PLAN.md: Konkreter Produktionsablauf fuer Geld-&-Imperien-Stil, 5-GPU-Parallelisierung, v1.5 Pipeline
This commit is contained in:
root
parent
03b0290336
commit
faafb9938e
1 changed files with 207 additions and 32 deletions
239
ki-video/PLAN.md
239
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)
|
||||
│
|
||||
2. Skript-Erstellung → Qwen 14B (ki-tower)
|
||||
│
|
||||
3. Bildgenerierung → FLUX.1-dev (ki-tower)
|
||||
│
|
||||
4. Voiceover → Piper TTS (CPU, ki-tower)
|
||||
│
|
||||
5. Compositing → FFmpeg + Ken-Burns (CPU, ki-tower)
|
||||
│
|
||||
6. Encoding → FFmpeg + NVENC (ki-tower)
|
||||
│
|
||||
7. Export → fertiges MP4 fuer YouTube
|
||||
PHASE 1 — SKRIPT (ki-tower, seriell, ~10-15 Min)
|
||||
══════════════════════════════════════════════════
|
||||
Thema + Recherche-Notizen (manuell)
|
||||
│
|
||||
▼
|
||||
Qwen 14B (vLLM, :8401) → Skript (~4000 Woerter, 20 Min Lesezeit)
|
||||
│
|
||||
▼
|
||||
Qwen 14B → Szenenplan: 100 Szenen mit je:
|
||||
- Bildprompt (EN, fuer FLUX/SDXL)
|
||||
- Szenentyp (hero / standard / infografik / karte)
|
||||
- Text-Overlay (falls noetig)
|
||||
- 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)
|
||||
├── XTTS v2 auf 3080-Worker (bessere Stimme, Batch)
|
||||
├── SadTalker Avatar auf 3080-Worker
|
||||
├── Python-Orchestrator (automatische Verkettung)
|
||||
PHASE 6 — v2 Features (nach stabiler v1.5-Produktion)
|
||||
├── SadTalker Avatar auf 3080-Worker (optional pro Video)
|
||||
├── Automatische Thumbnail-Generierung (FLUX hero + Text-Overlay)
|
||||
├── 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)
|
||||
|
|
|
|||
Loading…
Add table
Reference in a new issue