AI-Video-Pipeline: HeyGen, 11 Labs und Claude Code

Das Rendering war um 3:47 Uhr morgens fertig. Ich weiß es, weil der Lüfter meines Laptops so abrupt herunterfuhr, dass ich davon aufwachte. Verschlafen tappte ich zum Schreibtisch, drückte auf „Play“ der Ausgabedatei und sah mir eine Version von mir selbst an, die ich nie aufgenommen hatte, wie sie eine 9-minütige Lektion hielt, die ich nie gesprochen hatte. Das Lippen-Sync war sauber. Die Gesten wirkten natürlich. Die Stimme war meine – und doch nicht.

Ich war um 23:30 Uhr ins Bett gegangen, nachdem ich ein Skript in Google Drive abgelegt hatte. Während ich schlief, zerlegte Claude Code das Skript in Abschnitte, schickte jeden Abschnitt durch 11 Labs zur Sprachsynthese, übergab das Audio an HeyGen, um einen Avatar zu steuern, der auf 15 Sekunden Webcam-Material von mir trainiert war, automatisierte eine HeyGen-API-Beschränkung mit Playwright und setzte alles in Remotion samt On-Screen-Text zusammen. Gesamtkosten für das fertige 10-Minuten-Video: etwa 50 $. Menschlicher Arbeitsaufwand nach dem Klick auf „Go“: null.

Das ist die KI-Video-Produktionspipeline, die ich in den letzten zwei Monaten still und leise getestet habe. Sie ist kein Spielzeug. Sie überwindet das Uncanny Valley so überzeugend, dass drei Personen, denen ich das Ergebnis zeigte, fragten, wann ich das aufgenommen hätte. Und das Interessante ist nicht der Avatar – sondern dass sich der Engpass in der Videoproduktion dauerhaft verschoben hat.

AI-Video-Pipeline: HeyGen, 11 Labs und Claude Code

In den letzten zwei Jahren erforderte jede Kurslektion, jedes Erklärvideo und jedes Tutorial, das ich veröffentlichte, das gleiche Ritual. Kamera aufbauen. Licht richten. Aufnahme starten. Versprecher. Noch einmal aufnehmen. Das Material an einen Editor übergeben. Drei bis fünf Tage warten. Prüfen. Korrekturen anfordern. Zwei weitere Tage warten. Veröffentlichen.

Das Ergebnis kostete mich rund 300 $ pro fertigem 10-Minuten-Video an Editor-Gebühren, plus etwa vier Stunden meiner eigenen Zeit für Aufnahme und Review-Schleifen. Für einen Kurs mit 40 Lektionen sind das 12.000 $ und ein ganzer Kalendermonat, bevor jemand auf „Einschreiben“ klickt.

Diese Rechnung hat mich dazu gebracht, diese Pipeline ernsthaft zu testen. Ich war nicht auf der Suche nach Neuheiten. Ich suchte nach einer Möglichkeit, Kursvideos in einer Woche statt in einem Quartal zu veröffentlichen, ohne dass die Qualität in den Keller geht. Was ich fand, war seltsamer und nützlicher, als ich erwartet hatte.

Bevor ich dich durch das Setup führe, gibt es eines, das ich vorweg sagen möchte: Diese Pipeline ist für skalierbaren Content gebaut. Kurslektionen. Internes Training. Umgewandelte Blog-zu-Video-Inhalte. Sie ersetzt nicht die Videos, die ich für meinen persönlichen YouTube-Kanal filme – und ich erkläre im Real-Talk-Abschnitt genau, warum das so ist. Das Tool ist weniger entscheidend als zu wissen, wann man es einsetzt.

Die vier Tools und was jedes einzelne tatsächlich macht

Die Pipeline besteht aus vier Komponenten. Jede davon übernimmt eine spezifische Aufgabe, und das Verständnis dieser Arbeitsteilung entscheidet darüber, ob ein Workflow produktiv läuft oder beim ersten stillen Fehler zusammenbricht.

