Booq — KI-gestützte Videoübersetzung und Synchronisation, primär auf Persisch ausgerichtet

Auf einen Blick

• Medienlokalisierung bedeutete eine Kette aus Übersetzern, Sprechern, Studios und Cuttern – jeder ein eigener Dienstleister mit eigener Rechnung.
• Eine primär auf Persisch ausgerichtete Web-App für Übersetzung, Synchronisation, Podcasts, Musik, Bilder und Film, bezahlt über ein einziges Guthabenkonto.
• Live und in aktiver Weiterentwicklung; Release Notes für Kunden werden aus Produktions-Deployments generiert.

Highlights

• Fünf Wege, ein Video zu lokalisieren

  Original- oder übersetzte Untertitel, eine Synchronfassung oder eine Synchronfassung mit einer der beiden Untertitelspuren; ein Ergebnis pro Sprache plus ein Gesamtpaket.

• Eine eigene Stimme für jeden Sprecher

  Die Synchronisation mit mehreren Sprechern erkennt, wer spricht, gibt jedem Sprecher eine eigene Stimme und richtet das Timing am Original aus.

• 30 Stimmen und eine Podcast-Timeline

  Sprechpassagen, Pausen und Musikclips auf einer Timeline; die Musik wird nur abgesenkt, während jemand spricht.

• Musik und Songs nach Briefing

  Eigene Instrumentalstücke und komplette Songs, mit einem strikten Modus, der den Liedtext des Nutzers wortgetreu beibehält, und optionaler Übersetzung der Liedtexte.

• 115 visuelle Stile in 6 Gruppen

  Kamera, Farbe, Licht, Material, Kunststil und Technik, ohne Prompt-Jargon zusammengestellt; dazu optional eine höher aufgelöste Kopie jedes Bildes.

• In 9 geführten Schritten von der Story zum Film

  Jeder Schritt zeigt zuerst seinen Plan; der Nutzer kann ihn übernehmen, neu generieren lassen, bearbeiten oder Eigenes hochladen. Character Sheets halten die Figuren von Einstellung zu Einstellung konsistent.

Die Herausforderung

Die Lokalisierung eines Videos erfordert meist eine ganze Kette von Spezialisten: einen Übersetzer, Sprecher, ein Tonstudio und einen Cutter, oft zusätzlich einen Designer und einen Komponisten. Jedes Glied ist ein eigener Dienstleister mit eigenem Dateiformat und eigener Rechnung, und bei den Übergaben dazwischen gerät der Zeitplan ins Rutschen.

Für die persischsprachigen Content-Creator, Unternehmen und Bildungsanbieter, für die Booq entwickelt wurde, liegt die Messlatte noch höher. Zahlungen laufen in Toman über ein lokales Zahlungsgateway, große Videodateien werden über instabile Verbindungen übertragen, und die Oberfläche muss sich in einer Rechts-nach-links-Sprache nativ anfühlen, statt wie eine Übersetzung zu wirken.

Technisch hängt jede Funktion von externen KI-Anbietern ab, und jeder von ihnen kann unabhängig von den anderen ausfallen oder sich ändern. Die Plattform musste weiterlaufen, wenn das bei einem von ihnen geschah, und wer etwas zu sagen hat, sollte dafür nie zum Videocutter werden müssen.

Architektur

Booq besteht aus unabhängigen Diensten hinter einer einzigen Web-App, mit einem eigenen Gateway für jeden KI-Anbieter. Genau diese Entscheidung macht es möglich, ein Modell zu wechseln, einen Schlüssel auszutauschen oder einen ausfallenden Anbieter automatisch zu umgehen, ohne den Rest des Produkts anzutasten.

• Jeder Auftrag landet in einer Warteschlange. Rechenintensive Verarbeitung wartet in persistenten Prioritätswarteschlangen mit Limits pro Dienst, statt innerhalb einer Web-Anfrage zu laufen.

• Arbeit wird fortgesetzt statt neu gestartet. Übersetzungen speichern Checkpoints und machen nach einem Absturz dort weiter, wo sie unterbrochen wurden, und große Uploads werden bei schlechter Verbindung fortgesetzt, statt von vorn zu beginnen.

• Das Geld folgt der Arbeit. Ein Prepaid-Guthabenkonto in Toman, vorab ausgewiesene Mehrwertsteuer, ein dauerhaftes Transaktionsjournal, Rabatte, die exakt wie angegeben verrechnet werden, und automatische Erstattungen, wenn ein Auftrag fehlschlägt.

• Drei Apps statt einer. Kunden, Administratoren und Supportmitarbeiter nutzen jeweils eine separat bereitgestellte App, und eine Anmeldung in der einen gilt in keiner der anderen.

• Schalter statt Releases. Produktbereiche werden ohne Release ein- oder ausgeschaltet, und Modelle sowie Anbieterschlüssel werden im Admin-Panel geändert.

