Helmut & die
Tausend Euro

Es war gar kein Rap-Projekt.

„Heute kam die Stromrechnung." Drei Seiten lang — und aus dieser einen Tagesschau-Meldung wurde ein Song. Es startete als Schlager-Idee: „ein deutsches Lied über die heutigen Nachrichten". Aus einer Tooling-Recherche wurde ein Genre-Pivot, eine Casting-Runde und schließlich eine ganze Pipeline.

Was hat was gefüttert

Der Sprung vom Schlager zum Deutschrap ist die Achse des ganzen Projekts. Topisch, musikalisch, sprachlich — die Einflüsse hinter jeder Zeile.

Genug erklärt — hör den Pivot selbst. Drei Fassungen desselben Songs, ein Abspielkopf.

Vom Newsticker zum Musikvideo

Idee, Pivot und Figur standen — jetzt der Fließband-Teil. Jeder Schritt aus Claude Code gesteuert, Atlas Cloud als primäres Modell-Gateway, fal.ai für Lip-Sync.

21 Szenen, ein Durchlauf

Das Ergebnis der Pipeline. Jede Kachel = ein echter Frame aus dem generierten Clip, zeitlich an die Lyrics gekoppelt.

Das meiste war Experiment

So glatt war es nicht. Das Konzept-Dokument wurde geschrieben, bevor wir die API angefasst haben — fast jede Annahme stimmte beim ersten Kontakt nicht. Ein Feld-Logbuch:

Drei Modelle durchprobiert. Veo 3.1 driftete (Gesicht wurde humanoid) und kostete real $0.20/s statt der angenommenen $0.03 — abgebrochen. Kling o3 Pro hielt die Figur (16 Clips, 3–4 Takes/Szene) aber teuer. Seedance 2.0 wurde Produktionsmodell: rendert als einziges lesbaren deutschen Text auf CRT-Schirmen, Ausweisen und Rechnungen.

Kling o3 Pro · v1-Batch

Gute Konsistenz, $12.16 für 16 Clips, 3–4 Takes je Szene — verworfen zugunsten Seedance.

Seedance 2.0 · Produktion

Beste deutsche Textwiedergabe, ein Take je Szene, 21 Szenen final.

Kein Atlas-Modell synct automatisch auf einen Audio-Track. Also externe Trials — MuseTalk vs. sync v3 vs. Hedra Character-3 (fal.ai) — plus eigene Audio-Analyse: MFCC-Template, Stimm- und Timbre-Charts, um die Ausrichtung zu verifizieren. Ergebnis: nie produziert. Der finale Cut nutzt Seedances native Rap-Mundbewegung — echter Lip-Sync blieb Experiment.

Echte Sync-Ausgaben aus den Trials — eine zeigt das typische MuseTalk-Problem (Artefakte um Mund & Fell bei stylisierten Gesichtern), die v3-Pass-Closeups halten dagegen brauchbar. Ton an für den Sync-Eindruck:

Die Hook hat eine weibliche Harmonie hinter Helmuts Lead. Damit der Screen nicht Helmut zeigt, der eine fremde Stimme mimt, kam Helga dazu — eine zweite Yeti-Figur (rote Mütze, Cord-Bomber, dasselbe Edelweiß-Medaillon als Kontinuitäts-Anker). Doch sobald zwei Figuren in einer Szene singen, kommen zwei gleichzeitige Lip-Sync-Ziele plus Stimmen-Zuordnung dazu — bei ohnehin ungelöstem Single-Character-Sync zu fehleranfällig.

Helga · die Zweitstimme

Eigene Figur für die Hook-Harmonie. nano-banana, 6 Varianten + Outfit-Tests.

Zwei Figuren, eine Szene

Doppelter Lip-Sync + „wer singt welche Zeile" — instabil ohne sehr kurze Cuts & Detail-Planung.

Entscheidung: Helga vorerst entfernt — gut genug für jetzt, finaler Cut nur mit Helmut. Weg nach vorn: gründlichere Planung & kürzere Cuts — oder schlicht andere Einstellungen, in denen Helmut während der Zweitstimmen-Zeilen gar nicht im Bild ist (Umgebung / B-Roll), womit das Zwei-Figuren-Problem komplett entfällt.

Die Modelle — und unser Urteil

Welches KI-Modell was gemacht hat, was es kostete und warum es gewann oder rausflog. Externe Zahlen Stand Mai 2026; „Urteil" = was in diesem Projekt wirklich passierte.

Quellen & Details: MODELS.md im Repo. Empirische Zahlen (≈2,17×, $12.16, …) aus cost_log.csv.

Was kostet ein KI-Musikvideo?

Das Originalbudget waren $25. Es wurde bewusst angehoben, nachdem wir lernten, dass Seedance ~2,17× Katalograte billt — und dass ein zu kurzer Timeout teurer ist als Geduld.