HeyGen übernimmt den visuellen Part. Ihr Avatar-5-Modell – Ende 2025 eingeführt und kontinuierlich bis zum November-2025-Release weiterentwickelt – hat KI-Avatare endgültig über das Uncanny Valley gebracht. Das Modell wurde mit rund 10 Millionen Datenpunkten zu Gesichtsausdrücken trainiert und erstellt einen digitalen Zwilling aus nur 15 Sekunden Webcam-Material. Für mein Setup habe ich etwa 10 GB bestehendes Videomaterial von mir hochgeladen, in dem ich mit unterschiedlichen Energieleveln spreche, weil ich wollte, dass der Avatar nicht nur mein Gesicht, sondern auch meine Gestik übernimmt. Laut HeyGens Avatar V Forschungsseite reproduziert das Modell inzwischen charakteristische Kopfbewegungen, Gestikrhythmus und Mikroexpressionen – was mit meinen Beobachtungen der Ergebnisse übereinstimmt. Ein Haken: Avatar 5 ist auf 3-Minuten-Segmente pro Generierung begrenzt. Diese Einschränkung beeinflusst nahezu jede Architekturentscheidung im weiteren Verlauf.

11 Labs übernimmt die Stimme. Ich habe deren Voice-Cloning-System etwa zwei Stunden sauberes Audiomaterial gefüttert – Podcast-Aufnahmen, Tutorial-Voiceovers, einige kommentierte Screencasts – deutlich mehr als die 30 Minuten Mindestmenge, die in der Dokumentation empfohlen wird, aber im Bereich von über 2 Stunden, den ElevenLabs für Professional Voice Cloning empfiehlt. Die vier entscheidenden Regler sind Geschwindigkeit, Stabilität, Ähnlichkeit und Stilübertreibung. Nach Tests habe ich mich bei Stabilität auf etwa 0,7 und bei Ähnlichkeit auf etwa 0,8 eingependelt – ziemlich genau das, was die Community als Sweet Spot für Präsentationsstimmen ansieht. Der weniger offensichtliche Punkt: Die Stimmqualität nimmt nach etwa einer Minute kontinuierlicher Generierung sichtbar ab. Artefakte schleichen sich ein. Der Sprechrhythmus wird monoton. Deshalb wird jedes Skript vor dem API-Aufruf in 45- bis 60-Sekunden-Blöcke aufgeteilt.

Claude Code ist die Orchestrierungsschicht. Hier entscheidet sich, ob alles funktioniert oder scheitert. Claude Code zieht Skripte aus Google Drive, splittet sie an Satzgrenzen in 45- bis 60-Sekunden-Chunks, schickt jeden Chunk mit meinen Stimm- und Parametereinstellungen an 11 Labs, sammelt die zurückgegebenen Audiodateien, übergibt jede Audiodatei zusammen mit der passenden Avatar-ID an HeyGen, überwacht die Renderjobs, lädt die Ergebnisse herunter und sortiert alles in den richtigen Ordner für die nächste Stufe. Außerdem übernimmt es eine etwas ungewöhnlichere Aufgabe, auf die ich gleich noch eingehe – nämlich die Automatisierung eines Browser-Workarounds mit Playwright, weil HeyGen Avatar 5 noch nicht über die öffentliche API bereitstellt.

Remotion übernimmt das Editing. Das Audio wird transkribiert, Wörter werden mit On-Screen-Text synchronisiert, Clips an den natürlichen Satzgrenzen, an denen sie ursprünglich geteilt wurden, zusammengesetzt und Motion Graphics sowie Untertitel werden hinzugefügt. Wer die tieferen Mechanismen verstehen will, warum Videos-als-React-Komponenten alles an programmatischem Video verändern, findet das in meiner Analyse von wie ich Promo-Videos mit Code statt Editoren baue – dieser Artikel ergänzt sich perfekt mit dem aktuellen.

Das ist der Stack. Vier Tools, jedes macht eine Sache richtig gut, und Claude Code ist das verbindende Element, das daraus eine durchgängige Pipeline macht – statt vier voneinander getrennten SaaS-Produkten.

