aitrailer/README.md

AI Trailer Generator v2

Frame-genaues Nachbauen eines Trailers aus dem Quellfilm.

Du gibst zwei Videos rein — einen Referenz-Trailer und den dazugehörigen Spielfilm — und bekommst eine fertige FCPXML/EDL für deinen Schnittplatz, die den Trailer Beat für Beat aus dem Quellfilm nachbaut.

---

Für den Cutter — was du wirklich brauchst

Du musst dieses Tool nicht selbst bedienen und musst kein Python können. Was du bekommst sind zwei Dateien, mit denen du arbeitest:

1. CUTTER_REPORT.md — die Tabelle für die manuelle Kontrolle und das Nachschneiden. Pro Beat steht drin:
   • der Trailer-Zeitcode (h:mm:ss:ff),
   • der vorgeschlagene Source-Zeitcode aus dem Spielfilm,
   • ein Status: OK (kann übernommen werden), ? (bitte sichten) oder MAN. (kein Treffer, manuell setzen),
   • eine kurze Beschreibung, was im Trailer-Beat zu sehen ist (damit du die richtige Stelle im Source schneller findest).
2. output/*.fcpxml und output/*.edl — die fertige Timeline für FCP / Premiere / Avid / Resolve. Beats mit Status OK sind dort schon richtig gesetzt; ? und MAN. musst du im NLE prüfen bzw. selbst setzen.

Workflow-Empfehlung:

1. Öffne CUTTER_REPORT.md und arbeite die Tabelle von oben nach unten ab.
2. Importiere die FCPXML/EDL ins NLE, lade Trailer und Spielfilm dazu.
3. Bei OK-Beats nur stichprobenartig sichten.
4. Bei ?-Beats den Vorschauclip aus dem Report-HTML (siehe unten) prüfen und im NLE den Source-In um wenige Frames vor/zurück verschieben, bis die Bewegungsphase exakt zum Trailer passt.
5. Bei MAN.-Beats selbst die passende Stelle im Spielfilm suchen — die Beschreibung im Report sagt dir was du suchst.

Alles andere unten ist Hintergrund für den Tool-Verantwortlichen.

---

Wie das Tool die Treffer findet (Kurzfassung)

Phase	Was passiert
0	Trailer in Beats zerlegen (PySceneDetect).
1	Schneller Vibe-Check: für jeden Beat die Top-K ähnlichsten Szenen aus dem Spielfilm vorauswählen (Histogramm + pHash).
2	Optional: Vision-LLM beschreibt unsichere Szenen mit 3-Frame-Samples; die Beschreibungen liegen gecached vor.
3	Frame-genaue Verfeinerung pro Beat (OpenCV-Templatematching, Bewegungsphasen-Vergleich).
4	Phasen-Reparatur: bei segmentierten Beats wird die Bewegungsphase im Source mit der sichtbaren Trailerphase abgeglichen.
5	Recovery: Beats ohne Treffer werden via Vision-Phasensuche in den Top-K Szenen nochmal probiert.
6	Export als FCPXML 1.10 oder CMX-3600-EDL plus CUTTER_REPORT.md.

Text-Safe Crop: Obere 15 % und untere 30 % jedes Frames werden vor dem Vergleich ausgeblendet, damit Title-Cards, Logos und Letterbox die Treffer nicht verfälschen.

Wichtig: Auch wenn Vision aktiviert ist — der finale Match bleibt CV-verifiziert. Das LLM liefert nur zusätzliche Suchanker.

---

Voraussetzungen

• Python 3.11+
• ffmpeg im PATH (für Whisper Audio-Extraktion)
• CUDA-fähige GPU empfohlen (für faster-whisper; CPU funktioniert auch)

---

Setup

1. Virtual Environment erstellen & aktivieren

# Im Projektordner
python -m venv .venv
.\.venv\Scripts\Activate.ps1

# Falls ExecutionPolicy blockiert:
# Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

2. Abhängigkeiten installieren

pip install -r requirements.txt

3. API-Key konfigurieren

# .env aus dem Template kopieren
Copy-Item .env.example .env

# Dann .env öffnen und den echten Key eintragen:
# OPENROUTER_API_KEY=sk-or-v1-...

4. Videodateien eintragen

config.toml öffnen und die Pfade anpassen:

[paths]
source_movie      = "B:/Proxy/DeinFilm_FTR.mp4"
reference_trailer = "F:/Encodings/DeinFilm_Trailer.mp4"

