Ein Making-of mit drei KI-Helfern, einem Song, zwei Sprachen und vier Anläufen, Text und Gesang gleichzeitig ins Ziel zu bringen.
Zu allererst: Ja, ich weiß. Ich könnte meine neuen Vorträge „Run Your Business Securely“ auch einfach mit „Hallo, schön, dass ihr da seid“ eröffnen. Könnte. Werde ich aber nicht. Und auch die, die meine Sessions in den letzten Jahren gesehen haben wissen, dass ich gerne mit einem „Song“ starte – das ist aber sooo 90er! 😉
Stattdessen läuft jetzt natürlich die nächste Evolutionsstufe: ein mitreißendes Musikvideo im Stil von TRON, in dem ein Hacker in der Hängematte liegt, während seine Agents die Arbeit machen. Und ehrlich gesagt: Wie könnte ich mich gegen so eine Eröffnung zu wehren!? 😁
tldr> PowerPoint und Kontext an meinen Agent Beethoven → Songtext und Stilvorschlag → Song in Suno → MP3 und PowerPoint an Copilot → TRON-Video, inklusive englischer Version, YouTube-Beschreibung und Tags. Alles lief erstaunlich glatt. Bis auf eine Kleinigkeit: die Synchronisierung von gesungenem und eingeblendetem Text. Die hat uns ordentlich gefordert und war erst gelöst, als ich ein sauberes Transkript mit Sekundenangaben geliefert habe – erstellt mit Clipchamp.
Doch der Reihe nach.
- Akt 1: Beethoven komponiert
- Akt 2: Copilot dreht das Video
- Akt 3: Englisch, please!
- Akt 4: Die Synchronisierung
- Akt 5: „Komm ich jetzt ins Feeernseeehn?“
- Fazit
Akt 1: Beethoven komponiert (und ich lehne mich zurück)
Wer meine Blogserie „Der Zauberl-AI-rling“ kennt, kennt auch Beethoven: meinen Copilot Agent, der aus Präsentationen, Themen oder Dokumenten Songtexte mit klarer Struktur macht und gleich drei Musikstil-Vorschläge für Suno mitliefert. Wer ihn nachbauen will, findet alles hier: st-s.info/beethoven.
Für dieses Video habe ich Beethoven zwei Dinge gegeben:
- Die PowerPoint zur Session – inklusive der Story vom entspannten Angreifer, dessen Agents jeden Morgen um 6 Uhr prüfen, ob es eine neue Lücke gibt (Stichwort PHP2Shell, CVSS 9.2).
- Den Kontext: Wofür ist der Song? Eröffnung einer Partner-Session. Was soll rüberkommen? Security in Maschinengeschwindigkeit, Governance statt Verbot, und bitte mit einem Augenzwinkern über die typischen Vorurteile zu Security.
Heraus kam „Your Agent or Mine?“ – mit Roboter-Intro („Sechs Uhr morgens. Zero Day online. Kaffee noch offline.“), Rap-Strophen, einem Call-and-Response-Teil („Wer schützt Identity?“ – „Entra!“), einer ernsten Bridge und einem Crowd-Finale. Den Text habe ich in Suno gegeben, einen Stil ausgewählt – und plötzlich hatte ich einen Song, bei dem selbst mein Kaffee kurz online gegangen ist.
Lektion 1: Ein Agent mit klar „geframtem“ Kontext schlägt jeden Ad-hoc-Prompt. Beethoven weiß, was er tun soll, und ich muss es ihm nicht jedes Mal neu erklären.
Akt 2: Copilot dreht das Video
Mit MP3 und PowerPoint im Gepäck ging es weiter zu Copilot. Mein Briefing war ungefähr so präzise wie ein Kinotrailer: „Mach ein Video, exakt so lang wie der Song, passend zu Text und Präsentation, im technischen Stil von TRON. Es soll nur so strotzen vor Security und Vorurteilen zu Security, aber die Message transportieren.“
Was dann passierte, fand ich wirklich beeindruckend:
- Die Musik wurde analysiert. Tempo (112 BPM), Takte, Lautstärkeverlauf, Refrain-Wiederholungen. Die Szenenwechsel liegen auf dem Takt, Lichtblitze und das Neon-Gitter pulsieren mit dem Bass.
