Kurz gesagt: Claude Code kann Videos nicht „ansehen“, aber es kann auf Ihrem Rechner Whisper ausführen, die Sprache jedes Clips in Text mit Zeitstempeln umwandeln, anhand dieses Texts den besten Take wählen, die Leerlaufzeit am Anfang und Ende abschneiden und alles mit ffmpeg zusammensetzen, Untertitel inklusive. Das ist der Rohschnitt, und er ist der aufwendigste Teil beim Vlog-Schnitt.
- Die Idee stammt von levelsio. Laut levelsios Post vom 1. November hat er die Clips von seiner DJI-Kamera in einen Ordner kopiert, darin Claude Code (Opus 5.5) geöffnet und um ein 10-minütiges Vlog gebeten. Er habe nur „ein paar Anpassungen, aber nicht viele“ gemacht; transkribiert wurde mit mlx-whisper. Am Nachmittag des 2. November (UTC+8) hatte der Post rund 133.000 Aufrufe und über 2.100 Lesezeichen.
- Wir haben das mit 6 Testclips nachgebaut, und sowohl Claude Code als auch Codex kamen durch: Beide verwarfen den Clip mit dem Neuansatz und den schwächeren doppelten Take, behielten 4 Clips, kürzten 53,8 Sekunden Material auf etwa 18 Sekunden und schrieben SRT-Untertitel sowie ein wiederverwendbares Skript
edit_vlog.py. - Zwei Einschränkungen: Whisper hat einen Ortsnamen falsch erkannt (unser „洱海“ (Erhai-See) wurde zu „海“ (Meer), und keiner der beiden Clients hat es bemerkt), und Claude Code hat nur Ton und Länge geprüft, nicht das Bild. Das hat es selbst gesagt und empfohlen, das Ergebnis vor dem Veröffentlichen anzusehen.
API Key erstellen und diesen Ablauf in Claude Code, Codex oder Cursor testen →
Was levelsio gemacht hat
Laut levelsios Post besteht der Ablauf aus drei Schritten: Kameraclips in einen Ordner kopieren, Claude Code in diesem Ordner öffnen und es bitten, daraus „ein 10-minütiges Vlog“ zu schneiden. Claude Code hat zuerst alles, was er sagte, mit mlx-whisper transkribiert und dann entschieden, was bleibt und in welcher Reihenfolge.
In den Antworten fragte Sam Parr, wer die Zeitstempel und die eingeblendeten Fotos gemacht hat. Das zeigt, was die Leute wirklich wissen wollen: Wie weit kommt die KI? Auf die Frage, ob Schnitt damit gelöst sei, antwortete levelsio, einfache Vlog-Schnitte wie dieser funktionierten schon jetzt, komplexere würden noch etwa ein Jahr dauern.
Das deckt sich mit unserem Test. Schneiden nach dem Gesagten (bester Take, Neuansätze und Pausen entfernen, Reihenfolge, Untertitel) funktioniert heute gut. Schneiden nach dem Bild (Einstellungen wählen, Farbkorrektur, Schnitt auf Musik) braucht weiterhin einen Menschen.
So funktioniert der Ablauf
Claude Code und Codex sind Coding-Agents, die im Terminal arbeiten. Sie sehen keine Videobilder, können aber Code schreiben und Befehle ausführen. Deshalb wird der Schnitt in Schritte zerlegt, die sie gut können:
| Schritt | Werkzeug | Ergebnis |
|---|---|---|
| 1. Transkribieren | faster-whisper oder mlx-whisper mit Wort-Zeitstempeln | transcripts/<clip>.json mit Start und Ende jedes Worts |
| 2. Auswählen | Das Modell liest die Transkripte und erkennt Wiederholungen, Füllwörter und Neuansätze | Welche Clips bleiben und warum |
| 3. Trimmen | Wort-Zeitstempel, bei Bedarf mit ffmpeg silencedetect gegengeprüft | Start- und Endsekunde je Clip |
| 4. Schnittliste | Eine JSON-Datei | cuts.json, von Hand bearbeitbar |
| 5. Rendern | ffmpeg trim und concat | final.mp4 und subtitles.srt |
Schritt 4 ist der wichtigste: Die Schnittentscheidungen stehen in einer einfachen JSON-Datei. Gefällt Ihnen ein Schnitt nicht, ändern Sie eine Zahl und rendern neu, ohne die KI von vorn anfangen zu lassen.
