Content Repurposing Automation
Ein n8n-Workflow, der aus einer Audio-Aufnahme automatisch ein Content-Paket produziert: Transkript, YouTube-Metadaten, Thumbnail, Präsentationen und Social-Media-Carousel-Cards. Gebaut für Content-Teams, die regelmäßig Podcasts produzieren.
10 bis 15 Minuten pro Run. Daraus entstehen 4-5 Social Cards mit 7-10 Slides, ein Whitepaper als PDF, YouTube-Metadaten und ein Thumbnail. Manuell wäre das Stunden an Arbeit gewesen, wenn es mit dem hohen Workload überhaupt passiert wäre.
Das Problem
Experten-Podcasts liefern richtig guten Inhalt. Aber als reine Audio-Aufnahme oder Video erreichen sie nur einen Bruchteil des möglichen Publikums. Eine 30-minütige Folge enthält genug Material für eine Präsentation, mehrere Social-Media-Posts und einen YouTube-Auftritt mit Metadaten.
Nur: die Verwertung passiert meistens nicht. Aufnahme transkribieren, YouTube-Titel und Beschreibung schreiben, Kapitelmarken setzen, Thumbnail gestalten, Inhalte in Folien umstrukturieren, Social-Cards erstellen, alles an die richtigen Leute verteilen. Pro Episode sind das Stunden Nachbearbeitung. Bei Content-Teams bleibt diese Arbeit regelmäßig liegen. Nicht weil der Wille fehlt, sondern weil die Zeit fehlt.
Der Ansatz
Der Workflow wird durch eine einzige Aktion ausgelöst: eine MP3-Datei in einem bestimmten Google-Drive-Ordner ablegen. Ab diesem Moment läuft alles automatisch. Ein Google Drive Trigger erkennt die neue Datei und startet zwei parallele Produktionsstränge, einen für YouTube-Assets und einen für Gamma-Deliverables.
Der erste Schritt für beide Stränge: Gemini transkribiert die Audiodatei. Aus diesem Transkript bedient sich alles Weitere. Ein Input, viele Outputs.
Die YouTube-Assets
Der YouTube-Strang produziert drei Dinge: SEO-Metadaten, Kapitelmarken und ein Thumbnail. Gemini generiert aus dem Transkript einen JSON-Output mit Titel, Beschreibung, Tags und Kapitel-Timestamps. Ein nachgeschalteter Code-Knoten parst diesen Output, baut die finale YouTube-Beschreibung mit Timestamps zusammen und bereitet alles für YouTube Studio vor.
Die Thumbnail-Generierung
Das Thumbnail wird von einem KI-Agenten erstellt, der wie ein Art Director arbeitet: Er kennt die Corporate-Identity-Regeln (Farbpalette, Typografie, Layout-Vorgaben) und generiert daraus einen Bild-Prompt. Sein Output ist ein JSON mit dem Image-Prompt, dem Hook-Text für das Thumbnail und einer Begründung für die kreative Entscheidung.
Dieser Prompt wird dann an Gemini (via OpenRouter) übergeben, das daraus ein Bild rendert. Das Base64-Ergebnis wird in eine PNG-Datei konvertiert und als Anhang in die YouTube-Assets-E-Mail eingebettet.
Die Bildgenerierung hat mich am meisten Zeit gekostet. Über NanoBanana lief es lange nicht gut. Man muss wirklich den richtigen Prompt finden, damit die Ergebnisse konsistent werden. Kleine Änderungen am Prompt haben zu komplett anderen Stilen geführt. Das hat einiges an Iteration gebraucht.
Die Content-Verwertung
Parallel zum YouTube-Strang läuft die Gamma-Verwertung. Sie teilt sich in zwei Pfade: Präsentationen aus dem Volltext und Social-Cards aus extrahierten Einzelthemen.
Präsentationen aus dem Volltext
Das komplette Transkript geht direkt an die Gamma API, als 16:9-Präsentation, exportiert als PDF. Der Workflow generiert mindestens zwei Varianten mit unterschiedlichen Brand-Themes und speichert sie in den jeweiligen Markenordnern. Die fertigen PDFs sind als Whitepaper oder Lead-Magneten einsetzbar.
Was mich überrascht hat: Wie gut Gamma den Inhalt verarbeitet. Die Infos werden aus dem Transkript sauber herauskristallisiert, die Folien sind wirklich brauchbar. Das war für mich ein gutes Beispiel dafür, was Content Repurposing heute leisten kann.
Social-Cards aus Einzelthemen
Der zweite Pfad war der interessantere und auch der schwierigere. Gemini Flash extrahiert aus dem Transkript die einzelnen Themen mit ihren Kernaussagen, als JSON-Array. Jeder Eintrag enthält ein Thema und die zugehörigen Key Points. Der Workflow teilt dieses Array auf und generiert für jedes Thema eine eigene Gamma Social-Card im 4:5-Format.
Das Tricky war die Aufteilung des Transkripts. Die Talking Points müssen für sich alleine aussagekräftig sein und Mehrwert bieten, sonst sind die Social-Cards wertlos. Das hat einige Iterationen am Extraktions-Prompt gebraucht, bis die Ergebnisse wirklich gepasst haben.
Aus einer 30-minütigen Podcast-Folge entstehen typischerweise 4-5 Social-Cards, jede mit 7-10 Slides. Carousel-Content, der direkt auf LinkedIn oder Instagram einsetzbar ist.
Die Auslieferung
Der Workflow verteilt die Ergebnisse an unterschiedliche Empfänger. Die YouTube-Assets (Titel, Beschreibung, Tags, Thumbnail) gehen per E-Mail raus. Die Gamma-Deliverables (Präsentations-PDFs und Social-Card-Links) werden separat an die jeweiligen Empfänger gesendet, mit einer aufbereiteten HTML-Liste aller URLs und Download-Links.
Die getrennte Zustellung war Absicht. Wer mit YouTube-Assets arbeitet, bekommt nur die. Wer Präsentationen braucht, bekommt nur die. Jeder bekommt das, was für den nächsten Schritt relevant ist.
Das Ergebnis
Eine MP3 in Google Drive ablegen, 10-15 Minuten warten. Was rauskommt:
- Transkript der Audio-Aufnahme
- YouTube-Metadaten: Titel, Beschreibung mit Kapitelmarken, Tags
- CI-konformes Thumbnail als PNG
- Präsentationen als PDF in mehreren Brand-Varianten
- 4-5 Social-Media-Carousel-Cards pro Podcast-Thema, je 7-10 Slides
- Alles per E-Mail an die richtigen Teams zugestellt
Was ich heute anders machen würde: Mehr Zeit in den Input stecken. Klarere Richtlinien dafür, für wen und welchen Kanal der Output bestimmt ist. Zielgruppe, Intent, Plattform. Je präziser der Input definiert ist, desto besser werden die Ergebnisse. Das klingt offensichtlich, aber bei der ersten Version habe ich mich zu sehr auf den Output-Workflow konzentriert und zu wenig auf die Eingabe-Qualität.
Fragen zur Content Repurposing Automation?
Ich teile meine Erfahrungen mit Content-Automatisierung und n8n-Workflows offen. Wenn dich das Thema interessiert, lass uns auf LinkedIn connecten.