Video für KI-Chats

Warum es dieses Tool gibt

Viele KI-Chats akzeptieren kein Video als Anhang, und selbst wo eines akzeptiert wird, gelten enge Grenzen bei Dauer und Größe; Bilder und Text dagegen funktionieren in jedem Chat. Dieses Tool macht aus einem Video auf deinem Gerät Frame-Bögen (Raster in einem einzigen Bild, passend für Chats, mit Nummer und Zeit unter jedem Frame) und einen Kontexttext für die KI, der erklärt, wie sie die Bögen lesen soll. Das Tool zerlegt das Video in Bilder, es deutet es nicht: Das eigentliche Lesen übernimmt das Modell, dem du die Bögen schickst.

So nutzt du es in drei Schritten

Lade das Video und lass das Tool arbeiten: Bei Videos unter 20 Minuten startet es von selbst mit den empfohlenen Einstellungen. Dann 1) lade die Bögen herunter, 2) kopiere den Kontexttext, 3) hänge im Chat die Bilder an und füge den Text als erste Nachricht ein, mit deiner Frage am Ende. Auf dem Handy kannst du auch lange auf die Vorschau eines Bogens drücken, um ihn zu speichern. Bei langen Videos konzentrieren die Felder Von und Bis unter Optionen die Frames auf den Abschnitt, der dich interessiert.

Die zwei Arten, Frames auszuwählen

„In regelmäßigen Abständen“ nimmt einen Frame in der Mitte jedes Abschnitts, alle gleich weit auseinander: die richtige Wahl für durchgehende Aufnahmen (ein Spaziergang, eine feste Einstellung, eine Bildschirmaufnahme). „Bei Szenenwechseln“ durchsucht das Video zuerst und versucht, Frames dort zu setzen, wo sich das Bild abrupt ändert: Das klappt am besten bei geschnittenen Videos (Sportübertragungen mit Wiederholungen, Vorträge mit Folien, Vlogs). Die Erkennung ist eine Heuristik auf Basis des Unterschieds zwischen benachbarten Frames, keine professionelle Schnitterkennung: Bei statischen Videos findet sie nichts, sagt das und greift von selbst auf eine fast gleichmäßige Abdeckung zurück. Behalte einen typischen Fall im Kopf: Ein Vibrieren oder Flackern ist in keinem Standbild zu sehen; wähle dann Detailliert und beschreibe das Symptom in deiner Frage mit Worten.

Wofür der Kontexttext da ist

Er sagt der KI, was die Bilder sind und wie sie zu lesen sind (von links nach rechts, Zeile für Zeile), wiederholt schriftlich Nummer und Zeit jedes Frames (wenn der Chat die Bilder neu komprimiert und die eingedruckten Beschriftungen leiden, bleibt die Übersicht erhalten) und nennt die Grenzen des Pakets, damit das Modell nicht erfindet, was zwischen zwei Frames nicht zu sehen ist. Die Zeile „Meine Frage:“ bleibt absichtlich offen: Du vervollständigst sie im Chat. Du kannst den Text auf Deutsch, Englisch, Italienisch oder Spanisch erstellen, in der Sprache, in der du chattest, ohne die Bögen neu zu erstellen.

Dateigröße und Anhänge

Die Grenzen für Anhänge ändern sich von Chat zu Chat und mit der Zeit, deshalb findest du hier keine Zahlen der Anbieter: Du findest die tatsächliche Dateigröße jedes Bogens auf seiner Beschriftung und drei Größenziele (1, 2 oder 4 MB) unter Optionen. Überschreitet ein Bogen das Ziel, senkt das Tool schrittweise die Qualität und verkleinert dann den Bogen, und es sagt dir, wenn es nicht weiter heruntergehen kann. Die Bögen sind 1568 Pixel breit, weil Chats große Bilder neu skalieren: Zusätzliche Pixel wären nur zusätzliche Bytes. Sieh dir die Bögen vor dem Senden immer an: Ein Bogen enthält keine EXIF-Daten und keine GPS-Position, aber alles, was in den Frames zu sehen ist, bleibt sichtbar.

Das Video stammt aus Social Media (Reels, TikTok, Shorts)

Das ist der häufigste Fall, und genau der, bei dem der Chat sagt, er könne das Video nicht öffnen: Er liest eine Adresse als Text, er schaut sich nicht die Frames eines Clips an, und eine Social-Media-Seite hinter einem Login öffnet er gar nicht. Der Weg, der funktioniert: das Video auf dein Gerät holen (aus der App speichern, wenn es deins ist, oder per Bildschirmaufnahme) und es dann hier verarbeiten. Schrift, die ins Bild eingebrannt ist, lässt sich auf den Bögen perfekt lesen, eingebrannte Untertitel, Schilder und Preise inklusive, das Gesprochene dagegen nicht, denn in einem Frame gibt es keinen Ton. Dieses Tool lädt nichts von den Plattformen herunter und rührt keine fremden Videos an: Es geht von einer Datei aus, die du schon hast.

Was es nicht macht (und die ehrlichen Alternativen)

Es transkribiert keinen Ton: Dafür müsste bei jedem Besuch ein Sprachmodell von Dutzenden MB heruntergeladen werden, unverhältnismäßig für diese Seite. Wenn das Gesprochene wichtig ist, füge die Untertitel in das Feld unter Optionen ein (sie landen im Kontexttext) oder nutze die Diktierfunktion deiner Handytastatur, während du das Video noch einmal abspielst; manche Assistenten akzeptieren auch Audiodateien als Anhang, dann schick den Ton zusammen mit den Bögen. Es schickt nichts an die KI: Es erzeugt Dateien und Text, anhängen musst du sie selbst. Es garantiert nicht den exakten Frame Nummer N (eine Webseite fragt nach Zeiten, nicht nach Indizes) und zeigt nicht die Bewegung zwischen zwei Frames: Eine Geste, die dazwischen liegt, existiert im Paket nicht, und die ehrliche Abhilfe ist, Von und Bis auf den wichtigen Abschnitt einzugrenzen. Brauchst du einen einzelnen Frame in voller Auflösung? Nimm Standbild aus Video. Das Video lässt sich nicht öffnen (HEVC/H.265, viele MKVs)? Wandle es vorher um, zum Beispiel mit Video umwandeln.