Im Inneren der Pipeline: Was tatsächlich zwischen 23:30 Uhr und 3:47 Uhr passiert

Hier ist der End-to-End-Ablauf für ein einzelnes Skript. Ich führe ihn von „Mejba legt eine .md-Datei in Drive ab“ bis „eine gerenderte MP4 landet in meinem Ausgabeverzeichnis“ durch.

Schritt 1: Skriptaufnahme. Ich schreibe oder bearbeite ein Unterrichtsskript in einem Google Doc, formatiere es in Markdown und lege es in einem bestimmten Drive-Ordner ab. Dieser Ordner wird von einem Claude Code-Watcher überwacht. Sobald eine neue Datei erscheint, liest Claude sie ein, normalisiert das Format, entfernt Präsentatornotizen und speichert eine bereinigte Version lokal ab.

Schritt 2: Semantisches Chunking. Claude Code teilt das Skript in 45–60 Sekunden lange Abschnitte. Die Teilung erfolgt an Satzgrenzen, wobei Claude gezielt vermeidet, mitten im Gedanken oder Beispiel zu unterbrechen. Ein Chunk, der mit „…hier ist der Grund“ endet und dessen Auflösung erst im nächsten Abschnitt folgt, erzeugt einen hörbaren Bruch. Daher wird der Splitter angewiesen, natürliche Pausenpunkte zu bevorzugen – also das Ende eines Absatzes, das Ende eines nummerierten Schritts oder vor einem Übergangswort wie „aber“ oder „also“. Diese eine Regel macht den Unterschied zwischen einem Video, das sich flüssig anfühlt, und einem, das klingt, als wäre es aus Stichwortkarten zusammengesetzt.

Schritt 3: Sprachsynthese pro Chunk. Jeder Abschnitt geht an 11 Labs mit meiner geklonten Stimme, Stabilität 0,7, Ähnlichkeit 0,8, Geschwindigkeit 1,0, Stilübertreibung niedrig. Die Audiodatei kommt als MP3 zurück. Claude Code misst die Länge jeder Datei – wenn ein Abschnitt mit mehr als 60 Sekunden Audio zurückkommt, wird er zur erneuten Teilung markiert. Diese Catch-and-Retry-Schleife hat mindestens einen vollständigen Render davor bewahrt, unbemerkt auf halber Strecke an Qualität zu verlieren.

Schritt 4: Avatar-Rendering pro Chunk. Jede Audiodatei wird zusammen mit meiner Avatar-ID an HeyGen geschickt. HeyGen erzeugt einen Videoclip, in dem der Avatar genau dieses Audio spricht. Da jeder Abschnitt unter 60 Sekunden bleibt, liegt jeder Clip komfortabel unter dem 3-Minuten-Limit von Avatar 5. Die Renderzeit variiert, aber man sollte mit dem 2- bis 4-fachen der Audiolänge rechnen.

Schritt 5: Der Playwright-Workaround. Das ist der Teil, der sich beim ersten Mal fast kriminell anfühlte. Zum Zeitpunkt des Schreibens setzt die öffentliche API von HeyGen neue Render standardmäßig auf Avatar 4, nicht auf Avatar 5. Avatar 4 ist in Ordnung. Avatar 5 ist derjenige, der das Uncanny Valley überwindet. Deshalb steuert Claude Code ein Playwright-Browserskript, das sich bei HeyGen einloggt, jeden ausstehenden Render öffnet und durchklickt, um ihn vor Abschluss der Generierung auf Avatar 5 hochzustufen. Es ist unschön. Es funktioniert. HeyGen wird das irgendwann über die API ermöglichen – die Release Notes vom November 2025 deuten bereits auf starke Investitionen in Avatar V hin – und dieser Schritt wird dann entfallen. Bis dahin ist Playwright die Brücke.

Schritt 6: Remotion-Stitching. Alle Avatar-Clips landen in einem Ordner. Remotion zieht sie in der richtigen Reihenfolge, transkribiert die Audiospur, platziert Untertitel und Abschnittstitel zum passenden Zeitpunkt auf dem Bildschirm, fügt Übergänge zwischen den Abschnitten ein (winzige 200ms Crossfades an den Satzgrenzen, an denen die Splits stattfanden – man sieht sie buchstäblich nicht) und rendert das finale, zusammengesetzte MP4.