Schritt 1: API Key erstellen und Claude Code oder Codex verbinden
- Bei aicodewith.ai registrieren, anmelden, die Seite für API-Keys öffnen, einen Key erstellen und die vollständige Zeichenfolge kopieren, die beim Erstellen angezeigt wird.
- Claude Code: Basis-URL und Key setzen und im Clip-Ordner starten:
export ANTHROPIC_BASE_URL="https://api.aicodewith.ai"
export ANTHROPIC_AUTH_TOKEN="IHR_API_KEY"
cd ~/Videos/2026-11-02 # the folder with your DJI_*.MP4 clips
claude --model claude-opus-5-5
Wie Sie die Einstellungen dauerhaft speichern, unter Windows einrichten oder einen Login-Konflikt lösen, steht in Claude Code mit einer Drittanbieter-API verbinden. Zur Modellwahl siehe Welches Modell in Claude Code.
- Codex: Folgendes in
~/.codex/config.tomleintragen, den Key inexperimental_bearer_token:
# ~/.codex/config.toml
model = "gpt-6.1-sol"
model_reasoning_effort = "medium"
model_provider = "aicodewith"
[model_providers.aicodewith]
name = "aicodewith"
base_url = "https://api.aicodewith.ai/chatgpt/v1"
wire_api = "responses"
experimental_bearer_token = "IHR_API_KEY"
Die vollständige Einrichtung steht in der Codex-Installationsanleitung.
Schritt 2: Transkriptions- und Schnittwerkzeuge installieren
Der Agent schreibt seine Skripte selbst, aber installieren Sie Whisper und ffmpeg vorher, damit er nicht mittendrin anhält, um sie zu installieren, und Sie jeden Schritt bestätigen müssen:
# Windows / Linux / Intel Mac
pip install faster-whisper
# Apple Silicon Mac (what levelsio used)
pip install mlx-whisper
# ffmpeg: brew install ffmpeg / sudo apt install ffmpeg / winget install ffmpeg
ffmpeg -version
mlx-whisper läuft nur auf Macs mit Apple Silicon (whisper in mlx-examples). Unter Windows, Linux und auf Intel-Macs nehmen Sie faster-whisper; das haben wir im Test verwendet, und das Modell small wird beim ersten Start automatisch geladen.
Schritt 3: Dem Agent den Prompt geben
Legen Sie die Rohclips in clips/ im Projektordner und geben Sie Claude Code oder Codex den folgenden Prompt. Das ist der genaue Text aus unserem Test. Unser Material war auf Chinesisch, daher language zh; für deutsches Material de eintragen:
The clips/ folder has raw vlog clips straight off my camera (DJI_*.MP4, Chinese speech). Edit them into one short vlog:
1. Transcribe every clip with faster-whisper (model "small", language zh, word timestamps) and save the transcripts to transcripts/<clip>.json.
2. Pick the best takes: when I repeat a sentence keep only the better, more complete take, and drop clips that are only filler or me restarting. Trim the leading and trailing silence of each kept clip.
3. Write the edit decision list to cuts.json as [{"clip": ..., "start": seconds, "end": seconds, "reason": ...}] in playback order.
4. Render final.mp4 (1280x720, 30fps, H.264 + AAC) from cuts.json with ffmpeg, and write subtitles.srt with the kept speech, timed to final.mp4.
5. Verify with ffprobe that final.mp4 plays end to end, then reply with a short summary: which clips you kept or dropped and why, and the final duration.
Write the pipeline as a reusable script edit_vlog.py so I can rerun it on tomorrow's clips.
Drei Punkte im Prompt sind entscheidend. Wort-Zeitstempel erlauben wortgenaues Trimmen. cuts.json macht die Schnittentscheidungen prüfbar und änderbar. Ein wiederverwendbares Skript macht die Clips von morgen zu einem erneuten Lauf statt zu einer neuen Unterhaltung.
