OpenMontage: Ein agentisches Open-Source-System für die Videoproduktion

Hintergrund und Problemdefinition

Die meisten KI-Videowerkzeuge machen aus einem Prompt genau einen Clip. Ein fertiges Video braucht aber Recherche, ein Skript, einen Szenenplan, Medien, Schnitt und Rendering. Jeder Schritt verlangt Entscheidungen, die sonst ein Cutter trifft. Vor OpenMontage mussten Teams diese Schritte von Hand verbinden oder einen einzigen Generierungsaufruf nutzen und das Ergebnis hinnehmen, wie es kam.

Das Projekt setzt an zwei Lücken an. Die erste liegt im Prozess. Videoarbeit folgt einer Reihenfolge, und ein übersprungener Schritt, etwa die Recherche, zeigt sich erst spät als dünne Fakten oder flache Struktur. Die zweite Lücke betrifft Kosten und Herkunft. Viele als kostenlos beworbene Lösungen lassen nur Standbilder laufen, während bezahlte Videogenerierung jeden Clip einzeln abrechnet und wenig Transparenz bietet. OpenMontage will beide Lücken in einem System schließen, das innerhalb eines Coding-Assistenten läuft, den Entwickler ohnehin nutzen.

Zum Zeitpunkt dieser Analyse hat das Repository 62.899 Sterne auf GitHub. Das belegt Interesse, aber nicht, dass die Pipelines Ergebnisse in Sendequalität liefern. Dieser Artikel stützt sich zuerst auf die Dokumentation des Repositorys, also das README, und kennzeichnet klar, was nicht ausgeführt wurde.

Architektur und technische Grundlagen

Die wichtigste Designentscheidung ist, dass es keinen eigenständigen Code-Orchestrator gibt. Laut README übernimmt der Coding-Assistent selbst diese Rolle. Der Kontrollfluss sieht so aus: Der Agent liest ein YAML-Manifest, das Stufen, Werkzeuge, Prüfkriterien und Erfolgsbedingungen festlegt. Danach liest er die Markdown-Regieanweisung der aktuellen Stufe, ruft Python-Werkzeuge auf, prüft seine Arbeit selbst und schreibt einen Checkpoint. Die Pipeline-Reihenfolge lautet research, proposal, script, scene_plan, assets, edit, compose. Die Tabelle im README nennt elf Pipelines, darunter Animated Explainer, Cinematic, Documentary Montage und Talking Head. Die Projektbeschreibung spricht von zwölf. Der Unterschied ist klein, aber aufmerksame Leser werden ihn bemerken. Das Wissen ist in drei Schichten gegliedert. Die erste Schicht, tools/ und pipeline_defs/, beschreibt, was existiert. Die zweite, skills/, beschreibt, wie OpenMontage ein Werkzeug verwendet sehen möchte. Die dritte, .agents/skills/, enthält externe Wissenspakete zu einzelnen Technologien. Jedes Werkzeug nennt die Pakete der dritten Schicht, von denen es abhängt. Fachwissen bleibt so in editierbarem Text und nicht in fest verdrahteten Codepfaden.

Den technisch dichtesten Teil bildet die Anbieterwahl. Jeder Aufruf für Video, Sprache oder Musik läuft durch einen Bewerter mit sieben gewichteten Dimensionen: Aufgabenpassung mit 30 Prozent, Ausgabequalität 20, Steuerungsmöglichkeiten 15, Zuverlässigkeit 15, Kosteneffizienz 10, Latenz 5 und Kontinuität 5 Prozent. Der Gewinner, seine Punktzahl und die verworfenen Alternativen landen im Entscheidungsprotokoll. Die Steuerung steckt im Code, nicht im Prompt. Der Checkpoint-Schreiber verweigert den Abschluss einer Freigabestufe ohne gespeicherte Freigabe. Die Prüfung vor dem Komponieren stoppt das Rendering, wenn das Lieferversprechen verletzt ist. Die Prüfung nach dem Rendern führt ffprobe aus, extrahiert Bilder an vier Positionen, analysiert Tonpegel und kontrolliert Untertitel. Scheitert sie, wird das Video nicht präsentiert.

