PLAN.md: Konkreter Produktionsablauf fuer Geld-&-Imperien-Stil, 5-GPU-Parallelisierung, v1.5 Pipeline

ki-video/PLAN.md

@@ -8,31 +8,163 @@ Kein Spielzeug-Demo, kein Forschungsprojekt: Thema rein → fertiges Video raus.
 
 ## Videoformat
 
+Referenz-Stil: **"Geld & Imperien"** (YouTube, geopolitischer Commentary-Kanal)
+Beispielvideo: https://youtu.be/4XfhrrbklbM (24 Min, "Irans Hyperschall-Schlag")
+
 | Eigenschaft | Beschreibung |
 |---|---|
 | **Typ** | Commentary, Erklaervideos, Meinungs-/Analyseformate |
-| **Stil** | Sprecherstimme + Bilder + leichte Bewegung + Einblendungen |
+| **Laenge** | 10-30 Minuten |
+| **Stil** | Professionelle Erzaehlstimme + Bilder + Karten + Infografiken + Text-Overlays + Ken-Burns |
+| **Kein** | Face-Cam, Schnitte auf Person, Realfilm |
 | **Optional** | Sprechender Avatar (SadTalker) — erst ab v2 |
-| **Nicht** | Realfilm, Hollywood-VFX, aufwendige 3D-Animation |
 
-## Pipeline
+### Anatomie eines 20-Min-Videos (Referenz)
+
+| Element | Menge | Beschreibung |
+|---|---|---|
+| **Skript** | ~3500-5000 Woerter | Monolog, professioneller Ton, analytisch |
+| **Szenenbilder** | 80-120 Stueck | Karten, Infografiken, Symbolbilder, Illustrationen |
+| **Hero-Bilder** | 10-15 Stueck | Hochwertige Key-Visuals fuer Titelszenen/Kapitelwechsel |
+| **Text-Overlays** | 20-40 Stueck | Zahlen, Namen, Fakten als Einblendung |
+| **Voiceover** | 20 Min Audio | Natuerliche deutsche Maennerstimme |
+| **Hintergrundmusik** | 1-2 Tracks | Ambient, dezent, lizenzfrei |
+| **Uebergaenge** | ~80-120 | Ken-Burns, Ueberblendungen, Zoom-Ins |
+
+## Produktions-Pipeline (5 GPUs parallel)
+
+Kernidee: **Phase 1 ist seriell (Skript), Phase 2 nutzt alle 5 GPUs parallel, Phase 3 ist Assembly.**
+Das macht aus 3-4 Stunden seriellem Rendern ca. 40-60 Minuten Gesamtzeit.
 
 ```
-1. Themenfindung / Recherche (manuell)
+PHASE 1 — SKRIPT (ki-tower, seriell, ~10-15 Min)
-   │
+══════════════════════════════════════════════════
-2. Skript-Erstellung → Qwen 14B (ki-tower)
+Thema + Recherche-Notizen (manuell)
-   │
+  │
-3. Bildgenerierung → FLUX.1-dev (ki-tower)
+  ▼
-   │
+Qwen 14B (vLLM, :8401) → Skript (~4000 Woerter, 20 Min Lesezeit)
-4. Voiceover → Piper TTS (CPU, ki-tower)
+  │
-   │
+  ▼
-5. Compositing → FFmpeg + Ken-Burns (CPU, ki-tower)
+Qwen 14B → Szenenplan: 100 Szenen mit je:
-   │
+             - Bildprompt (EN, fuer FLUX/SDXL)
-6. Encoding → FFmpeg + NVENC (ki-tower)
+             - Szenentyp (hero / standard / infografik / karte)
-   │
+             - Text-Overlay (falls noetig)
-7. Export → fertiges MP4 fuer YouTube
+             - Geschaetzte Dauer (Sekunden)
+  │
+  ▼
+Skript + Szenenplan als JSON → Orchestrator
+
+PHASE 2 — PARALLEL-PRODUKTION (alle 5 GPUs, ~30-40 Min)
+══════════════════════════════════════════════════════════
+
+  ┌──────────────────────────────────────────────────────────────────┐
+  │                    ORCHESTRATOR (ki-tower CPU)                    │
+  │         Verteilt Jobs, pollt Status, sammelt Ergebnisse          │
+  └──────┬──────────┬──────────┬──────────┬──────────┬───────────────┘
+         │          │          │          │          │
+         ▼          ▼          ▼          ▼          ▼
+  ┌──────────┐┌──────────┐┌──────────┐┌──────────┐┌──────────┐
+  │ 3090     ││ 3080 #0  ││ 3080 #1  ││ 3080 #2  ││ 3080 #3  │
+  │ ki-tower ││ Worker   ││ Worker   ││ Worker   ││ Worker   │
+  │          ││          ││          ││          ││          │
+  │ FLUX.1   ││ SDXL     ││ SDXL     ││ XTTS v2  ││ ESRGAN   │
+  │ Hero-    ││ Standard-││ Standard-││ Voiceover ││ Upscale  │
+  │ Bilder   ││ Szenen   ││ Szenen   ││ 20 Min   ││ + Whisper│
+  │ 15 Stk   ││ ~45 Stk  ││ ~45 Stk  ││ Audio    ││ Untertit.│
+  │ ~15 Min  ││ ~20 Min  ││ ~20 Min  ││ ~15 Min  ││ ~10 Min  │
+  └──────────┘└──────────┘└──────────┘└──────────┘└──────────┘
+
+  Alle 5 GPUs arbeiten GLEICHZEITIG. Engpass = Bildgenerierung (~20-25 Min).
+
+PHASE 3 — ASSEMBLY + EXPORT (ki-tower, seriell, ~15-20 Min)
+════════════════════════════════════════════════════════════
+  │
+  ▼
+FFmpeg: Bilder + Ken-Burns + Zoom + Ueberblendungen
+  │
+  ▼
+FFmpeg: Audio-Mix (Voiceover + Hintergrundmusik + Lautstaerke-Normalisierung)
+  │
+  ▼
+FFmpeg: Text-Overlays (Fakten, Zahlen, Namen) einbrennen
+  │
+  ▼
+FFmpeg: Untertitel (SRT aus Whisper) einbetten
+  │
+  ▼
+NVENC: H.264/H.265 Encoding → fertiges MP4 (1080p/4K)
+  │
+  ▼
+Export: Thumbnail (FLUX hero-Bild, upscaled) + Titel + Description + Tags
 ```
 