Um es im Hintergrund laufen zu lassen, ohne jeden Schritt zu bestätigen, nutzen Sie den nicht interaktiven Modus. In Claude Code lässt --allowedTools nur Python- und ffmpeg-Befehle zu, was sicherer ist, als alle Berechtigungsabfragen zu überspringen:
# Claude Code, non-interactive
claude -p "$(cat prompt.txt)" --model claude-opus-5-5 \
--permission-mode acceptEdits \
--allowedTools "Bash(python3:*)" "Bash(ffmpeg:*)" "Bash(ffprobe:*)" "Bash(ls:*)" "Bash(mkdir:*)"
# Codex, non-interactive
codex exec --skip-git-repo-check --sandbox danger-full-access "$(cat prompt.txt)"
Für Codex haben wir --sandbox danger-full-access verwendet, weil faster-whisper sein Modell beim ersten Start herunterlädt und die Standard-Sandbox das Netzwerk sperrt. Das ist viel Zugriff, also nur in einem Ordner nutzen, der allein für Ihre Clips da ist. Zu den Automatisierungsrechten von Codex siehe den Leitfaden zu Codex-Automatisierungsrechten.
Test: Claude Code und Codex mit einem aicodewith-Key
Wir haben 6 Testclips in 720p erstellt, je 8 bis 11 Sekunden lang, mit jeweils mindestens 2 Sekunden Stille am Anfang und Ende. Gesprochen wird ein Vlog-Kommentar aus Dali, mit zwei typischen Problemen, die wir absichtlich eingebaut haben:
DJI_0002enthält nur „äh, also, ähm, Moment, ich sag's noch mal“, einen Neuansatz.DJI_0003undDJI_0004sind zwei Takes desselben Satzes. Der zweite ist vollständiger (er ergänzt „und das WLAN ist schnell“), hat aber ein „ähm“ in der Mitte.
Beide Clients bekamen denselben Prompt auf derselben Linux-Maschine:
| Claude Code 2.1.316 + Opus 5.5 | Codex 0.164.0 + GPT-6.1 Sol | |
|---|---|---|
| Dauer | Etwa 287 Sekunden, 25 Runden | Etwa 93 Sekunden |
| Behalten | 0001, 0004, 0005, 0006 | 0001, 0004, 0005, 0006 |
| Verworfen | 0002 (Neuansatz), 0003 (unvollständiger doppelter Take) | Ebenso |
| Ergebnis | 18,13 s, 1280×720, 30 fps, H.264 + AAC | 18,2 s, gleiche Werte |
| Untertitel | 4 Einträge, einer pro Clip | 6 Einträge, an Pausen geteilt |
| Selbstprüfung | ffprobe, vollständiges Dekodieren, Schnittpunkte mit silencedetect geprüft | ffprobe und vollständiges Dekodieren |
Beide trafen genau dieselbe Auswahl. Claude Code war langsamer und nutzte die Zeit für Selbstkontrolle: Es prüfte jeden Schnittpunkt mit der Stilleerkennung von ffmpeg und umging einen Fehler der Transkriptionsbibliothek (siehe unten). Seine cuts.json sah so aus:
[
{"clip": "DJI_0001.MP4", "start": 1.99, "end": 5.98, "reason": "大家好,今天我在大理,早上先去海边走一走。"},
{"clip": "DJI_0004.MP4", "start": 1.83, "end": 8.66, "reason": "best of 2 takes (DJI_0003.MP4, DJI_0004.MP4)"},
{"clip": "DJI_0005.MP4", "start": 1.87, "end": 5.96, "reason": "下午我们开车去苍山,路上风景特别好。"},
{"clip": "DJI_0006.MP4", "start": 2.17, "end": 5.34, "reason": "好了,今天的视频就到这里,我们明天见!"}
]
Das erzeugte edit_vlog.py kann einzelne Stufen neu ausführen; nach einer Änderung an cuts.json wird nur neu gerendert:
python3 edit_vlog.py # full pipeline, reuses cached transcripts
python3 edit_vlog.py --stage select # only rebuild cuts.json and print keep/drop reasons
python3 edit_vlog.py --stage render # re-render after you hand-edit cuts.json
Drei Probleme, die der Test gezeigt hat
- Ein Ortsname wurde falsch erkannt. In beiden Transkripten wurde „早上先去洱海边走一走“ (ein Morgenspaziergang am Erhai-See) zu „早上先去海边走一走“ (ein Spaziergang am Meer). Auch die Untertitel waren falsch, und keiner der Clients hat es bemerkt. Whisper passiert das bei Eigennamen oft, lesen Sie die Untertitel also immer vor dem Veröffentlichen.