Schritt 7: Auslieferung. Das fertige Video landet im Ausgabeverzeichnis. Claude Code versieht es mit dem Skriptnamen, schreibt eine Zusammenfassung des Renderjobs (Anzahl der Abschnitte, Gesamtlaufzeit, etwaige Wiederholungen) und – falls eingerichtet – sendet eine Slack-Nachricht, dass das Rendern abgeschlossen ist.

Sieben Schritte. Null menschliches Eingreifen zwischen Schritt 1 und 7. Ich starte die Pipeline vor dem Schlafengehen, und zum Frühstück wartet ein fertiges Video.

Die eine Regel, die die gesamte Pipeline rettet

Wenn ich mir selbst vor dem ersten gescheiterten Übernacht-Lauf einen einzigen Tipp geben könnte, wäre es dieser: Die gesamte Qualitätsobergrenze der Pipeline wird davon bestimmt, wie gut du das Skript in Abschnitte gliederst.

Nicht von der Avatar-Qualität. Nicht vom Voice-Modell. Nicht vom Orchestrierungscode. Sondern vom Chunking.

Abschnitte, die mitten im Gedanken abbrechen, erzeugen hörbare Brüche. Abschnitte, die länger als 60 Sekunden sind, ruinieren die Qualität von 11 Labs. Abschnitte, die mit einer Konjunktion beginnen („Aber hier ist das Problem…“), verlieren ihr Kontexttempo und wirken flach. Ich habe einen ganzen Nachmittag damit verbracht, den Chunker-Prompt zu optimieren, bevor ich konsistente Übernacht-Ergebnisse bekam. Die finale Version behandelt den Splitter wie einen Mini-Editor: Er muss Abschnitte erzeugen, die als eigenständige Sätze funktionieren, aber beim nahtlosen Abspielen dennoch zusammenpassen.

Wenn du diese Pipeline baust, plane für den Chunker mehr Zeit ein, als du denkst. Er ist das Element, das „Wow, das ist beeindruckend“ von „Moment, das hast du nicht wirklich gefilmt?“ trennt.

Was es tatsächlich kostet, das zu betreiben

Hier ist die monatliche Rechnung für den Stack, den ich beschrieben habe, basierend auf den aktuellen Preismodellen, die ich nutze:

Für ein fertiges 10-Minuten-Video liegen die Grenzkosten bei etwa $50 – hauptsächlich für HeyGen-API-Zeit. Im Vergleich zu den ~$300, die ich einem freiberuflichen Editor pro Video gezahlt habe, ist das eine Kostenreduktion um den Faktor 6. Über einen Kurs mit 40 Lektionen hinweg macht das den Unterschied zwischen einer Produktionsrechnung von $12.000 und $2.000 aus.

Die subtilere Ersparnis ist Zeit. Früher habe ich etwa 4 Stunden meiner eigenen Zeit pro Video für Dreharbeiten, Review und Überarbeitungszyklen aufgewendet. Jetzt brauche ich etwa 20 Minuten, um das Skript zu schreiben und den Prozess zu starten. Wenn du deine eigene Zeit mit $50/Stunde bewertest, sind das weitere $190, die du pro Video zurückgewinnst. Insgesamt ergibt das eine Ersparnis von über $400 pro fertiger 10-Minuten-Lektion – und die Rechnung für einen ganzen Kurs wird wirklich absurd.

Ein ehrlicher Vorbehalt zu diesen Zahlen: Ich rechne die Einrichtungszeit nicht mit ein. Ich habe wahrscheinlich 15 Stunden damit verbracht, den Orchestrator an zwei Wochenenden zu bauen und zu optimieren. Wenn du das End-to-End zum Laufen bringen willst, solltest du diese Anfangsinvestition einplanen – unabhängig davon, wie schnell die Modelle werden. Die Pipeline ist günstig im Betrieb, aber teuer im Aufbau – genau das Verhältnis, das man sich wünscht.

