Oscar · Ergebnis des Caption-Bakeoffs

Stand: 27.10.2026 12:30 CET

Keiner der sechs Testclips ist für die Kundenabnahme sauber genug; den automatischen Workflow vorerst nicht auf diese Ergebnisse umstellen. VACE 14B liefert bei Clip02 die plausibelste Fläche, erfindet bei Clip03 aber eine Mappe und ein Abzeichen. Mehr Modellgröße löst das Problem hier nicht. SVOR bleibt der sinnvollste offene Kandidat für einen gezielten Folgetest; ROSE verwischt in diesem Aufbau zu viele Kleidungs- und Mikrofondetails. Als nächsten Diensttest empfehle ich Aleph2 mit einem sauberen Referenzbild. Kling O3 und Wan2.7 wurden wegen HTTP401 der vorhandenen fal-Schlüssel nicht getestet; LTX2.3 Subtitle scheitert aktuell am fehlenden Gemma-Zugang. Für Oscar zuerst unbeschriftetes Ausgangsmaterial oder passende saubere Referenzframes beschaffen, dann pro Einstellung rekonstruieren und alle Frames auf Schrift sowie Hände/Kleidung prüfen. Kein Verfahren ist hier als fehlerfreie Komplettlösung belegt.

Gemessene Ergebnisse

OCR auf allen 240 nativen Frames je Video. Positive OCR-Frames sind Detektormeldungen, keine manuell bestätigte Zahl verbliebener Captionframes. MAE misst Nachbarframe-Differenzen innerhalb derselben Maske; die beiden Schnittübergänge von Video03 werden für die Vergleichszahl ausgelassen. Bewegung, Blur und Freeze beeinflussen diesen Wert.

Clip / Verfahren	OCR in Maske	OCR Vollbild	Zeitliche MAE	Verarbeitung	Sichturteil
02 / Original	240/240	240/240	2.577	—	Unveränderte Positivkontrolle mit eingebrannter Schrift.
02 / SVOR · 2026	1/240	38/240	4.544	396.8 s	Titelkarte weitgehend entfernt; neue Krawatten-/Mikrofondetails, deutliche horizontale Übergänge und instabile Hände. Nicht abnahmefähig. Der einzelne OCR-Treffer ist eine Zifferninterpretation am Mikrofonbereich, kein lesbarer Originaltitel.
02 / ROSE · 50 Schritte	121/240	213/240	1.697	531.5 s	Stark verwischte Rekonstruktion: Krawatte, Revers und Mikrofon teilweise verschwunden; rechteckige Reparaturflächen sichtbar. Die OCR liest häufig 888-Muster aus der verbleibenden Krawattenstruktur. Nicht abnahmefähig.
02 / VACE · 14B	34/240	58/240	3.603	1173.6 s	Beste der drei Proben für02: plausiblere Krawatte und weniger auffällige horizontale Naht. Dennoch neues Mikrofon-/Kabeldetail, veränderte Handkonturen und sichtbare Patchgrenzen. Keine Freigabe. OCR markiert überwiegend einzelne C-Formen.
03 / Original	240/240	240/240	2.395	—	Unveränderte Positivkontrolle mit eingebrannter Schrift.
03 / SVOR · 2026	12/240	129/240	2.203	416.0 s	Titel weitgehend entfernt, aber Mikrofonkopf und Krawatte neu erfunden; Übergänge an Hand und Jacke sichtbar. 12 OCR-Markierungen liegen im kurzen Weitwinkelabschnitt. Besseres Grundbild als ROSE02, dennoch keine Freigabe.
03 / ROSE · 50 Schritte	2/240	130/240	1.349	474.6 s	Krawatte und Mikrofonkopf weitgehend weggewischt, unscharfer Brustbereich und sichtbare Maskenkanten; zeitweise verschmierte Hand. Zwei OCR-Markierungen (C) ändern dieses klare Qualitätsproblem nicht. Nicht abnahmefähig.
03 / VACE · 14B	14/240	86/240	2.898	932.9 s	Deutliche Halluzination: neue violette Mappe im Weitwinkel und neues großes Abzeichen auf der Brust; Krawatte und Mikrofon verändert. Trotz entfernter Titelkarte klar nicht abnahmefähig.