---

Verwendung

# Vollständige Pipeline (analyze → match → report → export)
python cli.py run

# Ohne Whisper-Transkription (schneller)
python cli.py run --no-audio

# Ohne LLM-Klassifikation
python cli.py run --no-audio --no-llm

# Schrittweise
python cli.py analyze            # Reference Trailer → Beats erkennen
python cli.py match              # Globaler FFmpeg Scan (Szenen-unabhängig)
python cli.py report             # HTML Report mit Video-Vergleich bauen
python cli.py export --format both   # FCPXML + EDL ausgeben

# Gezielt nur einen Beat bearbeiten (empfohlen für erste Iterationen)
python cli.py match --beat 5
python cli.py match --beat 5 --vision   # optionale gecachte Vision-Seeds
python cli.py report --beat 5
python cli.py export --beat 5 --format both

# Fehlerhafte Matches korrigieren
python cli.py rematch --beat 5 --threshold 0.50  # Schwelle anpassen (Globaler Scan wird für diesen Beat wiederholt)
python cli.py rematch --beat 5 --refine          # Cached Match per lokalem Bildinhalt-Offset nachschärfen

Der HTML-Report regeneriert seine Preview-Clips bei jedem Lauf mit genauer FFmpeg-Nachsuche und synchronisiert die beiden Video-Player pro Beat. Dadurch ist der Report zur Frame-Prüfung geeignet und zeigt keine alten gecachten Preview-Clips. Source-Previews bekommen bei Trailer-only-Tails denselben schwarzen Tail wie der Export, damit der Browser nicht einen zu kurzen Source-Clip gegen den längeren Referenzbeat weiterspult oder loopt. Zur Synchronprüfung rendert der Report ein einzelnes Frame-Locked-Compare-Video mit Referenz und Source in demselben MP4-Stream. Dieses Compare-Video ist maßgeblich, weil zwei getrennte Browser-Videoelemente nie zuverlässig framegenau synchron bleiben.

Wenn ein Trailer-Beat am Ende eine Blende, Schwarzfläche oder Textkarte enthält, die im Source-Film nicht als normaler Shot vorhanden ist, endet der Source-Match am letzten stabil passenden Frame. Exportierte Timelines behalten trotzdem die volle Beat-Länge und fügen danach automatisch einen schwarzen Trailer-Tail mit Marker für Fade/Dissolve ein.

Gezielte Ein-Beat-Matches nutzen zusätzlich vorhandene automatische Nachbarbeats aus dem Cache als zeitliche Suchanker. Das hilft bei aufeinanderfolgenden Shots, ohne manuelle Szenen oder Timecodes zu kuratieren. Bei match --beat N wird ein alter Cache-Treffer für genau diesen Beat entfernt und nur ein neu gefundener automatischer Treffer wieder eingetragen. Ein fehlgeschlagener neuer Lauf kann dadurch keinen alten falschen Report-Treffer stehen lassen.

Der globale Bildvergleich arbeitet auf kontrast-normalisierten Luma- und Kantenfeatures statt auf rohen Farb-Pixeln. Dadurch bleiben Schwarzweiß- oder anders gegradete Trailerbilder mit dem Source-Material vergleichbar, während unähnliche Farbshots schlechter ranken. Die Inpoint-Feinjustage bestimmt den Versatz lokal aus dem Bildinhalt: Um einen groben Treffer herum werden mehrere Referenzframes gegen mehrere Source-Offsets verglichen, und der beste gemeinsame Offset wird übernommen. Das ist schneller als ein erneuter globaler Scan und vermeidet pauschale Frame-Prerolls. Zusätzlich wird die Bewegungsphase über Frame-zu-Frame-Differenzen verglichen. Dadurch kann der Matcher innerhalb derselben Source-Szene unterscheiden, ob zwei Figuren noch sprechen, sich annähern, bereits im Kontakt sind oder sich wieder voneinander lösen. Ein optisch ähnlicher Standbild-Treffer reicht damit nicht mehr aus, wenn der Bewegungsverlauf nicht zur Referenz passt. Schwarze Referenzframes aus Blenden oder Titel-Tails werden für diese Offset-Messung ausgelassen, damit echte Bildbewegung und nicht die Blende selbst den Inpoint bestimmt. rematch --refine nutzt denselben lokalen FFmpeg/Pillow-Aligner und schreibt den korrigierten Inpoint direkt zurück in .cache/match_results.json.

