Podcast-Content mit KI und n8n mehrfach verwerten

Ein MP3 landet in einem Google-Drive-Ordner, dann ist erst einmal nichts mehr zu tun. Zehn bis fünfzehn Minuten später liegen ein Transkript, ein YouTube-Titel samt Beschreibung mit Kapitelmarken und ein passendes Thumbnail bereit. Dazu kommen Foliensätze als PDF und vier bis fünf Social-Carousels, jeweils per Mail an die richtigen Leute verschickt. Das ist kein Pitch, sondern ein Workflow, den ich produktiv einsetze, und dieser Beitrag zeigt, wie er aufgebaut ist.

Warum Podcast-Verwertung meistens liegen bleibt

Experten-Podcasts und Interviews stecken voller brauchbarem Material. Als reine Audio- oder Videodatei erreichen sie aber nur einen Bruchteil des möglichen Publikums. Eine halbe Stunde Aufnahme reicht locker für einen Foliensatz, mehrere Social-Posts und einen sauber getaggten YouTube-Upload.

Diese Verwertung passiert trotzdem selten von allein. Jemand muss die Aufnahme transkribieren, einen YouTube-Titel und eine Beschreibung schreiben und Kapitelmarken setzen. Dazu kommen ein Thumbnail, umgebaute Folien, fertige Social Cards und die Verteilung an die richtigen Leute.

Das sind Stunden Post-Produktion pro Folge, und zwar nicht aus Unlust, sondern aus Zeitmangel. In den meisten Content-Teams stapelt sich diese Arbeit hinter anderen Prioritäten, bis sie irgendwann gar nicht mehr passiert.

Wer sich für die Produktionsseite interessiert, also für die eigentliche Aufnahme einer guten Podcast-Folge, findet in meinem Step-by-Step-Guide zum Unternehmens-Podcast Ausrüstung, Rhythmus und Distribution.

Ein Transkript, zwei parallele Produktionsstrecken

Der Workflow startet mit einer einzigen Aktion: Ein MP3 landet in einem festgelegten Google-Drive-Ordner. Ein Drive-Trigger erkennt die neue Datei und stößt zwei parallele Strecken an, eine für die YouTube-Assets, eine für die Content-Distribution.

Der erste Schritt ist auf beiden Strecken derselbe. Gemini transkribiert die Audiodatei, und alles Weitere speist sich aus genau diesem einen Transkript. Damit steckt in einem einzigen Input schon alles, was für mehrere Outputs gebraucht wird. Genau deshalb lohnt sich ein verzweigter Workflow anstelle einer einzigen langen Prompt-Kette.

Gebaut hab ich das in n8n, demselben Automatisierungstool hinter ein paar anderen Marketing-Workflows, die ich dokumentiert habe. Wer bei n8n selbst noch am Anfang steht, findet dort einen leichteren Einstieg, bevor er sich an etwas in dieser Größenordnung wagt.

Die YouTube-Assets: Metadaten, Kapitel und Thumbnail

Die YouTube-Strecke erzeugt drei Dinge aus dem Transkript: SEO-Metadaten, Kapitelmarken und ein Thumbnail. Jedes läuft als eigene kleine Pipeline, nicht als ein großer Prompt. Kapitelmarken wirken auf den ersten Blick wie ein Detail, sind aber der Teil, der die Watchtime am stärksten beeinflusst. Zuschauer springen direkt zu dem Abschnitt, der sie interessiert, statt die Folge abzubrechen, weil sie den relevanten Moment nicht finden.

Gemini wandelt das Transkript in eine strukturierte JSON-Ausgabe mit Titel, Beschreibung, Tags und Kapitel-Zeitstempeln um. Ein Code-Node liest dieses JSON aus und baut daraus die fertige YouTube-Beschreibung mit klickbaren Zeitstempeln. Danach schnürt derselbe Node das komplette Upload-Paket für YouTube Studio, sodass am Ende nur noch hochgeladen werden muss.

Warum das Thumbnail ein Art-Direction-Problem ist, kein Bildprompt

Beim Thumbnail funktioniert der direkte Weg vom Transkript zum Ergebnis nicht. Statt ein Modell zu bitten, ein Thumbnail zu machen, übernimmt ein KI-Agent die Rolle des Art Directors. Er kennt Farbpalette, Typografie und Layoutvorgaben und schreibt den Bildprompt selbst. Seine Ausgabe ist wieder JSON, mit dem Bildprompt, dem Hook-Text fürs Thumbnail und einer kurzen Begründung für die gestalterische Entscheidung.

Dieser Prompt geht dann über OpenRouter an Gemini, das das Bild rendert. Das Base64-Ergebnis wird in ein PNG umgewandelt und an die Mail mit den YouTube-Assets gehängt.

Die Bildgenerierung hat am meisten Bauzeit gefressen, mehr als jeder andere Teil des Workflows. Konsistente, markenkonforme Ergebnisse zu bekommen brauchte echte Iteration. Kleine Wortänderungen im Prompt erzeugten völlig andere Bildstile. Die Lösung war am Ende kein besseres Modell, sondern eine disziplinierte Prompt-Struktur, in der die Markenregeln ausformuliert dastehen statt nur angedeutet.

Wer eine leichtere, manuelle Version derselben Idee sucht: mein Thumbnail-Generator lässt Text und Bilder per Drag-and-drop in eine Vorlage ziehen, ganz ohne Prompt-Arbeit.

