AI Video Editing

KI-Videobearbeitung bezeichnet den Einsatz von maschinellem Lernen, um das Schneiden, Anordnen und Bearbeiten von Videoaufnahmen zu automatisieren oder zu unterstützen. Modelle transkribieren Dialoge, finden Schnittgrenzen, verfolgen Motive durch eine Szene, trennen sie vom Hintergrund und erzeugen Ersatzpixel. Aufgaben, die früher stundenlange Bild-für-Bild-Arbeit erforderten – etwa Untertitel für ein Interview zu erstellen oder ein Landschaftsvideo für ein Smartphone-Display neu zuzuschneiden – dauern dadurch nur noch Minuten. Der Begriff umfasst sowohl unterstützende Funktionen in herkömmlicher Bearbeitungssoftware als auch vollautomatische Werkzeuge, die aus Rohaufnahmen fertige Clips erstellen.

Was KI bei der Videobearbeitung übernimmt#

Videobearbeitungsprogramme wie Adobe Premiere Pro und DaVinci Resolve sowie der transkriptbasierte Editor Descript bieten viele dieser Funktionen bereits:

• Bearbeitung per Spracherkennung: Ein mit der Zeitleiste synchronisiertes Transkript ermöglicht es, einen Satz im Text zu löschen und damit das entsprechende Videomaterial zu entfernen.
• Untertitel: Aus demselben Transkript entsteht ein Untertitelentwurf, den Bearbeitende auf korrekten Wortlaut, Sprecherzuordnung und Timing prüfen.
• Szenenerkennung: Modelle erkennen Schnitte in einer langen Aufnahme oder einer bereits bearbeiteten Datei und unterteilen sie in einzelne Einstellungen.
• Automatische Bildausschnittanpassung: Die Verfolgung hält das Hauptmotiv bei Bewegungen innerhalb eines Hochkant- oder quadratischen Ausschnitts. So entstehen aus einem einzigen Breitbildmaster Versionen für soziale Plattformen.
• Maskierung und Objektentfernung: Die Segmentierung isoliert eine Person oder ein Objekt, damit Farben unabhängig angepasst oder das Motiv entfernt werden können. Bildinpainting füllt die Lücke von Bild zu Bild konsistent auf.
• Höhepunkte anhand der Aktionserkennung: Modelle erkennen Tore, Dunks und andere wichtige Spielzüge. Sportübertragende können damit innerhalb weniger Minuten nach dem Ereignis Höhepunkt-Zusammenschnitte erstellen.
• Zeitlupe mit Bildinterpolation: Modelle erzeugen Zwischenbilder, sodass sich mit normaler Geschwindigkeit aufgenommenes Material flüssig verlangsamen lässt.
• Audiobereinigung: Sprachverbesserungsmodelle entfernen Hintergrundgeräusche und Raumhall aus Dialogen, die unter nicht idealen Bedingungen aufgenommen wurden.
• Schwärzung zum Datenschutz: Gesichter, Personen oder Nummernschilder werden erkannt und unkenntlich gemacht, bevor das Material geteilt wird.

Die Bildverarbeitungsmodelle hinter diesen Funktionen#

Die meisten visuellen Bearbeitungsfunktionen verknüpfen drei Aufgaben der Bildverarbeitung. Die Objekterkennung findet jedes Motiv in einem Bild und zeichnet einen Begrenzungsrahmen darum. Die Objektverfolgung verknüpft diese Erkennungen über mehrere Bilder hinweg mit stabilen IDs. Dadurch bleibt etwa ein neuer Bildausschnitt oder eine Unschärfe beim selben Motiv, während es durch die Szene geht. Wenn ein Effekt den genauen Umriss eines Motivs benötigt, liefert die Instanzsegmentierung für jedes Objekt eine Maske auf Pixelebene. Alle drei sind Modelle zum Verstehen von Videos, die Aufnahmen beschreiben, ohne sie zu verändern. Eine Bearbeitungsfunktion führt sie zuerst aus, um zu entscheiden, was geändert werden soll.

Generative Modelle übernehmen den Rest. Inpainting-Modelle entfernen unerwünschte Objekte, und Modelle zur Videogenerierung gestalten eine Aufnahme um, verlängern sie um einige Sekunden oder erzeugen nie aufgenommenes Material. Automatisierte Bearbeitungen scheitern an vorhersehbaren Stellen: bei schnellen Bewegungen und Bewegungsunschärfe, wenn Motive einander kreuzen, an Szenenschnitten, an denen eine Spur enden sollte, sowie bei kleinen oder teilweise sichtbaren Motiven. Da dieselben Techniken verändern können, was eine Aufnahme zu zeigen scheint, erzeugen sie auch Deepfakes. Herausgeber können Content Credentials hinzufügen, die dokumentieren, mit welchen Werkzeugen eine Datei bearbeitet wurde.

Automatisierte Schwärzung#

Schwärzung ist eine der einfachsten automatisierbaren Bearbeitungen für Teams, die Aufnahmen von Veranstaltungen, Straßen oder Arbeitsplätzen veröffentlichen. Die Lösung zur Objektunschärfe von Ultralytics führt auf jedem Bild einen YOLO26-Detektor mit Objektverfolgung aus und verwischt alle Begrenzungsrahmen der ausgewählten Klassen. Klasse 0 im COCO-vortrainierten Modell ist „Person“:

import cv2
from ultralytics import solutions

cap = cv2.VideoCapture("https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov")
w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
writer = cv2.VideoWriter("blurred.mp4", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Personen (COCO-Klasse 0) mit YOLO26 erkennen und alle Begrenzungsrahmen in jedem Bild verwischen
blurrer = solutions.ObjectBlurrer(model="yolo26n.pt", classes=[0])
while cap.isOpened():
    success, frame = cap.read()
    if not success:
        break
    results = blurrer(frame)
    writer.write(results.plot_im)

cap.release()
writer.release()

Die Ausgabe blurred.mp4 zeigt alle erkannten Personen unkenntlich gemacht und zur Überprüfung mit beschrifteten Begrenzungsrahmen umrandet. blur_ratio (standardmäßig 0.5) legt die Stärke der Unschärfe fest. OpenCV schreibt nur Videobilder. Der Originalton muss daher in einem Schnittprogramm oder mit FFmpeg wieder hinzugefügt werden. Personen, die am Bildrand abgeschnitten oder aus ungewöhnlichen Winkeln zu sehen sind, werden am ehesten übersehen. Jedes Bild mit einer übersehenen Person lässt diese in der Ausgabe ungeschwärzt.