+### Zeitschaetzung: 20-Minuten-Video im "Geld & Imperien"-Stil
+
+| Phase | Dauer | GPUs aktiv | Engpass |
+|---|---|---|---|
+| 1. Skript + Szenenplan | ~15 Min | 1 (3090) | LLM-Inferenz |
+| 2. Parallel-Produktion | ~25 Min | 5 (alle) | Bildgenerierung |
+| 3. Assembly + Export | ~15 Min | 1 (3090 NVENC) | FFmpeg Compositing |
+| **Gesamt** | **~55 Min** | | |
+
+Zum Vergleich: Seriell auf nur 1 GPU = ~3-4 Stunden.
+Mit 5 GPUs parallel: **unter 1 Stunde fuer ein 20-Min-Video.**
+
+### GPU-Auslastung waehrend Phase 2
+
+| GPU | Aufgabe | VRAM | Dauer | Output |
+|---|---|---|---|---|
+| **3090** (ki-tower) | FLUX.1-dev Hero-Bilder | ~12 GB | ~15 Min | 15 hochwertige Key-Visuals (1024x1024) |
+| **3080 #0** | SDXL Standard-Szenen | ~7 GB | ~20 Min | ~45 Szenenbilder (1024x1024) |
+| **3080 #1** | SDXL Standard-Szenen | ~7 GB | ~20 Min | ~45 Szenenbilder (1024x1024) |
+| **3080 #2** | XTTS v2 Voiceover | ~4 GB | ~15 Min | 20 Min deutsches Voiceover |
+| **3080 #3** | Real-ESRGAN + Whisper | ~3 GB | ~10 Min | Upscaled Bilder + SRT-Untertitel |
+
+Nach Abschluss der Hauptaufgabe uebernehmen freie GPUs Restarbeiten:
+- 3080 #2 (fertig mit TTS) → hilft bei restlichen SDXL-Bildern
+- 3080 #3 (fertig mit Upscale) → generiert Thumbnail-Varianten
+
+## Konkretes Beispiel: "Irans Hyperschall-Schlag" (24 Min)
+
+So wuerde ein Video im Stil von "Geld & Imperien" durch die Pipeline laufen:
+
+```
+INPUT:
+  Thema: "Irans neue Hyperschallrakete — geopolitische und wirtschaftliche Folgen"
+  Recherche: 3-4 Quellenlinks, eigene Stichpunkte
+
+PHASE 1 — Qwen 14B generiert:
+  ├── Skript: ~4500 Woerter, 24 Min Lesezeit
+  │   "Was ich euch heute zeige, veraendert die Welt..."
+  │   Kapitel: Waffentechnik → Strategie → Oel → Europa → Fazit
+  │
+  └── Szenenplan (JSON): 105 Szenen
+      Szene 001: { typ: "hero",   prompt: "dramatic missile launch, night sky, photorealistic",
+                   overlay: "Mach 15 — Irans Hyperschallwaffe", dauer: 8s }
+      Szene 002: { typ: "karte",  prompt: "middle east map, iran highlighted, military bases marked",
+                   overlay: null, dauer: 12s }
+      Szene 003: { typ: "standard", prompt: "patriot missile defense system, desert, realistic photo",
+                   overlay: "Patriot-System: $3 Mio pro Abfangrakete", dauer: 10s }
+      ...
+      Szene 105: { typ: "hero",   prompt: "world map with shifting power balance, dramatic lighting",
+                   overlay: "Die neue Weltordnung", dauer: 15s }
+
+PHASE 2 — 5 GPUs parallel (25 Min):
+  3090:    15 Hero-Bilder (FLUX.1-dev, beste Qualitaet) → Titel, Kapitelwechsel, Outro
+  3080 #0: 45 Standardbilder (SDXL) → Militaer, Politik, Wirtschaft
+  3080 #1: 45 Standardbilder (SDXL) → Karten, Infografiken, Symbolbilder
+  3080 #2: 24 Min Voiceover (XTTS v2) → deutsche Maennerstimme, professioneller Ton
+  3080 #3: Upscaling aller Bilder auf 1920x1080 + Untertitel-SRT aus Voiceover
+
+PHASE 3 — Assembly (15 Min):
+  FFmpeg: 105 Szenen × Ken-Burns/Zoom + Voiceover + Ambient-Musik + Overlays
+  Output: "irans-hyperschall-2026-03.mp4" (1080p, H.265, ~1.5 GB)
+  Bonus:  Thumbnail (Hero-Bild #1, upscaled, mit Titel-Text)
+          YouTube-Description + Tags (aus Skript-Metadaten)
+```
+
+Gesamtzeit: **~55 Minuten** fuer ein 24-Minuten-Video. Fertig zum Hochladen.
+
 ## Hardware
 
