Im letzten Monat habe ich versucht, etwas zu tun, das sich als viel schwieriger herausgestellt hat als das Schreiben von Code.

Ein gutes Produkt zu entwickeln.

Nicht nur eine interessante Idee, die einem Entwickler cool erscheint, sondern ein Produkt, für das es einen echten Markt gibt und die Leute bereit sind zu zahlen.

Und je länger ich darüber nachdenke, desto mehr bin ich überzeugt: Ein MVP zu schreiben ist oft einfacher, als zu verstehen, was genau man schreiben soll.

Alles begann mit der Transkription

Ursprünglich wollte ich einen Dienst zur Transkription von Audio und Video erstellen.

Die Idee schien ziemlich logisch: Video hochladen, Texttranskript in einem praktischen Format erhalten und dann mit einem Klick eine kurze Zusammenfassung des Inhalts erstellen.

Zumal es tatsächlich eine Nachfrage nach einem solchen Dienst gibt. Zum Beispiel zeigt die Anfrage „Video in Text“ in Yandex Wordstat etwa 30.000 Anfragen pro Monat.

Ich habe es sogar geschafft, den ersten MVP zu coden: Ich habe eine Website, ein Backend erstellt und meine neuronalen Netze angebunden.

Es schien, als wäre da das Produkt.

Aber als ich anfing, den Markt genauer zu betrachten, hatte ich das Gefühl, etwas zu spät dran zu sein. Es gibt bereits eine große Anzahl von Transkriptionsdiensten, und viele von ihnen machen ungefähr dasselbe.

Und ich begann, mir eine ziemlich unangenehme Frage zu stellen:

Warum sollte jemand einen weiteren Transkriptor brauchen?

Man könnte die Oberfläche schöner machen, ein weiteres neuronales Netz hinzufügen oder ein paar zusätzliche Funktionen erfinden. Aber das begann alles wie ein Versuch auszusehen, die gewählte Idee zu rechtfertigen, und nicht wie die Suche nach einem echten Bedarf.

Von der Texttranskription zu kurzen Videos

Irgendwann begann ich, nicht über die Transkription selbst nachzudenken, sondern darüber, was die Leute mit dem erhaltenen Text weiter machen.

So kam ich zu kurzen Videos.

Reels, Shorts, TikTok und andere vertikale Formate haben Untertitel längst zu einem eigenen Designelement gemacht. Es ist nicht mehr nur Text am unteren Bildschirmrand.

Große Wörter, Hervorhebung einzelner Phrasen, Animation, Änderung von Größe und Farbe, Platzierung von Text neben Objekten im Bild – all das hilft, die Aufmerksamkeit des Zuschauers zu halten.

So entstand die Idee, einen Dienst nicht für die Transkription zu entwickeln, sondern für die Erstellung und Bearbeitung effektvoller Untertitel für kurze Videos.

Und das ist ein ganz anderes Produkt.

Zuerst sah die Idee einfach aus: Sprache erkennen, Zeitcodes erhalten und dem Benutzer einen praktischen Editor geben.

Aber je mehr ich darüber nachdachte, desto mehr Möglichkeiten tauchten auf:

• Objekte im Bild erkennen und Untertitel nicht überlappen;
• wichtige Wörter automatisch hervorheben;
• Animationen hinzufügen;
• das Design an das jeweilige Video anpassen;
• Momente finden, die visuell hervorgehoben werden sollten.

Und dann beginnt die Fantasie des Entwicklers durchzudrehen: B-Roll, automatischer Schnitt, Lippen-Synchronisation, Arbeit mit der Tonspur, Videobearbeitung mit einem KI-Agenten.

Irgendwann wurde mir klar, dass man auf diese Weise sehr leicht ein Produkt für die nächsten fünf Jahre erfinden kann.

Deshalb habe ich beschlossen, anzuhalten und mit einer viel einfacheren Sache zu beginnen:

Einen anständigen Untertitel-Editor zu machen.

Was dabei herauskam

So entstand mein erster SaaS – Captions Space.

Die Grundidee des Dienstes ist einfach: Video hochladen, automatisch Untertitel erhalten und sie schnell in einen anständigen Zustand bringen.