Die Content-Distribution: Decks und Social Cards aus einem Transkript

Parallel zur YouTube-Strecke kümmert sich eine zweite Strecke um die Content-Distribution. Sie teilt sich noch einmal in zwei Wege: vollständige Decks aus dem kompletten Transkript und Social Cards aus einzeln extrahierten Themen.

Decks direkt aus dem Transkript

Das komplette Transkript geht an die Gamma-API als 16:9-Deck und wird als PDF exportiert. Der Workflow erzeugt mindestens zwei Varianten mit unterschiedlichen Marken-Themes und speichert jede im passenden Marken-Ordner. Die fertigen PDFs funktionieren ohne weitere Überarbeitung als Whitepaper oder Lead-Magnet, ganz ohne die Design-Runde, die früher nach jeder Aufnahme fällig gewesen wäre.

Überrascht hat mich, wie gut Gamma ein rohes Transkript als Eingabe verarbeitet. Es zieht die Information sauber heraus, und die entstehenden Folien halten für sich allein, ganz ohne Designer-Durchgang. Wer sich näher für automatisierte Foliensätze mit KI interessiert, dem hilft mein Beitrag zu KI-Präsentationen weiter.

Ein Transkript in eigenständige Themen zerlegen

Der zweite Weg war schwieriger zu bauen, aber interessanter. Gemini Flash extrahiert einzelne Themen und Kernpunkte aus dem Transkript als JSON-Array, ein Eintrag pro Thema mit den zugehörigen Stichpunkten. Der Workflow teilt dieses Array auf und erzeugt für jedes Thema eine Gamma-Social-Card im Format 4:5.

Schwierig ist nicht die Extraktion selbst, sondern das Aufteilen. Jeder Stichpunkt muss für sich allein stehen und einen Mehrwert bieten. Eine Social Card, die nur zusammen mit der restlichen Folge Sinn ergibt, taugt im Feed nichts. Bis der Extraktions-Prompt zuverlässig Themen lieferte, die auch isoliert funktionieren, brauchte es mehrere Runden Umschreiben, nicht nur das Justieren eines Parameters.

Eine typische halbstündige Folge liefert vier bis fünf Social Cards mit je sieben bis zehn Folien, fertiges Karussell-Material für LinkedIn oder Instagram. Damit lässt sich eine einzelne Aufnahme über mehrere Wochen hinweg ausspielen, ohne dass jemand nachträglich noch einmal ins Transkript schauen muss.

Warum der Versand nach Empfänger getrennt läuft

Der Workflow schickt die Ergebnisse an unterschiedliche Leute, je nachdem, was sie enthalten. Die YouTube-Assets, also Titel, Beschreibung, Tags und Thumbnail, gehen per Mail an die Person, die den Kanal betreut. Die Deliverables für die Content-Distribution, Deck-PDFs und Social-Card-Links, gehen an eine andere Empfängerliste mit einer HTML-Übersicht aus URLs und Download-Links.

Diese Trennung war eine bewusste Entscheidung, kein Zufall aus der Art, wie der Workflow über die Zeit gewachsen ist. Ich wollte von Anfang an vermeiden, dass jemand eine Mail mit fünf verschiedenen Dateitypen aufmacht und erst selbst sortieren muss, was für ihn überhaupt relevant ist.

Wer mit YouTube-Assets arbeitet, bekommt nur die. Wer Decks braucht, bekommt nur die. Jeder Empfänger bekommt genau das, was für den nächsten Schritt relevant ist, statt einen einzigen Wust, den er selbst sortieren muss.

Was der Workflow in der Praxis bringt

Ich hab den Workflow allein gebaut und betreibe ihn auch selbst. Die Bauzeit lag bei rund drei Wochen, und er läuft inzwischen produktiv. Der Stack: n8n für die Orchestrierung, Gemini für Transkription und Metadaten. Dazu kommen die Gamma-API für Decks und Social Cards, OpenRouter für die Bildgenerierung und Google Drive als Auslöser.

Pro Durchlauf kommt dabei heraus: ein Transkript, YouTube-Metadaten mit Kapitelmarken, ein markenkonformes PNG-Thumbnail, Deck-PDFs in mehreren Marken-Varianten und vier bis fünf Social-Carousel-Karten pro Folgen-Thema, alles per Mail an die richtigen Teams verschickt. Vom abgelegten File bis zum fertigen Paket vergehen zehn bis fünfzehn Minuten. Das ist Arbeit, die früher Stunden manueller Post-Produktion gekostet hat, wenn sie überhaupt passierte.

Was ich heute anders machen würde: mehr Zeit in den Input stecken, weniger in den Output. Klarere Vorgaben von Anfang an hätten später viel Nacharbeit gespart, für wen jeder Output gedacht ist und über welchen Kanal er läuft. Je präziser der Input, desto besser das Ergebnis auf jeder nachgelagerten Stufe. Das klingt banal, hat mich aber die meiste Nacharbeit gekostet.

Beim ersten Aufbau hab ich zu viel Zeit in den Ausgabe-Workflow gesteckt und zu wenig in die Qualität des Inputs. Dafür hab ich beim Thumbnail- und Social-Card-Prompt mit zusätzlichen Iterationsrunden bezahlt.

Baust du selbst etwas Ähnliches, oder hast du Fragen zum Stack? Ich bin auf LinkedIn: eric-hinzpeter-content-marketing.