Zusätzlich werden aus den besten szenenweiten Luma/Histogramm-Kandidaten mehrere Inpoint-Suchanker erzeugt. Diese Scene-Seeds verwenden keine harte pHash-Sperre, weil pHash bei stark anders gegradeten Trailerbildern echte Matches zu früh ausschließen kann. Optional kann python cli.py match --beat N --vision einen Vision-Layer zuschalten. Dann werden pro Trailer-Beat und pro wenigen Scene-Level-Kandidaten je drei Frames (Anfang, Mitte, Ende) von einem visionfähigen OpenAI-kompatiblen Modell beschrieben. Die Beschreibungen liegen in .cache/vision_descriptions.json und werden wiederverwendet. Vision erzeugt nur zusätzliche Suchanker; der eigentliche Match muss weiterhin durch CV, Content-Reranking, Timing und Duration-Coverage bestätigt werden. Gecachte Szenenbeschreibungen zählen nur, wenn sie vom aktuell konfigurierten Vision-Modell stammen. Bei langen semantisch passenden Source-Szenen beschreibt der Vision-Layer zusätzlich wenige lokale Zeitfenster und cached auch diese Fenster, damit eine grob ähnliche Szene nicht automatisch mit dem falschen Bewegungs- oder Dialogmoment gleichgesetzt wird. Dieser lokale Fenster-Probe ist bewusst breiter als die finale Seed-Auswahl: Eine lange Dialogszene kann in der Gesamtbeschreibung nur als Gespräch erscheinen, aber an einer späteren Stelle trotzdem genau die gesuchte Aktionsphase enthalten. Für diese Probe wird deshalb die grobe Szenenähnlichkeit ohne harte Aktionsstrafe gerankt; die harte Aktionsprüfung greift erst auf den lokalen Fenstern und dem finalen Source-Zeitbereich. Nach dem CV-Match kann derselbe Vision-Layer den konkreten finalen Source- Zeitbereich nochmals gegen den Trailer-Beat prüfen. Starke Aktionsphasen wie Annäherung, Kuss/Stirnkontakt, Handbewegungen oder Schneiden müssen dann auch im Source-Fenster beschrieben sein; fehlt diese Aktionsphase, wird der Treffer nicht gespeichert, selbst wenn der Low-Level-CV-Score hoch ist. Wenn die Szene selbst plausibel ist, aber der konkrete Source-Zeitpunkt diese Aktionsphase verfehlt, sucht der Matcher automatisch dichter innerhalb derselben Source-Szene nach lokalen Vision-Fenstern mit der passenden Aktion und richtet den Inpoint mit der Motion-Phase-Prüfung darauf neu aus. Erst wenn auch diese In-Scene-Reparatur scheitert, wird der Treffer verworfen. Diese In-Scene-Reparatur läuft auch für semantisch gültige Treffer aus langen Source-Szenen. Dadurch kann ein grob passender Dialogmoment nicht bestehen bleiben, wenn ein anderes lokales Fenster derselben Szene die gesuchte Aktionsphase und Bewegung klarer trifft. Die Kandidatenbewertung dieser Reparatur vergleicht dabei zwei Kontexte: den ganzen Beat als semantischen Handlungsrahmen und das konkret sichtbare Beat-Segment als Phasenprüfung. Ein Source-Zeitpunkt muss also nicht nur "die Szene mit dem Kuss" enthalten, sondern auch zur aktuellen Bewegungsphase des sichtbaren Trailerabschnitts passen. Pro Kandidat fließt zusätzlich ein lokaler Content-/Motion-Frame-Score ein, damit cached Vision-Beschreibungen keinen sichtbar versetzten Bewegungsmoment überstimmen. Bei blendigen oder segmentierten Beats nutzt die semantische Action-Suche den ganzen Trailerbeat als Kontext. Die eigentliche Frame-Ausrichtung bleibt auf das sichtbare Segment begrenzt; der gefundene Source-Inpoint wird dabei um den Trailer-Offset des Segments verschoben. So geht die globale Aktionsbeschreibung eines Beats nicht verloren, nur weil der scorebare Teil erst nach einer Blende beginnt. Die Suche nach diesem Action-Window prüft pro Segment zwei Beschreibungen: zuerst die des konkret sichtbaren Segments (so trifft die Phasensuche genau die gerade gezeigte Bewegung), als Rückfall die des gesamten Beats. Der Beat- Kontext gewinnt nur, wenn er deutlich (>0.06) besser scort; sonst bleibt das Segment-Fenster die Wahl, weil die Beat-Beschreibung Aktionen aus Fade-Bildern mit aufnehmen kann, die im sichtbaren Segment nicht stattfinden. Der Trailer-Offset-Shift