Jede Stimme, genau die Länge, die du willst

Ein PageToVid-Film ist eine Sprachspur, auf die die Bilder geschnitten werden. Jede Szene dehnt sich auf ihren Anteil an der Erzählung, also ist die Länge entschieden, sobald der Text steht. Zu viele Wörter, und der Film wird zu lang; zu wenige, und er endet zu früh, und kein späterer Schritt kann das ändern.

Deshalb denkt unser Planer nie zuerst in Szenen. Er bekommt ein Wortbudget: wie viele Wörter in die gewünschte Zeit passen, abzüglich Eröffnungs- und Schlusskarte. Alles andere im Film folgt aus dieser Zahl.

Bisher kam das Budget aus einem einzigen Sprechtempo: einem Grundtempo, gemessen an Hunderten echter Renderings und nach Tonfall angepasst, denn eine energische Werbung liest sich schneller als ein ruhiges Tutorial. Im Durchschnitt stimmte es.

Aber niemand schaut einen Durchschnittsfilm. Die Stimmen in unserem Katalog lesen nicht gleich schnell. Manche sind flott, manche lassen sich Zeit, und eine Stimme des einen Sprachanbieters atmet anders als die eines anderen. Mit einem Tempo für alle:

• war eine schnelle Stimme zu früh fertig und ließ die Bilder stehen;
• lief eine langsame Stimme über die gewünschte Länge hinaus;
• änderte die Wahl der Stimme, eigentlich eine Geschmacksfrage, still die Länge des Films.

Uns wurde klar, dass wir die Antwort schon hatten. Jeder Film misst sich selbst, wenn er vertont wird: wie viele Wörter, wie viele Sekunden. Ab heute merkt sich jede Messung auch, welche Stimme gelesen hat. So wird unsere eigene Geschichte zur Kalibrierbank.

Ein kleines Modul liest jetzt die fertigen Filme der letzten vier Monate und lernt einen Faktor pro Stimme: wie viel schneller oder langsamer sie liest, als unsere Tabelle vorhersagt. Der Faktor ist relativ zu allen Stimmen zusammen, das bereits abgestimmte Gesamttempo bleibt also genau, wo es war; gelernt werden nur die Unterschiede zwischen den Stimmen.

Ein paar ungewöhnliche Filme dürfen das Tempo einer Stimme nie kippen, deshalb lernt das System bewusst vorsichtig.

• Eine Stimme mit nur einer Handvoll Filmen weicht kaum vom Standard ab; je mehr Filme sie gelesen hat, desto mehr verdient sie ihr eigenes Tempo.
• Kein Faktor darf sich mehr als 15 Prozent in eine Richtung bewegen, und eine Stimme mit weniger als drei Filmen behält den Standard.
• Sehr kurze Texte bleiben außen vor, ebenso Aufnahmen von einem Ersatz-Sprachdienst, denn beide zeigen nicht das echte Tempo der Stimme.

Die Abfrage an die Datenbank ist winzig, nur der Längeneintrag jedes Films, und damit günstig genug, um zu Beginn jedes Renderings zu laufen statt einmal pro Nacht. Lässt sich die Geschichte nicht lesen, ist der Faktor einfach 1: das Verhalten von gestern.

Ein Faktor hilft nur, wenn jeder Schritt, der über Länge nachdenkt, denselben nutzt. Darum reist das Tempo jetzt mit der Stimme durch die ganze Pipeline: zum Wortbudget des Planers, zur Storyboard-Prüfung, die die Wörter erneut zählt, zur Sicherung, die eine Aufnahme vor der Annahme nachliest, zur Länge von Texten, die du selbst schreibst, und zu den Reglern, die ein KI-Assistent beim Bearbeiten einer Szene sieht.

Das Ergebnis ist bewusst unauffällig. Einen Faktor siehst du nie. Du siehst einen 30-Sekunden-Film, der ungefähr 30 Sekunden dauert, egal welche Stimme du wählst. Die Stimmen kannst du auf der Funktionsseite anhören.

Das ersetzt nicht den Rest unserer Arbeit an der Länge. Nach der Aufnahme wird die Stimme weiterhin gegen deine Vorgabe gemessen, und ein zu langer Text wird weiterhin umgeschrieben. Was sich ändert, ist der erste Entwurf: Er landet näher am Ziel, Reparaturen sind seltener nötig, und dein Film ist schneller fertig.

Außerdem wird die Wahl der Stimme wieder, was sie sein soll: eine Frage des Charakters. Wähle die Stimme, die nach deiner Marke klingt, und lass den Film sich um die Uhr kümmern.