Lokale KI-Videosuche: was 2026 auf dem eigenen Mac läuft
Was Apple Silicon offline mit deinem Material anstellen kann, wie viel schlechter das als die Cloud ist, und wann dieser Tausch offensichtlich richtig ist.
Vor zwei Jahren hieß „KI-Analyse deines Materials”, es hochzuladen. Für einen Reisevlog war das in Ordnung und für alles mit einer Vertraulichkeitsklausel ausgeschlossen, also für die meiste bezahlte Arbeit.
Das hat sich geändert, leise und ziemlich schnell. Ein Modell, das einen Videoclip gut genug beschreibt, um ihn wiederzufinden, passt heute auf einen Laptop. Hier steht, was dir das wirklich bringt, was es an Qualität kostet und wo die Cloud die Aufgabe weiterhin verdient.
Was „lokal” hier heißt
Drei Modellarten laufen inzwischen auf dem Gerät, und man sollte sie auseinanderhalten, weil sie sich sehr unterschiedlich schlagen.
Sprache zu Text. Mit Abstand am ausgereiftesten. Modelle der Whisper-Klasse laufen bequem auf Apple Silicon und liefern Transkripte in einer Qualität, die der von Cloud-Diensten wirklich nahekommt, in Dutzenden Sprachen, mit Timecodes bis aufs Wort. Wenn in deiner Arbeit Menschen sprechen, verändert allein das deinen Ablauf. Einzelheiten in Video auf dem Mac transkribieren.
Bild und Sprache. Modelle im Bereich von zwei bis acht Milliarden Parametern, die Bilder ansehen und in Worten beschreiben. Das ist die neuere Fähigkeit und die mit dem größten Abstand zur Cloud. Gut genug, um einen Clip zu finden, nicht gut genug, um deine Einstellungsliste zu schreiben.
Einordnung. Kleine, schnelle Modelle für eine Aufgabe: ist das ein Sprechclip oder ein Schnittbild, ist das Material unscharf, ist es heikel. Die laufen seit Jahren schnell und zuverlässig auf dem Gerät.
Auf Apple Silicon läuft das über Apples eigene Bausteine und zunehmend über MLX, ein Framework für maschinelles Lernen, das eigens für die Architektur mit gemeinsamem Speicher gebaut ist. Diese Architektur ist überhaupt der Grund, warum ein Laptop das kann: GPU und CPU teilen sich denselben Speicher, ein mehrere Gigabyte großes Modell muss also nicht über einen Bus kopiert werden.
Was die Hardware wirklich können muss
Ehrliche Zahlen, keine Werbezahlen.
| Rechner | Was zu erwarten ist |
|---|---|
| Intel-Mac | Lokale Bildmodelle sind unpraktikabel. Nimm die Cloud. |
| M1 oder M2, 8 GB | Nur kleine Modelle, hoher Speicherdruck, langsam. Möglich, nicht angenehm. |
| M1 bis M4, 16 GB | Der realistische Einstieg. Analyse ungefähr in Echtzeit oder schneller, je Clip. |
| 32 GB und mehr | Größere Modelle, bessere Beschreibungen, nebenher weiterarbeiten geht bequem. |
| M-Serie Pro oder Max | Deutlich schneller, denn mehr GPU-Kerne heißt mehr Durchsatz. |
Plane außerdem Plattenplatz ein. Ein Bildmodell sind mehrere Gigabyte, ein gutes Sprachmodell noch einmal ein bis drei. Das Herunterladen ist einmalig, aber auf einem Laptop, der immer zu 90 Prozent voll ist, ist es trotzdem echt.
Zum Durchsatz in der Praxis: rechne bei einem kurzen Clip mit einigen Sekunden, und bei einer vollen Karte mit einem Hintergrundlauf, den du startest und dann liegen lässt. Es ist nicht sofort. Es ist unbeaufsichtigt, und das zählt mehr.
Wie viel schlechter ist es wirklich
Das ist die Frage, auf die alle eine gerade Antwort wollen. Die ehrliche lautet:
Kategorien: ungefähr gleich. Küche, Straße, Strand, Wald, Büro, Menge, Interview, Drohnenflug. Ein lokales Modell schafft das alles.
Einzelheiten: spürbar schlechter. Wo ein Cloud-Modell „Kugelfisch über einem Korallenriff” sagt, sagt ein lokales „Fisch unter Wasser”. Wo ein Cloud-Modell das Schild liest und dir den Ladennamen nennt, sagt ein lokales „eine Ladenfront”.