Die Plattform läuft auf einem als Code definierten Container-Cluster, auf dem rechenintensive Workloads direkt bei ihren Daten platziert sind. Jedes Release durchläuft Build, Tests, ein Staging-Deployment und einen Smoke-Test, bevor ein Mensch es für den Produktivbetrieb freigibt, und ein Notfall-Rollback auf die vorherige Version lässt sich manuell auslösen.

Was ich gebaut habe

Ein einziger Arbeitsbereich deckt den gesamten Weg vom Ausgangsmaterial bis zur fertigen Datei ab.

Videoübersetzung und Synchronisation

• Fünf Ausgabemodi: Untertitel in der Originalsprache, übersetzte Untertitel, nur Synchronisation, Synchronisation mit Originaluntertiteln oder Synchronisation mit übersetzten Untertiteln.

• Synchronisation mit mehreren Sprechern: Die Sprecher werden erkannt, jeder erhält eine eigene Stimme, und das Timing wird am Original ausgerichtet.

• Automatisch oder interaktiv: vollautomatisch durchlaufen lassen oder anhalten, um Untertitel zu prüfen und zu bearbeiten, bevor irgendetwas gerendert wird.

• Sendefertiges Ergebnis: gestaltete, eingebrannte Untertitel für Hochformat- und Breitbildvideos, wobei Originalton oder Hintergrundmusik leise unter der Synchronfassung erhalten bleiben.

• Stapel- und Link-Import: ein Archiv mit Videos hochladen oder einen Social-Media-Link einfügen, mit automatischer Erkennung der Ausgangssprache und Preisanzeige, bevor etwas abgebucht wird.

Stimme, Podcasts und Musik

• 30 KI-Stimmen mit Vorgaben zum Tonfall, die als Anweisung umgesetzt und nicht mitgesprochen werden.

• Podcast-Studio: Sprechpassagen, Pausen und Audioclips auf einer Timeline; die Stimme kann schon über dem Ausklang eines Musikclips einsetzen, und die Musik wird nur abgesenkt, während jemand spricht.

• Musik und Songs: eigene Instrumentalstücke nach Briefing sowie komplette Songs mit KI-generierten oder eigenen Texten, einschließlich eines strikten Modus, der den Wortlaut exakt beibehält, und optionaler Übersetzung der Liedtexte.

• Transkription in Untertitel oder reinen Text, mit KI-gestützter Zeichensetzung und optionaler Prüfung durch Menschen.

Bilder und Film

• Studio für visuelle Stile: 115 Stile in 6 Gruppen, sodass sich ein Look ohne Prompt-Jargon zusammenstellen lässt, dazu optional eine höher aufgelöste Kopie jedes Bildes.

• KI-Videostudio: Aus einem Thema oder einer Geschichte wird in 9 geführten Schritten ein fertig gerenderter Film: Story, Szenenaufteilung, visueller Stil, Figuren, Character Sheets, Soundtrack, Einstellungen, Schnitt und Rendering.

• Sounddesign: 744 kostenlose, gemeinfreie Soundeffekte direkt im Studio, auf einer mehrspurigen Audio-Timeline.

Rund um die Arbeit

• Meine Bibliothek bündelt alle Uploads und alle Ergebnisse an einem Ort und stellt sie überall bereit, wo eine Datei gebraucht wird.

• Standardmäßig privat: Nur der Eigentümer kann ein Ergebnis herunterladen, es sei denn, er erstellt einen Freigabelink.

• Drei Oberflächensprachen: standardmäßig Persisch, dazu Englisch und Arabisch, mit vollständiger Unterstützung für Rechts-nach-links-Schrift und als Web-App installierbar.

• Ein zweisprachiger Page Builder und Blog, damit Marketingseiten ohne Entwickler live gehen.

Ergebnis

Booq ist live und wird aktiv weiterentwickelt. Produktions-Deployments erzeugen Release Notes für Kunden, aus denen interne Bezeichnungen entfernt sind; sie werden ins Persische und Arabische übersetzt und lassen sich von Administratoren bearbeiten.

Ein Content-Creator kann heute ein Video in einem einzigen Projekt in mehrere Sprachen bringen – als Untertitel, Synchronfassung oder beides – und im selben Arbeitsbereich Podcasts, Musik, Bilder und Filme produzieren, wobei jedes Ergebnis in einer gemeinsamen Bibliothek landet. Jeder Auftrag zeigt vor dem Start seinen Preis oder eine erste Schätzung, und bei einem fehlgeschlagenen Auftrag wird der Betrag automatisch erstattet.

Die Betreiber können Modelle wechseln, Anbieterschlüssel austauschen und Produktbereiche ein- oder ausschalten, ohne ein Release auszuliefern, und Marketingseiten ohne Entwickler veröffentlichen. Backups laufen stündlich, und ein Produktions-Backup wurde verifiziert, indem es vollständig ausgelesen wurde.