Klartext: Wo diese Pipeline scheitert und wo sie nicht eingesetzt werden sollte

Ich möchte hier ganz offen über die Grenzen sprechen, denn es gibt zu viele AI-Video-Inhalte online, die so tun, als wäre diese Technologie schon ausgereift. Das ist sie nicht.

Avatar 5 hat immer noch Okklusionsartefakte. Wenn ich mit der Hand vor meinem Gesicht gestikuliere, erzeugt der Avatar manchmal eine subtile Wellenbildung an der Okklusionskante. Das fällt nur auf, wenn man gezielt darauf achtet, aber ein geschultes Auge erkennt es sofort. Für Broadcast-Qualität ist das ein K.-o.-Kriterium. Für Kursinhalte bleibt es für Lernende unsichtbar.

Der Playwright-Workaround ist fragil. Jede Änderung an der HeyGen-Oberfläche bringt die Automatisierung zum Erliegen, und ich musste den Playwright-Flow in zwei Monaten bereits zweimal neu aufzeichnen. Das ist derzeit das größte operative Risiko im Stack und bleibt es, bis HeyGen eine Avatar-5-API veröffentlicht. Wer das heute aufbaut, sollte einplanen, dass das Playwright-Element gelegentlich 30 Minuten Wartung benötigt.

Ich werde das nicht für meinen persönlichen YouTube-Kanal nutzen. Das ist der Punkt, den die meisten Creator übersehen. Mein persönlicher YouTube-Kanal ist ein Beziehungskanal — die Leute schalten ein, weil sie mich kennen, nicht weil sie Informationen brauchen. Ein KI-Avatar würde sich wie ein Vertragsbruch anfühlen, selbst wenn er perfekt aussehen würde. Das eigentliche mentale Modell ist also nicht „KI-Video ersetzt das Filmen“. Es lautet: „KI-Video ermöglicht es dir, die Inhalte zu skalieren, bei denen Präsenz keine Rolle spielt, damit du die gewonnene Zeit in die Inhalte investieren kannst, bei denen Präsenz alles ist.“ Kurslektionen, interne Schulungen, Erklärvideos — Pipeline. Persönlicher Kanal, Kundengespräche, Keynotes — immer noch ich, vor der Kamera, echt.

Der Einwand „KI-Inhalte überschwemmen das Netz“ ist überbewertet. Ja, mehr Menschen können jetzt mehr Videos produzieren. Na und? Als WordPress erschien, konnten auch mehr Menschen mehr Blogposts veröffentlichen, und die guten stachen trotzdem heraus. Qualität setzt sich weiterhin durch. Der Engpass hat sich von der Produktion zur Ideenfindung verschoben, und die Creator mit den besten Ideen werden ein sehr gutes Jahr haben.

Editoren verschwinden nicht — ihre Rolle wandelt sich. Der Editor, dem ich früher 300 $ pro Video gezahlt habe, kann mir jetzt für 100 $ das KI-Ergebnis prüfen und polieren — und schafft fünfmal so viele Videos pro Woche. Diejenigen, die die neue Pipeline verstehen, werden zu KI-Spezialisten in ihrem Bereich. Diejenigen, die sich weigern, damit zu arbeiten, werden es schwer haben. Das ist genau das Muster, das jede kreative Branche durchlaufen hat, die von Automatisierung betroffen war.

Was sich ändert, wenn sich der Engpass verschiebt

Hier liegt die eigentliche Erkenntnis, und sie geht weit über die spezifischen Tools hinaus.

In den letzten zwanzig Jahren wurden die wirtschaftlichen Rahmenbedingungen der Videoproduktion durch die Kosten für Dreharbeiten und Schnitt bestimmt. Ideen waren billig. Die Umsetzung war teuer. Dieses Verhältnis ist der Grund, warum Videoinhalte von Profis und gut finanzierten Kanälen dominiert wurden – der Umsetzungsgraben hielt Amateure fern.