wird nur angewendet, wenn tatsächlich der Beat-Kontext benutzt wurde; bei segmentbasierter Wahl ist das gefundene Fenster bereits auf die sichtbare Aktionsphase ausgerichtet. Der Segment-Offset zählt dabei nur über vorherige scorebare Bildinseln, nicht über schwarze oder blendige Lücken. Nach dem Retiming wird die nutzbare Source-Dauer erneut geschätzt; läuft die Source am Ende in eine sichtbar andere Aktionsphase, wird der Clip gekürzt und der Rest bleibt Placeholder/Fade statt einen falschen Bewegungsmoment zu zeigen. Der gewichtete Vision-Seed-Pfad ersetzt standardmäßig keinen normalen FFmpeg-Vollscan. Vision-Beschreibungen sind semantische Hinweise, aber keine Beweise; der volle CV-Scan bleibt deshalb aktiv, damit falsch bewertete Vision-Szenen echte Treffer nicht verdrängen. Für schnelle Experimente kann skip_coarse_scan_with_weighted_seeds = true gesetzt werden. Gewichtete Vision-Seeds werden nicht zuerst durch den alten Midpoint-Template Refine verschoben; sie gehen direkt in die lokale Content-Alignment-Prüfung. Das schützt wiederholte Gesprächseinstellungen, bei denen ähnliche Momente mehrfach in derselben Szene vorkommen. Innerhalb der automatisch von Vision vorgeschlagenen Szenen läuft zusätzlich eine dichte lokale Bildsequenzsuche. Sie misst den Phasenversatz in kleinen Zeitschritten direkt am Bildinhalt und bevorzugt Kandidaten mit genügend Restdauer in derselben Source-Szene. Das ist kein manueller Override: Vision grenzt nur Suchbereiche ein, die Auswahl bleibt Content-, Timing- und Coverage-getrieben. Nach einem dichten Vision-Treffer darf der spätere lokale Aligner nur noch im Bereich dieses Scan-Schritts nachjustieren. So kann ein korrekt gefundener Bewegungsmoment nicht wieder um viele Frames in eine ähnlich aussehende Phase derselben Szene verschoben werden. Für Vision-Action-Fenster nutzt die finale Retiming-Prüfung eine gemeinsame Content-und-Motion-Suche pro Frame. Content und Bewegungsphase werden dabei nicht mehr als zwei getrennte Korrekturschritte angewendet; das verhindert, dass eine kurze Geste erst korrekt erkannt und anschließend in eine spätere ähnliche Körperhaltung verschoben wird. Wenn mehrere Vision-Kandidaten in derselben Source-Szene ähnlich gut scoren und die Beat-Dauer abdecken, bevorzugt der Matcher die frühere Phase. Das verhindert, dass ein späterer, minimal stärkerer Standbildtreffer die Bewegungsphase des Trailers sichtbar überholt. Enthält ein Trailerbeat selbst einen harten Umschnitt, werden Kandidaten an angrenzenden Source-Szenengrenzen zusätzlich als zusammenhängender Multi-Shot- Span geprüft. Ein Match darf dann über eine Source-Szenengrenze laufen, aber nur wenn die relative Source-Grenze zeitlich zu einem erkannten Trailer-Umschnitt passt. So kann ein Beat aus Frage/Antwort-Shots vollständig erfasst werden, ohne Szenen willkürlich zusammenzukleben. Auch der lokale Content-Aligner darf einen Inpoint nur noch übernehmen, wenn die feste Whole-Frame-/Spatial-Validation dadurch besser wird. Vor dem teuren Frame-Refine wird der gesamte Kandidatenpool mit einer schnellen festen Inhaltsprüfung neu sortiert. Dadurch können korrekte Treffer aus wiederholten Einstellungen einer Szene nach oben kommen, auch wenn ein freier Template-Peak an anderer Stelle numerisch stärker war. Suchanker bleiben im Pool erhalten, dürfen aber erst nach der Inhaltsprüfung nach oben rücken. Wenn ein Kandidat visuell plausibel ist, aber wegen Trailerblende oder kurzem Source-Span die normale Coverage knapp verfehlt, wird er als provisional Match behalten statt als NO MATCH verworfen. Dieses Reranking berücksichtigt zusätzlich die verbleibende Szenenlänge ab dem Kandidaten-Inpoint. Dadurch werden zu späte ähnliche Gesprächsphasen innerhalb derselben Szene nicht mehr vor frühere, tragfähigere Phasen sortiert. Das Inhalts-Reranking nutzt bewusst nur wenige repräsentative Referenzframes und eine begrenzte Kandidatenzahl. So bleiben wiederholte Szenen