Kosten und Laufzeit

Keine bezahlten API-Jobs. Alle Bildverarbeitung, Inferenz, OCR und Encodes liefen extern auf Modal. Kosten sämtlicher Diagnose-, Fehl- und abgebrochener Versuche werden mitgezählt. Cloudflare Pages über den vorhandenen Zugang, kein Kauf und kein neues Abo.

Appbezogener Modal-Billing-Stand: 9.9478 USD. Die Abrechnung kann nachlaufen; Zeit-/Ressourcenrechnung dient als Gegenprüfung. Gesamtdeckel: 15 USD.

Verfahren	Zeit für 2×8 s	Zeit je Videominute (hochgerechnet)	Erfasste Modal-Kosten der finalen Jobs	Kosten je Videominute (hochgerechnet)
SVOR · 2026	812.8 s	50.8 Rechenminuten	$1.0299	$3.86
ROSE · 50 Schritte	1006.1 s	62.9 Rechenminuten	$1.2707	$4.77
VACE · 14B	2106.6 s	131.7 Rechenminuten	$2.7463	$10.30

Die Minutenwerte sind lineare Hochrechnungen der beiden kurzen Tests einschließlich ihrer Modellladezeit, keine zugesagten Preise oder Langclip-Benchmarks. Der Gesamtbetrag ist höher als die Summe finaler Jobs, weil Vorbereitung, OCR, Diagnose und Fehlversuche dazugehören.

Versuchsaufbau

Original02: 153173E7-DD5F-42FB-BB67-3EE9F63312BF.mp4. Original03: 662D4AA0-4FD8-4F36-A2F2-A2C6D66E8293.mp4. Jeweils Sekunde0–8, 1080×1920,30fps. Video03 wird vorFrame39 und63 getrennt verarbeitet; Padding wird anschließend entfernt. Originalaudio bleibt erhalten.

Kontextausschnitt x0,y256,Breite1080,Höhe1280; Gesicht sichtbar. Modellraster ungefähr544×640. Die festen Titel-/Captionmasken liegen auf jedem Frame an,02 bedeckt32,98%,03 bedeckt30,14% des Kontextausschnitts. Gleiche Maskengeometrie für alle drei Verfahren; SVOR nutzt zusätzlich seine dokumentierte Dilatation3 intern. Nur die gemeinsame äußere Maske wird in das Original zurückkomponiert, mit16px Einwärts-Federung. H.264-Neukodierung verändert auch unmaskierte Pixel geringfügig; Außen-MAE steht in results.json.

SVOR20Schritte, ROSE50Schritte (Autorenstandard), VACE14B20Schritte/Guidance5; Seed43. SVOR undROSE nutzen kleinere Wan1.3B-Basen, VACE14B die offiziellen größeren Diffusers-Gewichte. Alle drei Kerne/Gewichte sind als Apache2.0 veröffentlicht; das separat mitROSE gelieferte ProPainter-Demowerkzeug wurde nicht verwendet. VACE-Modellkarte, SVOR, ROSE.

Die ersten Diagnoseversuche hatten einen zu engen Torsoausschnitt und mehr als50% Maskenfläche. Diese Ergebnisse stehen nicht in der finalen Vergleichsansicht. BeiROSE wurden eine fehlende Abhängigkeit und eine nicht weitergereichte Bildgröße im Inferenzskript korrigiert. Alle Ausgaben hier stammen aus dem anschließenden, einheitlich korrigierten Aufbau.

Grenzen und nächster Schritt

Kein unbeschriftetes Ground-Truth-Video vorhanden. Dauerhaft verdeckte Körperteile müssen geschätzt werden. Die Untersuchung beweist weder globale Überlegenheit eines Modells noch fehlerfreie Rekonstruktion. Die getestete Auflösung und die begrenzten Schrittzahlen gehören zum Ergebnis. Aufwendigere Konfigurationen können sich anders verhalten.

Recherche aller Kandidaten und Primärquellen · Synchroner Vergleich · Messdaten und Parameter