- Die Bilder aus meinen Folien wurden wiederverwendet – die Hängematte, das Roboter-Wettrennen um 6 Uhr, der Spiegel mit Red, Blue und Green Team – und um sechs neue Neon-Szenen im gleichen Figurenstil ergänzt: Shadow AI, ein Guardrails-Highway, die vier Wächter-Roboter (Entra, Defender, Purview, Intune), Zero-Trust-Tore, der Angreifer bei Nacht und eine Stadt unter einer Schutzkuppel.
- Die Vorurteile bekamen ihren Auftritt: Sieben „MYTHOS“-Stempel wie „Wir sind zu klein für Hacker“ oder „AI verbieten ist am sichersten“ werden durchgestrichen und durch einen FAKT ersetzt.
- Dazu ein HUD wie im Security Operations Center, inklusive einer Uhr, die bei 06:00:00 CET startet und mitläuft.
Kleiner Blick hinter die Kulissen, der mich ehrlich amüsiert hat: Die Arbeitsumgebung ist Copilot beim Rendern mehrfach mitten im Satz „weggebrochen“. Die Lösung war pragmatisch und sehr ingenieurmäßig: Das Video wurde in kleine Stücke von wenigen Sekunden zerlegt, Stück für Stück gerendert und am Ende zusammengesetzt. Wenn eins abbricht, wird eben nur das eine neu gemacht. Ein Prinzip, das ich mir für manches Projekt-Meeting merken sollte.
Das Wackeln
Erstes Feedback von mir: „PHANTASTISCH! Aber manchmal wackeln die Bilder, gerade am Ende.“ Ursache Nummer eins war gewollt (die Hintergründe wurden bei jedem Bass-Schlag ein paar Pixel verschoben – Achtung, Effekt!), Ursache Nummer zwei nicht: Die Kamerafahrten sprangen in ganzen Pixeln. Beides raus, Kamerafahrten stufenlos, Ruhe im Bild.
Lektion 2: Effekte, die in einem Standbild cool aussehen, können in Bewegung schlicht nerven. Immer im Ganzen anschauen.
Akt 3: Englisch, please! (Und die Sache mit der MP3)
Weil die Session auch international laufen soll, gab es den Song noch einmal auf Englisch – Text neu, Suno neu, Video neu. Copilot hat dafür alle Einblendungen übersetzt und die Szenen auf den neuen Song umgelegt.
Und dann kam von mir der Klassiker: „Mein Fehler, die MP3 war am Ende nicht vollständig.“ Also neue Datei, 15 Sekunden länger, und – wie sich herausstellte – nicht einfach nur hinten verlängert, sondern ein anderer Mix. Also alles noch einmal neu timen.
Lektion 3: Erst die finale Audiodatei, dann das Video. Klingt banal. Ist es auch. Habe ich trotzdem anders gemacht.
Akt 4: Die Synchronisierung – oder: Wie viele Versuche braucht es, bis Text und Gesang gleichzeitig ankommen?
Jetzt kommt der Teil, über den man auf Konferenzen eher nicht spricht. Ich schon.
Versuch 1: Nach Gehör, ohne Ohren. Copilot kann einen Song nicht „hören“ wie wir. Was geht: Tempo, Takte, Lautstärke und Frequenzen analysieren und daraus ableiten, wo welcher Teil des Songs beginnt. Für Szenenwechsel funktioniert das gut. Für einzelne Rap-Zeilen eher so mittel. Ergebnis: Der Text war mal etwas zu früh, mal etwas zu spät.
Versuch 2: Die automatische YouTube-Transkription. Klingt erstmal schlau, denn die liefert für jedes Wort einen Zeitstempel. Leider hatte YouTube sich bei Gesang kräftig verhört („Central checks“ statt „Entra checks“, „miner“ statt „mine“). Schlimmer noch: Die Zeitstempel passten nicht zum aktuellen Song. Gegen Ende lagen sie um bis zu zehn Sekunden daneben, vermutlich, weil das Transkript noch vom ersten englischen Upload mit der kürzeren MP3 stammte.