Post-mortem

Der Produktivbetrieb der Plattform führte zu mehreren Kurskorrekturen. Jede davon ersetzte eine bequeme Annahme durch einen sichereren Standard.

Sprachausgabe. Die Sprachausgabe war zunächst bewusst an einen einzigen Anbieter gebunden, denn ein anderer Anbieter bedeutet eine andere Stimme. Als dieser Anbieter ausfiel, entstanden Synchronfassungen mit Stille an den Stellen, an denen Sätze fehlten. Heute nutzt die Sprachausgabe eine Fallback-Kette aus mehreren Anbietern – nach dem Grundsatz, dass eine etwas andere Stimme besser ist als Stille.

Moderation. Die Inhaltsprüfung lief früher innerhalb der Projekterstellung, sodass Nutzer zwischen dem abgeschlossenen Upload und ihrer Projektseite warten mussten. Heute läuft sie im Hintergrund, und ein fertiges Ergebnis bleibt im Status „Inhaltsprüfung läuft“, bis die Prüfung abgeschlossen ist – so wird kein Ergebnis als fertig präsentiert, solange seine Prüfung noch läuft.

Releases und Backups. Produktions-Deployments laufen nicht mehr automatisch, sondern erfordern eine manuelle Freigabe, die erst nach bestandenen Staging-Prüfungen möglich wird. Backups laufen jetzt stündlich, und das neueste wurde vollständig ausgelesen, denn ein Backup, das nie jemand gelesen hat, ist kein Backup.

Meine Rolle

• Definierte als CTO die Architektur von Booq: unabhängige Dienste, ein eigenes Gateway für jeden KI-Anbieter und drei separat bereitgestellte Apps für Kunden, Administratoren und Mitarbeiter.
• Brachte die Plattform vom ersten Commit bis auf einen als Code definierten Container-Cluster im Produktivbetrieb, mit Release-Gates, die in einer manuellen Freigabe enden.
• Verantwortete die Produkt- und Preisentscheidungen im Launch-Programm (Preisaktionen, Lizenz- und Speicherrichtlinien) und steuerte es als strukturiertes Programm mit Verifizierungs- und Rollback-Schritten.
• Legte als Product Owner die Anforderungen an das KI-Videostudio fest und bestückte das Studio für visuelle Stile aus seiner eigenen kuratierten Stilsammlung.
• Arbeitete mit einem KI-gestützten Engineering-Workflow und wies Coding-Agenten an, Best Practices zu recherchieren, in Phasen zu planen und über Staging bis in den Produktivbetrieb auszuliefern.

Technik

• Anbieter fallen aus, das Produkt läuft weiter

  Jeder KI-Anbieter liegt hinter einem eigenen Gateway mit automatischem Fallback, und Modelle und Schlüssel lassen sich ohne erneutes Deployment im Admin-Panel ändern.

• Ausgelegt für Abstürze und schwache Verbindungen

  Übersetzungen setzen nach einem Absturz an ihrem Checkpoint wieder an, und mehrere Gigabyte große Uploads werden bei schlechtem Netz fortgesetzt, statt neu zu beginnen.

• Defensiver Umgang mit Geld

  Fehlgeschlagene Aufträge werden automatisch erstattet, Erstattungen sind gegen doppelte Auszahlung abgesichert, und jede Transaktion landet in einem dauerhaften Transaktionsjournal.

• Geprüft, bevor es als fertig angezeigt wird

  Bilder, Videos, Audio und Text werden im Hintergrund geprüft, mit der Möglichkeit zum Einspruch; ein fertiges Ergebnis wird zurückgehalten, bis seine Prüfung abgeschlossen ist.

• Mehrstufige Zugriffskontrolle

  Getrennte Apps für Kunden, Administratoren und Mitarbeiter; die Konsolen verlangen einen zweiten Faktor und nutzen rollenbasierte Berechtigungen.

• Überwacht, lastgetestet, gesichert

  Dashboards mit nach Schweregrad gerouteten Alarmen, Lasttests vor dem Launch gegen feste Pass/Fail-Schwellenwerte und stündliche Backups, von denen eines durch vollständiges Auslesen verifiziert wurde.

Ergebnisse

• Live und in aktiver Weiterentwicklung, mit einer primär auf Persisch ausgerichteten Oberfläche in Persisch, Englisch und Arabisch.
• Ein Content-Creator kann ein Video in einem einzigen Projekt in mehrere Sprachen bringen – als Untertitel, Synchronfassung oder beides.
• Podcasts, Musik, Bilder und Filme entstehen im selben Arbeitsbereich und landen in einer gemeinsamen Bibliothek.
• Betreiber wechseln Modelle, tauschen Schlüssel aus und schalten Produktbereiche ein oder aus, ohne ein Release auszuliefern.
• Produktions-Deployments erzeugen Release Notes für Kunden, die ins Persische und Arabische übersetzt werden und von Administratoren bearbeitet werden können.