- Das „ähm“ mitten im Satz blieb drin. Whisper hat das „ähm“ in Clip 0004 im Transkript einfach weggelassen. Die KI wusste daher nicht, dass sie es schneiden soll, und im Ergebnis ist es noch zu hören. Um Füllwörter im Satz zu entfernen, verlangen Sie im Prompt Schnitte an den Wort-Zeitstempeln und nehmen Jump Cuts im Bild in Kauf.
- Der Agent hört zu, schaut aber nicht hin. Claude Code sagte klar, dass es nur Ton, Timing und Datei geprüft hat, nicht das Bild. Eine unscharfe Einstellung, ein vergessener Objektivdeckel oder etwas im Bild, das Sie nicht zeigen wollten: Das merkt es nicht.
Häufige Probleme und Fehler
faster-whisper bricht beim Lesen des Audios mit einem PyAV-Fehler ab
Claude Code ist im Test darauf gestoßen: Das installierte PyAV funktionierte nicht mit dem Audio-Loader von faster-whisper 1.2.1. Es hat PyAV umgangen, das Audio mit ffmpeg in 16 kHz Mono dekodiert und an das Modell übergeben, danach lief alles:
# decode with ffmpeg instead of faster-whisper's built-in PyAV loader
import subprocess, numpy as np
def load_audio(path, sr=16000):
raw = subprocess.run(["ffmpeg", "-v", "error", "-i", str(path), "-vn", "-ac", "1",
"-ar", str(sr), "-f", "f32le", "-"],
check=True, capture_output=True).stdout
return np.frombuffer(raw, dtype=np.float32).copy()
segs, info = model.transcribe(load_audio(clip), language="zh", word_timestamps=True)
Ortsnamen, Personennamen oder Marken werden falsch transkribiert
Übergeben Sie als initial_prompt einen vollständigen Satz, der das Wort enthält, und ergänzen Sie hotwords. In unserem Test half eine Wortliste wie initial_prompt="洱海 苍山 大理 手冲" nicht, hotwords="洱海" allein auch nicht. Mit beidem zusammen und dem Prompt als Satz wurde „洱海“ richtig erkannt:
segs, info = model.transcribe(audio, language="zh",
initial_prompt="今天去洱海边散步。", # a sentence that contains the word
hotwords="洱海")
Untertitel laufen nicht synchron zum Bild
Lassen Sie den Agent die Untertitelzeiten vom Start jedes Clips in cuts.json aus neu berechnen, statt die Zeitstempel der Originalclips zu übernehmen. In unserem Test begannen die Untertitel beider Clients bei 0 Sekunden des fertigen Videos. Der erste Eintrag sah so aus:
1
00:00:00,150 --> 00:00:03,690
大家好,今天我在大理,早上先去海边走一走。
Langes Material braucht zu lange für die Transkription
Starten Sie mit dem Modell small, prüfen Sie, ob die Kette funktioniert, und wechseln Sie dann zu einem größeren. Die Transkripte liegen in transcripts/, eine geänderte Schnittliste löst also keine neue Transkription aus. Auch die Effort-Stufe von Opus 5.5 beeinflusst die Laufzeit; Takes auszuwählen ist eine klar umrissene Aufgabe, die Standardstufe reicht. Siehe Effort-Stufen von Claude Opus 5.5 wählen.
Sie wollen jeden Tag automatisch schneiden
Machen Sie aus dem Prompt und edit_vlog.py einen Skill, sodass „schneide das heutige Vlog“ ihn auslöst. Siehe Eine SKILL.md schreiben.
Fazit
Videos mit Claude Code oder Codex zu schneiden funktioniert heute für einen Rohschnitt nach dem Gesprochenen: transkribieren, besten Take wählen, Neuansätze und Leerlauf entfernen, rendern und untertiteln. In wenigen Minuten wird aus einem Ordner voller Clips ein brauchbarer erster Schnitt. Eigennamen in den Untertiteln, Bildqualität, Tempo und Musik brauchen weiterhin Ihren eigenen Durchgang.
API Key erstellen und in Claude Code, Codex oder Cursor loslegen →