Diese Pipeline kehrt das Verhältnis um. Umsetzung ist jetzt günstig und über Nacht möglich. Ideen sind der Engpass. Die Creator, die im nächsten Zyklus gewinnen, sind diejenigen, die zehnmal mehr Videokonzepte pro Woche generieren, testen und veröffentlichen können als früher, weil die Kosten für einen Irrtum bei einem Konzept gerade eingebrochen sind. Drehen Sie ein 10-minütiges Video auf die herkömmliche Weise, hassen Sie es, und Sie haben 300 $ und eine Woche verbrannt. Generieren Sie es durch die Pipeline, hassen Sie es, und Sie haben 50 $ und sechs Stunden Maschinenzeit verbrannt. Überarbeitung wird realistisch. Iteration wird möglich. Volumen wird zur Strategie.

Wenn Sie Kurse erstellen, interne Teams schulen, Entwicklerweiterbildung anbieten oder wiederholbare Erklärvideos produzieren, lohnt sich diese Pipeline für die zwei Wochenenden des Setups. Wenn Sie ein Creator sind, dessen Publikum für Ihre Präsenz bezahlt – Ihr Gesicht, Ihre Stimme, Ihre Live-Reaktionen – filmen Sie weiter und nutzen Sie diese Pipeline für unterstützende Inhalte, die Sie ohnehin nicht produziert hätten.

Häufig gestellte Fragen

Brauche ich Programmierkenntnisse, um diese Pipeline zu bauen?

Du solltest dich mit Claude Code und grundlegender Skripterstellung wohlfühlen, um die Services miteinander zu verbinden, aber du musst kein Senior Engineer sein. Die meiste Orchestrierung erfolgt prompt-basiert, wobei Claude den Verbindungs-Code schreibt. Für eine detaillierte Anleitung, wie Claude Code Multi-Tool-Orchestrierung handhabt, siehe die Pipeline-Übersicht oben.

Wie viel Sprachmaterial benötigt ElevenLabs wirklich für einen guten Klon?

ElevenLabs empfiehlt mindestens 30 Minuten sauberes Audiomaterial und für das professionelle Voice Cloning 2+ Stunden, laut ihrer offiziellen Dokumentation. Ich habe 2 Stunden verwendet und die Qualität war deutlich besser als bei meinem ersten 45-Minuten-Testklon.

Ist HeyGen Avatar 5 über die öffentliche API verfügbar?

Noch nicht, Stand April 2026. Die öffentliche API von HeyGen rendert standardmäßig mit Avatar 4. Avatar 5-Generierungen erfordern derzeit das Web-Dashboard, weshalb meine Pipeline Playwright nutzt, um den Upgrade-Klick zu automatisieren. Sobald HeyGen API-Zugang für Avatar 5 bereitstellt, wird dieser Workaround voraussichtlich überflüssig.

Warum Skripte in 45-60 Sekunden lange Abschnitte aufteilen, statt das komplette Skript auf einmal zu senden?

Aus zwei Gründen. Die Sprachqualität von ElevenLabs nimmt nach etwa 60 Sekunden kontinuierlicher Generierung ab und es entstehen Verflachungen und Artefakte. HeyGen Avatar 5 begrenzt Segmente zudem auf 3 Minuten. Das Chunking an natürlichen Satzgrenzen bleibt innerhalb beider Limits und sorgt für saubere Übergänge beim Stitching in Remotion.

Was kostet die Produktion eines 10-minütigen KI-Videos mit diesem Stack?

Etwa 50 $ pro fertigem 10-Minuten-Video, hauptsächlich für HeyGen API-Zeit, verglichen mit rund 300 $ für einen freiberuflichen Editor. Die vollständige Kostenaufstellung inklusive Abonnementstufen findest du im Kostenabschnitt oben.

Lassen Sie uns zusammenarbeiten

Möchten Sie KI-Systeme entwickeln, Workflows automatisieren oder Ihre technische Infrastruktur skalieren? Ich unterstütze Sie gerne dabei.

• Fiverr (individuelle Lösungen & Integrationen): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (Enterprise-Lösungen): ramlit.com
• ColorPark (Design & Branding): colorpark.io
• xCyberSecurity (Sicherheitsdienstleistungen): xcybersecurity.io