 ### ki-tower — Hauptmaschine (Muldenstein, geplant)
@@ -176,7 +308,11 @@ Schritt 5: Encoding     → NVENC         → ~1 GB VRAM
 ```
 
 Mit Qwen 14B statt 32B: kein VRAM-Flush zwischen Schritt 1 und 2 noetig.
-Geschaetzte Produktionszeit: ~1-2 Stunden pro 10-Min-Video.
+
+Geschaetzte Produktionszeit:
+- v1 (nur ki-tower, seriell): ~2-3 Stunden pro 10-Min-Video
+- v1.5 (5 GPUs parallel): ~55 Min pro 20-Min-Video
+- Langfristig mit Optimierung: ~40 Min pro 20-Min-Video
 
 ## Nicht-Ziele
 
@@ -190,35 +326,71 @@ Geschaetzte Produktionszeit: ~1-2 Stunden pro 10-Min-Video.
 
 ## v1 — Minimal Viable Pipeline (nur ki-tower)
 
-v1 beweist: die Pipeline funktioniert. Kein Rig, kein Avatar, keine Automatisierung.
+v1 beweist: die Pipeline funktioniert auf einer Maschine. Schritte manuell anstossen.
 
 ```
-v1 Pipeline (alles auf ki-tower):
+v1 Pipeline (alles auf ki-tower, seriell):
 