Praktische Bewertung und Anwendungen

Der aussagekräftigste Test ist der kostenlose Weg. Laut README stellt `make setup` Piper für Offline-Sprachausgabe bereit, Archive.org, NASA und Wikimedia Commons für offene Aufnahmen, Pexels, Unsplash und Pixabay für Stockmaterial, Remotion und HyperFrames für die Komposition sowie FFmpeg für die Kodierung. Die Pipeline für Dokumentarmontagen baut aus diesen Quellen einen mit CLIP durchsuchbaren Bestand und schneidet echte Bewegtbilder zu einer Zeitleiste. Damit wird der verbreitete Einwand entkräftet, kostenlose KI-Videos seien nur bewegte Diashows. Auch das Budget ist praxisnah angelegt. Die Standardobergrenze liegt bei 10 US-Dollar, die Freigabeschwelle pro Aktion bei 0,50 Dollar, und es gibt drei Modi: beobachten, warnen und begrenzen. Jeder kostenpflichtige Aufruf durchläuft Schätzung, Reservierung und Abrechnung. Die Beispiele im README liegen zwischen etwa 0,15 und etwa 3 Dollar, was zu den Größenordnungen passt, die Entwickler erwarten. Einige Grenzen sind zu beachten. Erstens liegt das kreative Urteil beim Sprachmodell. Der Code erzwingt Freigaben, kann aber nicht beurteilen, ob ein Skript gut ist. Zweitens hängt der Weg mit echten Aufnahmen von externen Archiven und der Qualität ihrer Metadaten ab. Drittens kündigt das README die Unterstützung lokaler Modelle über Ollama und LM Studio nur als „demnächst verfügbar“ an, weshalb derzeit ein Cloud-Modell nötig ist. Viertens deckt das Budget nach Angaben des README die Anbieteraufrufe ab. Die gelesenen Unterlagen zeigen nicht, ob der Token-Verbrauch des Assistenten auf die Obergrenze angerechnet wird. Dieser Punkt ist unbestätigt.

Für ein Team liegt der sinnvolle Einsatz in einem Erstentwurf mit klaren Freigaben. Die Gates für Vorschlag und Skript halten die Kontrolle, und das gerenderte Ergebnis ist Material für die Nachbearbeitung, kein fertiges Produkt. Das Testziel des Repositorys, make test-contracts, läuft ohne API-Schlüssel. Diese Analyse hat es nicht ausgeführt, der Teststatus ist daher unbestätigt.

Branchenwirkung und Ausblick

OpenMontage zeigt ein Muster, das über Video hinausreicht. Das Modell bleibt Planer, und die Verlässlichkeit wandert in Dateien, Schemata und Checkpoints, die ein Mensch lesen kann. Das Muster passt zu allen Bereichen, in denen ein einziger Generierungsaufruf nicht reicht, etwa Datenberichte, Schulungsmaterial oder Produktdokumentation. Für den Videomarkt wirkt es zuerst auf den Erstentwurf. Ein kleines Team kann ohne Studio eine glaubwürdige Erklärung oder einen dokumentarisch wirkenden Schnitt herstellen. Das senkt die Kosten, eine Idee zu prüfen. Zugleich gewinnt die Prüfung an Gewicht, weil der einfache Teil billig wird und das Urteil teuer bleibt. Das größte Risiko ist Übervertrauen. Eine Pipeline, die eine saubere Checkliste ausgibt, kann schwache Inhalte fertig aussehen lassen. Die Antwort des Projekts ist die Selbstprüfung nach dem Rendern, doch sie misst technische Qualität, nicht Wahrheit oder Geschmack. Fakten und Rechte müssen Zuschauer und Veröffentlicher weiterhin prüfen. Die Lizenzierung von Archivmaterial und Musik bleibt Sache der Nutzer.

Die Zukunft hängt von drei Nachweisen ab, die das Repository erbringen muss. Lokale Modelle müssen die gesamte Pipeline tragen. Tests müssen zeigen, dass die Gates echte Fehler in echten Projekten abfangen. Und es braucht eine klare Kostenaufstellung, die Modell-Token einschließt. Gelingt das, kann OpenMontage zu einer Standardbasis für agentengesteuerte Produktion werden. Gelingt es nicht, bleibt es ein starkes Gerüst für Menschen, die sich mit Video ohnehin auskennen.