synthmagazine.com – Automatisierte KI-Content-Pipeline (End-to-End)

synthmagazine.com ist ein automatisiertes Online-Magazin für Synthesizer & elektronische Musik. Aus YouTube-Inhalten entstehen tagesaktuelle Artikel – inklusive Zitaten/Timecodes, Produktdaten und mehrsprachiger Ausspielung über mehrere Domains. Das Projekt zeigt: KI wird produktiv, wenn Prozesse, Schnittstellen und Qualitätsmechaniken sauber gebaut sind.

Kurzüberblick:

Ausgangslage: viele manuelle Einzelschritte (Download → Transkript → Text → Übersetzung → Publishing)
Ziel: wiederholbare, fehlertolerante Pipeline statt Copy/Paste
Ergebnis: stabiler Betrieb mit 2–5 Artikeln/Tag über mehrere Sprach-/Domain-Varianten
Charakter: eigener Produktivbetrieb als „Proof of Practice“

Ausgangslage

Viele Übergaben zwischen Tools/Teams: ein Fehler an einer Stelle stoppt die Kette.
Qualität schwankt, wenn Ausgaben nicht strukturiert sind (z. B. Zitate ohne Timecodes).
Mehrsprachigkeit erhöht Komplexität massiv, wenn sie nicht „by design“ mitgedacht wird.
Ohne Logging/Retry/Fehlergründe entsteht „stille“ Fehlerproduktion.

Zielbild

Strukturierte Outputs (Artikel als JSON mit Abschnitten/Zitaten/Timecodes), damit Publishing zuverlässig ist.
Fehlertoleranz: klare Zustände, Retries, nachvollziehbare Fehlerursachen.
Skalierbarkeit: neue Kanäle/Sprachen hinzufügen, ohne alles neu zu bauen.

Vorgehen (Systemdesign + Governance)

1) End-to-End Prozess in klare Schritte zerlegt
Ingestion (Kanal/Video) → Download (Audio/Video) → Transkription → Artikelgenerierung → Datenanreicherung → Übersetzung → Publishing → statischer Export/Deploy.

2) Orchestrierung mit Wiederholbarkeit
Jeder Schritt hat eindeutige Ein- und Ausgänge, Status und Fehlercodes. Dadurch lassen sich Jobs sauber wiederaufnehmen, statt „von vorne“ zu starten.

3) KI dort, wo sie stabil Mehrwert bringt

strukturierte Artikelgenerierung (Abschnitte, Teaser, CTAs)
Zitate mit Zeitstempeln (nachvollziehbar)
konsistente Tonalität über Templates/Personas

4) Qualitätssicherung als Leitplanke

Qualitätsflags (z. B. „ok / needs_review / skip_reason“)
Plausibilitätschecks (z. B. fehlende Timecodes, zu kurze Transkripte)
Logging, damit man Ursachen findet (Download/Transkript/KI/Publishing)

Ergebnis / Artefakte

Stabile Pipeline mit klaren Zuständen und Fehlertoleranz (Retry-Strategie)
Strukturierte Inhalte als Grundlage für WordPress/ACF + mehrsprachige Ausspielung
Betriebssicht: Monitoring-Ideen, Fehlerklassen, klare Schnittstellen zwischen Services
Wiederverwendbare Templates für Tonalität, Struktur und CTA-Logik

Technik-Details

Stack:

Orchestrierung: n8n (Scheduling, Retries, Fehlerpfade)
Datenhaltung: PostgreSQL als zentrale Wahrheit (Queues, Status, Qualitätsflags, Fehlergründe)
Download: yt-dlp + ffmpeg (inkl. Fallback-Strategien je nach Streamtyp)
Transkription: Whisper/whisper.cpp als Service (Containerisiert)
KI-Generierung: OpenAI Assistants/Threads für strukturierte Artikel-JSONs
Übersetzung: MarianMT als separater Container (verschachtelte JSON-Strukturen)
Publishing: WordPress (GeneratePress/ACF) + Polylang Pro (AT/DE/EN/UK)
Ausspielung: statischer Export & Deploy via SSH/rsync

Strukturierter Output:

Artikel entstehen nicht als „Freitext“, sondern als JSON (Abschnitte, Zitate mit Timecodes, Teaser, CTA)
Dadurch sind Validierung und Publishing stabil (z. B. Pflichtfelder, Längen, Timecode-Format)

Betriebs-/Qualitätsmechaniken:

Status-Maschine pro Video/Artikel (z. B. queued → downloading → transcribing → generating → translating → publishing)
Qualitätsflags (ok / needs_review / skip_reason) + Wiederaufnahme an der richtigen Stelle
Logging pro Schritt (Download/Transkript/KI/Publish), damit Fehlerursachen sichtbar sind