 Thema (manuell)
   │
   ▼
-Qwen 14B → Skript (vLLM, :8401)
+Qwen 14B → Skript + Szenenplan (vLLM, :8401)
   │
   ▼
-FLUX.1-dev → 20-30 Bilder (ComfyUI, :8402)
+FLUX.1-dev → 30-50 Bilder (ComfyUI, :8402)      ← seriell, ~30-45 Min
   │
   ▼
-Piper TTS → Voiceover (CPU, :8504)
+Piper TTS → Voiceover (CPU, :8504)                ← parallel moeglich
   │
   ▼
 FFmpeg → Ken-Burns + Audio + Overlays → fertiges MP4
 ```
 
 Was v1 NICHT hat:
+- Kein 3080 Worker-Rig (alles seriell auf 3090)
 - Keinen Avatar
-- Kein GPU-Worker-Rig
-- Keine automatische Orchestrierung (Schritte manuell anstossen)
-- Keinen YouTube-Upload
 - Keine XTTS v2 (Piper reicht fuer v1)
+- Keine automatische Orchestrierung
+- Geschaetzte Produktionszeit: ~2-3 Stunden pro 10-Min-Video
 
 Erfolgskriterium v1: Ein 10-Minuten-Video komplett lokal produziert.
 
+## v1.5 — 5-GPU-Parallelisierung (ki-tower + 3080-Rig)
+
+v1.5 ist der grosse Sprung: **5 GPUs parallel = 3-4x schneller.**
+
+```
+v1.5 Pipeline (5 GPUs parallel):
+
+Thema (manuell)
+  │
+  ▼
+Qwen 14B → Skript + Szenenplan JSON (ki-tower)
+  │
+  ▼
+Orchestrator verteilt Jobs an alle 5 GPUs gleichzeitig:
+  ├── 3090:    FLUX.1-dev → Hero-Bilder (beste Qualitaet)
+  ├── 3080 #0: SDXL → Standard-Szenen Batch A
+  ├── 3080 #1: SDXL → Standard-Szenen Batch B
+  ├── 3080 #2: XTTS v2 → deutsches Voiceover
+  └── 3080 #3: Real-ESRGAN → Upscaling + Whisper → Untertitel
+  │
+  ▼
+FFmpeg → Assembly (Ken-Burns + Audio + Overlays + Untertitel)
+  │
+  ▼
+NVENC → Export MP4 + Thumbnail + YouTube-Metadaten
+```
+
+Was v1.5 bringt:
+- Produktionszeit: ~55 Min statt ~3 Stunden fuer 20-Min-Video
+- XTTS v2 statt Piper (natuerlichere Stimme)
+- Automatische Untertitel
+- 4K-Upscaling fuer Thumbnails
+- Orchestrator-Script verteilt und sammelt automatisch
+
+Erfolgskriterium v1.5: 20-Min-Video in unter 1 Stunde produziert.
+
 ## v2 — Erweiterungen (nach funktionierender v1)
 
 | Feature | Abhaengigkeit |
@@ -263,16 +435,19 @@ PHASE 4 — Polieren + erstes echtes Video (Woche 6)
 ├── Erstes Video auf YouTube hochladen
 └── Ergebnis: "v1 steht und produziert"
 
-PHASE 5 — 3080-Rig Aufbau (Woche 7-8, parallel moeglich)
+PHASE 5 — 3080-Rig Aufbau + v1.5 (Woche 7-9)
 ├── Debian 12 + NVIDIA-Treiber + CUDA + Docker (selber Stack wie ki-tower)
-├── SDXL-Worker, Whisper-Worker, XTTS-Worker aufsetzen
+├── 4 Worker: SDXL #0, SDXL #1, XTTS v2, ESRGAN/Whisper
 ├── Tailscale + Job-API anbinden
-└── Ergebnis: "4 parallele CUDA-Worker laufen"
+├── Python-Orchestrator: Szenenplan → Jobs verteilen → sammeln
+├── XTTS v2 statt Piper (bessere Stimme)
+└── Ergebnis: "20-Min-Video in unter 1 Stunde, 5 GPUs parallel"
 
-PHASE 6 — v2 Features (nach stabiler Produktion)
+PHASE 6 — v2 Features (nach stabiler v1.5-Produktion)
-├── XTTS v2 auf 3080-Worker (bessere Stimme, Batch)
+├── SadTalker Avatar auf 3080-Worker (optional pro Video)
-├── SadTalker Avatar auf 3080-Worker
+├── Automatische Thumbnail-Generierung (FLUX hero + Text-Overlay)
-├── Python-Orchestrator (automatische Verkettung)
+├── YouTube-Metadaten-Generator (Titel, Description, Tags aus Skript)
+├── Batch-Produktion: mehrere Videos in Queue
 └── Ergebnis: "Semi-automatische Videoproduktion mit Worker-Pool"
 
 PHASE 7 — AMD-Rig Entscheidung (optional, spaeter)