auffindbar, ohne dass der Lauf durch tausende Random-Seeks minutenlang festhängt. Confirmed Matches werden zusätzlich durch eine feste nahezu-Whole-Frame-Prüfung aus Luma, Kanten, Farbhistogramm und räumlichen 4x4-Farbhistogrammen gedeckelt. Dadurch kann ein freier Template-Hit mit ähnlicher Fenster-/Gesichtsstruktur nicht mehr als sicherer Match gelten, wenn die Gesamtkomposition oder die Bewegungsphase sichtbar eine andere Szene ist. Für gewichtete Vision-Kandidaten gibt es zusätzlich eine eigene Provisional- Bewertung aus Content-Score, Restdauer und Seed-Stärke. Dadurch können echte, aber durch Trailer-Grading/Crop numerisch schwache Treffer im Report landen, ohne als confirmed Match durchzugehen. Die Cache-Normalisierung für Report/Export verwendet dieselbe niedrigere Content-Untergrenze für nicht bestätigte Vision-Provisional-Treffer, damit ein gerade gefundener automatischer Match nicht beim Report-Aufbau wieder weggefiltert wird. Sie übernimmt auch die Multi-Shot-Coverage-Regel: gecachte Treffer, die passend zu internen Trailer-Umschnitten über angrenzende Source-Szenen laufen, werden nicht mehr auf die erste Source-Szene zurückgekürzt. Gezielte Einzel-Beat-Matches gewichten außerdem die automatisch aus Nachbarbeats abgeleiteten Continuity-Seeds. Wenn ein Beat direkt an einen bereits passenden Vorgänger anschließt, kann ein späterer ähnlich aussehender Moment derselben Dialogszene den erwarteten Anschluss nicht mehr nur wegen eines höheren Standbildscores verdrängen. Diese Continuity-Seeds sind aber nur Suchanker: in derselben Szene darf ein späterer Inpoint gewinnen, wenn die mehrframeige Content-Prüfung die Bewegungsphase klar besser trifft. Dadurch bleiben Anschlussmatches stabil, ohne Hand-/Kopfbewegungen auf einen falschen Zeitpunkt festzunageln. Continuity- und Vision-Seeds allein schalten den globalen FFmpeg-Scan standardmäßig nicht ab. Sie sind Suchanker, keine Beweise; der volle CV-Scan bleibt aktiv, damit semantisch plausible, aber falsche Vision-Treffer echte Bildmatches nicht verdrängen. Bei aktivierter Vision wird für gezielte Match-Läufe trotzdem zuerst ein schneller seed-basierter CV-Prepass ausgeführt. Er überspringt den vollen FFmpeg-Stream nur vorläufig und akzeptiert einen Treffer erst nach derselben Bild-/Phasenvalidierung wie der normale Matcher. Nur nicht gelöste Beats fallen danach auf den vollständigen Scan zurück. Die Qualitätsparameter für lokale Vision-Szenenscans und Refine-Kandidaten bleiben dabei erhalten; der Prepass ist eine Reihenfolge-Optimierung, kein Qualitätsdeckel. Provisional Treffer aus diesem schnellen Prepass sind nicht endgültig: wenn sie unterhalb der Confirmed-Schwelle bleiben, läuft zusätzlich der vollständige CV-Scan und darf den besseren oder bestätigten Treffer übernehmen. OpenRouter-/Vision-Rate-Limits werden mit progressiv längeren Pausen erneut versucht. Billing-, Credit- oder Token-Guthaben-Fehler werden dagegen sofort als echter Blocker gemeldet, weil Warten dort nicht hilft. Auch Netzfehler beim Lesen der Antwort (Timeouts, Verbindungsabbrüche während einer DSL-Trennung) werden als retrybar behandelt, nicht nur Verbindungsfehler beim Verbindungsaufbau. Schlägt die Vision-Verifikation während der finalen Filter-/Repair-Stufe trotzdem dauerhaft fehl, wird der bisherige gecachte Treffer für diesen Beat behalten statt verworfen — ein Netzproblem darf keinen schon korrekt gefundenen Match aus dem Cache löschen. Die Phasen-Reparatur an gefundenen Treffern läuft nicht mehr nur in „langen" Source-Szenen, sondern überall dort, wo die Szene mehr als nur das Segment-Fenster trägt. Eine korrigierte Position wird übernommen, sobald sie das Bildinhalt-Validate besteht UND nicht spürbar schlechter scort als das Original (≤ 0.02 Verlust). Bereits bestätigte Treffer in eng zugeschnittenen Szenen werden bewusst nicht angefasst, damit ein guter Match nicht durch eine nominell gleichwertige Alternative ausgetauscht