Der Dienst erkennt Sprache und erstellt Untertitel mit Zeitcodes. Danach kann das Video im Editor geöffnet werden.

Wenn die Erkennung irgendwo Fehler gemacht hat, kann der Text sofort korrigiert werden. Wenn der Untertitel zu früh oder zu spät erscheint – das Timing ändern.

Das heißt, die KI erledigt den routinemäßigen Teil der Arbeit, und der Mensch überprüft und bearbeitet das Ergebnis schnell.

Und das ist für mich ein ziemlich wichtiges Produktprinzip:

KI muss nicht unbedingt alles selbst machen. Manchmal ist es sinnvoller, 80 % der langweiligen Arbeit zu automatisieren und dem Menschen die letzten 20 % zu überlassen, wo Kontrolle und Entscheidungsfindung gefragt sind.

Warum ein einfacher Texteditor nicht ausreicht

Ein separater Teil des Projekts ist das Design.

Wenn man sich beliebte Reels und Shorts ansieht, fällt auf, dass Untertitel dort oft ein vollwertiger Teil des visuellen Stils des Videos sind.

Deshalb reicht es nicht aus, dem Benutzer nur die Möglichkeit zu geben, den Text zu korrigieren.

Man muss Schriftart, Größe, Farbe, Hervorhebung von Wörtern, Hintergrund, Umrandung, Anzahl der Zeilen und Position des Textes steuern können. Dabei möchte wahrscheinlich niemand alles für jedes Video von Grund auf neu einstellen.

Deshalb habe ich vorgefertigte Stile hinzugefügt:

• Minimal – eine einfache, minimalistische Variante;
• Beauty – ein ausdrucksstärkerer Stil;
• Business – dezent gestaltet für geschäftliche Inhalte.

Du wählst die passende Variante, änderst bei Bedarf etwas – und kannst weiterarbeiten.

Am Ende sieht das Basisszenario so aus:

Video → Erkennung → Untertitel → Bearbeitung → Design → fertiges Video.

Der schwierigste Teil – rechtzeitig aufzuhören

Das ist vorerst nur die erste Version des Produkts.

Ich versuche bewusst, daraus keine Allzweckwaffe mit hundert KI-Funktionen zu machen, obwohl die Versuchung groß ist.

Wenn man Video als Datensatz betrachtet, gibt es wirklich eine große Anzahl von Möglichkeiten:

• nicht nur Sprache, sondern auch Bild analysieren;
• verstehen, was im Bild ist;
• die Position einer Person bestimmen;
• einen freien Platz für Untertitel wählen;
• den Kontext des Gesagten berücksichtigen;
• das Design je nach Inhalt ändern;
• wichtige Momente finden;
• B-Roll hinzufügen.

In der Zukunft könnte man ganz auf den klassischen Videoeditor verzichten und dem Benutzer die Möglichkeit geben, einfach zu schreiben:

„Mach aus diesem Video ein dynamisches Reels im Stil meines Kanals.“

Und dann ein fertiges Ergebnis erhalten.

Aber das ist die nächste Stufe.

Jetzt ist es für mich viel interessanter, eine einfachere Hypothese zu testen:

Brauchen die Leute ein praktisches Werkzeug zum Erstellen und Bearbeiten von Untertiteln?

Denn genau hier beginnt das echte Produkt. Nicht mit der Anzahl der KI-Funktionen, sondern damit, ob es ein konkretes Problem löst und ob die Leute bereit sind, immer wieder zurückzukommen.

Deshalb mache ich vorerst einfach, probiere und schaue, was dabei herauskommt.

Das ist mein erster eigenständiger SaaS, und ich bin selbst gespannt, den ganzen Weg zu gehen: von der Idee und den ersten Codezeilen bis zu den ersten Nutzern und vielleicht dem ersten Geld.

Wenn du deinen eigenen SaaS gemacht oder ein MVP gestartet hast, erzähl in den Kommentaren: Wie hast du erkannt, dass du einen echten Bedarf gefunden hast und nicht nur eine für dich interessante Idee?

Die Entwicklung des Projekts kannst du in meinem Telegram-Kanal verfolgen: @imironov

Das Projekt selbst: Captions Space