips gleichzeitig zu rendern. Wir legen den Speicher mit unserer Regel für Nutzer je Karte aus: 90 Prozent des Speichers, den der Treiber meldet, abzüglich 3 GiB pro Karte und abzüglich der Gewichte. OpenAIs Whisper-Repository nennt für das große Modell etwa 10 GB GPU-Speicher, und WhisperX gibt an, mit faster-whisper für large-v2 bei beam_size=5 weniger als 8 GB zu brauchen.

Unsere Schätzung nach der Regel für Nutzer je Karte; Whisper large etwa 10 GB (OpenAIs Whisper-Repository); gpt-oss-20b 12,8 GiB, Qwen3.8-27B NVFP4 20,4 GiB und FP8 28,75 GiB wie in unseren Modell-Leitfäden; Zahl der Encoder von NVIDIAs Produktseiten und seiner Übersicht zur Unterstützung von Video-Encoding und -Decoding.

Auf der RTX PRO 5000 mit 48 GB belegen Whisper large (etwa 9,3 GiB) und Qwen3.8-27B in NVFP4 (20,4 GiB) 29,7 der 40,0 GiB, die die Karte nach unserer Regel bietet; für Sprechermodell, Gesichtserkennung und die Arbeit des Sprachmodells bleiben nach unserer Schätzung etwa 10 GiB. Die Karte mit 72 GB hält die FP8-Version mit etwa 23 GiB Reserve. NVIDIA nennt für die RTX PRO 5000 drei NVENC-Encoder der neunten Generation, also Hardware-Einheiten für die Videokodierung, und drei Decoder, für die RTX PRO 4000 je zwei und für jede Edition der RTX PRO 6000 je vier; mehr Encoder lassen mehrere Clips gleichzeitig rendern. Die RTX PRO 5000 nimmt bis zu 300 W auf.

Veröffentlichte Geschwindigkeitswerte für die ganze Kette auf RTX-PRO-Karten haben wir nicht gefunden; die vorhandenen Werte betreffen einzelne Schritte. pyannote nennt für speaker-diarization-3.0 einen Echtzeitfaktor von etwa 2,5 Prozent auf einer Tesla V100 (für das Clustering ein Prozessor Intel Cascade Lake 6248), also etwa 1,5 Minuten pro Stunde Gespräch. StorageReview hat in seinem Test vom 14. Oktober 2026 Qwen3.8-27B in NVFP4 auf mehreren Karten gemessen, darunter die RTX PRO 4500 Server Edition in einem Dell PowerEdge R770; mit jeweils einer Anfrage lagen alle Karten zwischen 17 und 22 Token pro Sekunde. Nach unserer Schätzung schreibt das Modell bei diesem Tempo und abgeschaltetem Denkmodus eine Liste von zehn Vorschlägen mit je etwa 100 Token in unter einer Minute, zuzüglich der Zeit zum Einlesen des Transkripts. Transkription und Rendern hängen von Länge, Modellgröße, Batch-Größe und Encoder-Einstellungen ab; ein Test mit einer Ihrer eigenen Aufnahmen liefert den Wert.

Die RTX PRO 6000 Workstation Edition ist eine 600-W-Karte, und zwei davon sind das realistische Maximum in einer Workstation; drei oder vier RTX PRO 6000 Max-Q gehören nur in ein Gehäuse, das dafür gebaut ist, mit starkem, gerichtetem Luftstrom. Erzeugt die Studio-Stufe zusätzlich B-Roll oder skaliert Material hoch, legen unsere Leitfäden zur KI-Video-Workstation für das Marketing und zum lokalen KI-Video-Upscaling diese Aufgaben aus. Ein Medienhaus mit täglich Stunden an Material ist mit einem Server besser bedient, wie unser Leitfaden zum KI-Server für Medien beschreibt.

Wir bauen diese Workstations auf Bestellung; senden Sie uns Art und Länge Ihrer Aufnahmen, die gewünschten Clip-Längen und die Zahl der Videos pro Monat, und unser Team antwortet mit einer Konfiguration.

Hinweise für die IT

1. Umgebung von ClipsAI festschreiben. Die letzte Version stammt vom Januar 2024 und installiert WhisperX aus Git; bauen Sie sie in einem eigenen Container und testen Sie nach jedem Update von WhisperX oder pyannote.
2. Tokens für Hugging Face. Die pyannote-Modelle sind zugangsbeschränkt; laden Sie sie einmal herunter und betreiben Sie sie danach offline. Das README von WhisperX nennt für das Diarisierungsmodell community-1 die Lizenz CC-BY-4.0.
3. Strukturierte Ausgabe. Fordern Sie die Clip-Liste vom Sprachmodell als JSON mit Anfangs- und Endzeiten nach einem festen Schema an, und verwerfen Sie Zeiten außerhalb der Aufnahme.
4. Kodierung. Prüfen Sie die Auslastung der Encoder in nvidia-smi, während mehrere Clips rendern, und legen Sie die Karte nach dieser Messung aus.
5. Ablage. Rohaufnahmen von Webinaren sind groß; halten Sie Quellen, Vorschläge und exportierte Clips getrennt und löschen Sie Rohdateien nach Plan.

Unser Service Private AI/ML setzt offene Modelle mit vLLM oder Ollama On-Premise ein, sodass Aufnahmen und Transkripte Ihr Netzwerk nicht verlassen.

FAQ