wird. Beats, die nach dem CV-Lauf weder als Vollmatch noch als Segmentmatch landen, durchlaufen anschließend eine Recovery-Stufe: Vibe-Check (Histogramm/pHash) liefert Top-K Kandidatenszenen, die semantische Action-Window-Suche prüft darin die Phase des sichtbaren Trailerbeat-Anteils, und der CV-Aligner setzt den Inpoint frame-genau. Übernommen wird nur ein Kandidat, der dieselbe Vision-Phasenvalidierung wie der Hauptpfad besteht. Beats ohne sichtbares Bildmaterial (Logos, Titel-Karten, durchgehende Fades) werden gar nicht erst gesucht — sie sind bewusst kein Match. Lange Trailerbeats werden nicht mehr automatisch über ihre gesamte Beat-Länge gegen einen einzigen Source-Clip validiert. Sobald nach einem sichtbaren Source-Abschnitt eine anhaltende Schwarzblende oder Titel-/Credit-Insel beginnt, endet der matchbare Referenzbereich dort; zwei aufeinanderfolgende dunkle Samples reichen dafür. Spätere Text-/Creditbilder im selben Beat gehen damit nicht mehr in Reranking, Validation oder Span-Schätzung ein. Wenn nach einer Blende wieder sichtbares, matchbares Material kommt, wird der Beat nicht mehr als „Source + schwarzer Tail“ behandelt. Der CLI-Match speichert zusätzliche MatchSegment-Einträge für jede automatisch erkannte sichtbare Insel; der HTML-Report setzt diese Source-Segmente frame-lockend zusammen und füllt nur echte Zwischenlücken mit Schwarz. Dadurch können per Blende verbundene Trailer-Einstellungen innerhalb eines Beats getrennt gematcht werden, ohne die globale Scene Detection aggressiver oder beat-spezifisch zu kuratieren. Beats mit mehreren sichtbaren Inseln werden direkt segmentiert gesucht, statt zuerst als ein künstlich zusammenhängender Source-Clip über den ganzen Film zu laufen. Jede Insel nutzt dieselbe gestufte Vision-/CV-Validierung wie ein normaler Beat; der zusammengesetzte Report bleibt beat-synchron. Wenn der schnelle validierte Vision-Prepass für eine Insel keinen Treffer liefert, darf diese Insel weiterhin in den vollständigen Scan fallen. Falls ein kompletter Beat keinen belastbaren Einzelclip ergibt, versucht der Matcher dieselbe Segmentlogik automatisch als Fallback: sichtbare Inseln werden einzeln global gesucht und anschließend wieder zu einem Beat-Ergebnis zusammengesetzt. Sehr kurze Inseln dürfen zusätzlich in den Source-Szenen benachbarter bereits gematchter Beats lokal nach ihrer Bewegungsphase suchen. Das ist weiterhin nur ein allgemeiner Continuity-Anker, kein manueller Override für bestimmte Beat-Nummern oder Szenen. Besteht ein Beat nach automatischer Fade-/Titel-Filterung nur aus einer einzigen sichtbaren Insel, wird diese Insel direkt als primäres Suchziel verwendet. Dadurch scannt der Matcher denselben Bildinhalt nicht erst als vollen Beat und danach noch einmal als Segment; der Report behält trotzdem die korrekte Beat-Position und füllt echte Randlücken mit Schwarz. Gecachte segmentierte Treffer werden ebenfalls gegen die automatisch sichtbare Referenzdauer normalisiert, nicht gegen Schwarz-/Blendränder des gesamten Beats. Ein korrekt gematchter kurzer Bildinhalt wird dadurch beim Report-Aufbau nicht nachträglich als zu kurz verworfen. Zusätzlich werden sehr dunkle, kontrastarme oder noch nicht sauber auf-/abgeblendete Referenzframes aus Score, Inhalts-Reranking, Phasen-Alignment und Motion-Templates herausgenommen. Blenden sollen bestimmen, wie der Clip später exportiert wird, aber nicht, ob der Bildinhalt als Match gilt. Sichtbare Fade-Rampen werden nur in eine matchbare Insel hinein erweitert, wenn sie strukturell stark zum ersten bzw. letzten scorebaren Frame derselben Einstellung passen. Doppelbelichtungen aus Cross-Dissolves bleiben dadurch Übergangsmaterial und werden nicht als einzelner Quellclip erzwungen. Treffer unter provisional_content_threshold werden gar nicht mehr gespeichert oder aus alten Cache-Ergebnissen übernommen. Das verhindert, dass offensichtlich falsche Szenen im Report als Match-Kandidat weiterleben.