Versuch 3: Ich korrigiere per Ansage. Ich habe Copilot grob mitgeteilt, wo der Text wie weit danebenliegt: „bis 2:05 etwa +1 Sekunde, ab 3:30 etwa –4 Sekunden“. Das wurde prompt umgesetzt – nur leider in die falsche Richtung. Ich hatte beschrieben, wie es ist, Copilot hat verstanden, wohin es soll. Ergebnis: Am Ende noch schiefer. Copilot hat das später auch offen eingeräumt.
Versuch 4: Das richtige Werkzeug. Ich habe den englischen Song in Clipchamp geladen, dort automatische Untertitel erzeugt und die Datei als SRT exportiert – also ein Transkript mit Zeitangaben auf die Millisekunde, genau zu dieser einen, finalen MP3. Und plötzlich ging alles:
- Copilot hat die SRT-Datei mit der YouTube-Transkription verglichen und festgestellt, warum es vorher nicht gepasst hat (siehe Versuch 2).
- Die Wortreihenfolge kam aus der YouTube-Transkription, die Zeitangaben aus der SRT. Das Beste aus beiden Welten.
- Jede einzelne Textzeile – über 140 Stück – erscheint jetzt rund 0,1 bis 0,3 Sekunden vor dem Gesang, so wie man es von Karaoke kennt.
Auch Clipchamp hat sich übrigens bei ein paar Stellen herrlich verhört („New CVS“, „Connected watch space“, „Entry checks where access goes“). Aber das ist egal: Den richtigen Text hatten wir ja. Was wir brauchten, waren die Sekunden.
Lektion 4 (die wichtigste): KI kann vieles erstaunlich gut schätzen. Aber wenn es auf Genauigkeit ankommt, gib ihr die exakten Daten, statt sie raten zu lassen. Ein Transkript mit Zeitstempeln war hier der Unterschied zwischen „fast“ und „passt“.
Lektion 5: Wenn du einer KI Korrekturen gibst, sag eindeutig, ob du den Ist-Zustand beschreibst oder den Soll-Zustand. „Der Text kommt eine Sekunde zu spät“ ist eindeutig. „+1 Sekunde“ ist es nicht.
Akt 5: „Komm ich jetzt ins Feeernseeehn?“ (aka YouTube)
Zum Schluss hat Copilot noch die YouTube-Beschreibung auf Deutsch und Englisch geschrieben, inklusive Kapitelmarken (die sich nach jeder Synchronisierungsrunde brav mitverschoben haben), Titelvorschlägen, Hashtags und einer Tag-Liste unter dem 500-Zeichen-Limit.
Und weil man bei YouTube ein Video nicht ersetzen kann, sondern nur neu hochladen, habe ich jetzt auch noch gelernt, dass „final_v3_wirklich_final.mp4“ nicht nur ein Running Gag ist.
👉 Hier geht’s zum Video: YOUR AGENT OR MINE (English) – YouTube, YOUR AGENT OR MINE (Deutsch)
Fazit: Was ich mitnehme
| Schritt | Werkzeug | Was es gebracht hat |
|---|---|---|
| Idee und Text | Beethoven (Copilot Agent) | Songtext und Stilvorschlag aus PowerPoint und Kontext |
| Musik | Suno | Der Song in Deutsch und Englisch |
| Video | Copilot | Konzept, Bilder, Animation, Übersetzung, Timing, YouTube-Texte |
| Zeitstempel | Clipchamp | Das exakte Transkript, das die Synchronisierung gerettet hat |
Und ganz ehrlich: Das Ganze ist auch eine ziemlich schöne Metapher für das Thema der Session. Agents sind schnell, fleißig und haben keine Müdigkeit, keinen Urlaub und keinen Kaffee. Aber sie brauchen die richtigen Daten und klare Leitplanken. Dann liefern sie.
Oder, wie es im Song heißt:
Nicht AI stoppen. AI führen.
Also: Your agent or mine? 😉
Wer Beethoven nachbauen will: st-s.info/beethoven. Und wer mehr von ihm hören will: st-s.info/playlist.