Log-Level

python cli.py run --log-level DEBUG

---

Projektstruktur

ai_trailer_2026/
│
├── config.toml              ← Alle Parameter (kein Hardcoding im Code)
├── .env                     ← API-Keys (NICHT commiten)
├── cli.py                   ← Einstiegspunkt
│
├── src/
│   ├── core/
│   │   ├── config.py        load_config() → AppConfig (frozen dataclasses)
│   │   └── models.py        Scene, TrailerBeat, VibeHit, MatchResult, EditTimeline
│   ├── cv/
│   │   ├── fingerprinting.py   Text-Safe Crop · HS-Histogramme · pHash
│   │   ├── vibe_check.py       Phase 1: Histogram+pHash Filter
│   │   ├── scene_indexer.py    PySceneDetect → Fingerprint → JSON-Cache
│   │   ├── frame_extractor.py  VideoCapture-Wrapper
│   │   └── deep_scan.py        Phase 2: Coarse+Refine Template-Matching
│   ├── audio/
│   │   └── transcriber.py   faster-whisper Transkription
│   ├── llm/
│   │   ├── dramaturg.py     OpenRouter → BeatType (Dialog/Dramaturgie)
│   │   └── vision_cache.py  optionale gecachte 3-Frame Vision-Seeds
│   ├── pipeline/
│   │   ├── trailer_analyzer.py  Reference-Trailer → TrailerBeat[]
│   │   └── matcher.py           Orchestrierung + EditTimeline-Builder
│   └── export/
│       ├── timecode.py      Sekunden ↔ FCPXML-Rational ↔ SMPTE
│       ├── fcpxml_writer.py FCPXML 1.10
│       └── edl_writer.py    CMX 3600 EDL
│
├── output/                  ← FCPXML/EDL Output (gitignored)
├── .cache/                  ← Szenen-Index + Match-Ergebnisse (gitignored)
└── tests/                   52 Unit-Tests (pytest)

---

Cache-Verhalten

Damit nicht bei jedem Lauf der gesamte Quellfilm neu analysiert werden muss:

Datei	Inhalt	Neu bauen mit
.cache/scene_index.json	Alle Quellfilm-Szenen + Fingerprints	--force-reindex
.cache/trailer_beats.json	Erkannte Trailer-Beats	python cli.py analyze erneut
.cache/match_results.json	CV-Matching-Ergebnisse	python cli.py match erneut
.cache/vision_descriptions.json	Optionale 3-Frame Vision-Beschreibungen für Beats/Szenen	löschen oder anderes Vision-Modell konfigurieren

---

Tests

pytest tests/ -v

Alle Tests laufen ohne echte Videodateien (synthetische Frames via numpy/OpenCV).

---

Konfiguration (Auszug)

Alle Werte in config.toml — keine hardgecodeten Konstanten im Code.

[cv.vibe_check]
top_k_candidates     = 10     # Top-K Kandidaten für Deep Scan
phash_max_distance   = 12     # Hamming-Distanz Schwelle (0–64)
crop_top_fraction    = 0.15   # Obere 15% ausblenden (Logos)
crop_bottom_fraction = 0.30   # Untere 30% ausblenden (Letterbox/Subs)

[cv.deep_scan]
coarse_step_seconds  = 0.5    # Scan-Schrittgröße (Coarse Pass)
match_threshold      = 0.65   # Mindestscore für bestätigte automatische Matches
provisional_match_threshold = 0.43 # Niedrigere automatische Kandidaten im Report zeigen
coarse_candidate_threshold = 0.50 # Niedrigeres Gate vor Multi-Frame-Refine
refine_window_seconds = 0.6   # Suchfenster für framegenaue Inpoint-Feinjustage
refine_step_seconds  = 0.04   # ~1 Frame bei 25fps (Refine Pass)
content_align_window_seconds = 0.48 # Lokales Suchfenster um einen groben Treffer
content_align_sample_step_s  = 0.28 # Referenzframes für direkten Bildinhalt-Offset
content_validation_weight    = 0.35 # Gewicht der festen Whole-Frame-/Spatial-Endprüfung
provisional_content_threshold = 0.42 # Untergrenze für Report-/Cache-Kandidaten
start_tie_break_score_delta = 0.015 # Bei fast gleichen Scores früheren Inpoint wählen
start_preroll_frames        = 0  # Kein pauschaler Start-Ausgleich; Offset kommt aus Bildinhalt
sequence_candidate_count = 240 # Breiter Kandidatenpool vor Inhalts-Reranking
max_refine_candidates = 6 # Teurer Frame-Refine läuft nur auf den besten Inhaltskandidaten
scene_seed_top_k = 30 # Scene-Level-Kandidaten als zusätzliche Suchanker
scene_seed_points_per_scene = 6 # Inpoint-Samples pro Scene-Level-Kandidat
content_rerank_candidate_count = 100 # Grobe Kandidaten vor Inhalts-Reranking
skip_coarse_scan_with_weighted_seeds = false # Vision-Seeds nur als Hinweise; Vollscan bleibt robust
sequence_score_weight = 0.55  # Gewicht für mehrere zeitliche Vergleichsframes
span_score_weight     = 0.15  # Gewicht für Stabilität bis zum Beat-Ende
coarse_score_weight   = 0.10  # Gewicht des groben Midpoint-Treffers
duration_score_weight = 0.20  # Gewicht für nutzbare Länge des Source-Treffers
duration_tie_break_score_delta = 0.03 # Bei ähnlichem Score längeren Treffer bevorzugen
min_duration_coverage = 0.65 # Treffer muss mindestens 65% des matchbaren Referenzanteils tragen
continuity_seed_offsets_s = [-1.0, 0.0, 0.5, 1.0, 1.5, 2.0, 3.0] # Suchanker um gematchte Nachbarbeats
span_sample_step_s       = 0.08 # Schrittweite für End-/Drift-Erkennung
trim_tail_frames         = 4  # Sicherheitsabstand gegen kurze Blitzer am Ende
scene_boundary_epsilon_s = 0.12 # Szenengrenzen-Toleranz gegen 1-2 Frame Cut-Drift
scoreable_luma_mean_min = 24.0 # Zu dunkle/Fade-Frames nicht scoren
scoreable_luma_p90_min  = 58.0 # Helle Bildanteile müssen sichtbar genug sein
scoreable_contrast_min  = 24.0 # Kontrastarme Blenden/Titelinseln ignorieren

[vision]
enabled = false # Kostenkontrolle: per CLI mit --vision aktivierbar
model = "google/gemma-4-31b-it" # Muss ein visionfähiges OpenAI-kompatibles Modell sein
scene_candidate_top_k = 48 # Breiter Vision-Kandidatenpool für schwierige Beats
max_new_descriptions_per_run = 24 # Gecachte Beschreibungen pro Lauf; Rate-Limits bekommen Backoff
max_seed_scenes = 8 # Mehr Vision-Szenen als Suchanker, kein manueller Override
seed_points_per_scene = 12 # Inpoint-Samples pro Vision-Szene
seed_score = 0.88 # Vision-Seeds bekommen mehr Priorität als normale Scene-Seeds
max_refine_candidates = 12 # Vision-Pfad prüft mehrere Bewegungsphasen derselben Szene
local_scan_step_s = 0.12 # Dichte lokale Bildsuche in Vision-Szenen
local_scan_max_points_per_scene = 180 # Laufzeitgrenze pro Source-Szene
local_scan_top_candidates = 36 # Beste lokale Kandidaten gehen ins Refinement
local_scan_tie_break_score_delta = 0.08 # Ähnliche Vision-Treffer: frühere Phase bevorzugen
multi_shot_cut_corr_threshold = 0.20 # Interne Trailer-Umschnitte erkennen
multi_shot_boundary_tolerance_s = 0.20 # Source-Grenze muss zum Trailer-Cut passen
fullscan_fallback = false # Nur relevant, wenn skip_coarse_scan_with_weighted_seeds=true ist
content_threshold = 0.22 # Lockeres Content-Gate nur für gewichtete Vision-Seeds
similarity_threshold = 0.18 # Mindest-Textähnlichkeit für Vision-Seeds

---

Lizenz

Internes Tool — nicht für den öffentlichen Vertrieb.