Text im Bild: deutlich schlechter. Whiteboards, Beschilderung und Bildschirme zu lesen ist eine Stärke großer und eine Schwäche kleiner Modelle.
Sprache: fast gleich. Das ist der Ausreißer. Transkription auf dem Gerät liegt nah genug an Cloud-Transkription, dass der Unterschied bei sauberem Ton selten eine Rolle spielt.
Beständigkeit: lokal oft besser. Ein kleines Modell gibt dir jedes Mal dasselbe Vokabular, was fürs Taggen ein echter Vorteil ist. Ein großes Modell formuliert besser und schwankt mehr.
Und jetzt der wichtige Teil: fürs Wiederfinden reichen grobe Beschreibungen meistens. Deine Suche lautet nicht „finde den Kugelfisch”. Deine Suche lautet „welcher dieser 400 Clips ist der unter Wasser mit dem Fisch”. „Fisch unter Wasser” beantwortet das in einer Sekunde. Danach benutzt du deine Augen, was du ohnehin vorhattest.
Die Fälle, in denen grob nicht reicht, sind Logging für Stockbibliotheken, Archive mit kontrolliertem Vokabular in der Tiefe, und jeder Ablauf, in dem später jemand mit Worten sucht, die du nicht vorhergesehen hast.
Wann lokal offensichtlich richtig ist
Keine Vorliebe, eine Voraussetzung:
- Verträge mit Vertraulichkeitsklauseln. Die meisten Produktionsverträge haben eine. Ein Upload kann sie verletzen, auch wenn den Daten nichts zustößt.
- Medizinisches, juristisches und polizeiliches Material. Reguliert, und die Vorschriften interessiert dein Arbeitsablauf nicht.
- Unveröffentlichte Produkte, Material vor einer Sperrfrist, internes Firmenmaterial. Für das Leckrisiko ist jemand tatsächlich zuständig.
- Alles mit Menschen, die einer Verarbeitung nicht zugestimmt haben. Passanten, Minderjährige, sensible Orte.
- Privates Material, das du schlicht nicht auf dem Server eines anderen haben willst.
- Menge. Zehntausend Clips zu irgendeinem Preis pro Clip sind echtes Geld. Analyse auf dem Gerät kostet Strom.
- Keine Verbindung. Schneiden im Flugzeug, im Hotel mit feindlichem WLAN, an einem Drehort.
Diese Liste deckt einen sehr großen Teil professioneller Arbeit ab, und deshalb hat die Fähigkeit auf dem Gerät aufgehört, eine Nische zu sein.
Was lokale Analyse weiterhin nicht kann
Der Vollständigkeit halber:
- Sie kennt deine Menschen und Orte nicht. Kein Modell tut das, außer du sagst es ihm.
- Sie kann dein Projekt nicht lesen. Welcher Take der gute ist, ist keine sichtbare Eigenschaft.
- Sie indiziert nicht nach Timecode. Du bekommst eine Beschreibung des Clips, kein Protokoll des Clips. Der Unterschied steht in Videos nach Objekten durchsuchen.
- Sie fasst kein Kamera-RAW an. R3D, BRAW, ProRes RAW, ARRIRAW und Kamera-DNG sind für die meisten Werkzeuge geschlossene Behälter. Vorher umrechnen.
- Sie heizt deinen Laptop auf. Dauerhafte Analyse einer großen Karte ist eine schwere GPU-Aufgabe. Auf einem lüfterlosen Rechner drosselt sie.
Eine sinnvolle Mischung
Der Aufbau, bei dem die meisten Profis landen, nachdem sie beides probiert haben:
- Standardmäßig auf dem Gerät, für die ganze Karte, direkt nach der Übernahme. Kostenlos, privat, unbeaufsichtigt.
- Cloud gezielt, für das Material, bei dem sich Genauigkeit auszahlt: die stocktaugliche B-Roll, der Dreh, den du weiterverkaufst, das Archiv, das du in fünf Jahren mit heute unvorhersehbaren Worten durchsuchst.
- Transkription immer lokal, weil der Qualitätsabstand klein und das Transkript pro Aufwand der wertvollste Ertrag ist.
So stellt sich die Vertraulichkeitsfrage nur für die Clips, die du bewusst geschickt hast, und nie für den Großteil deiner Bibliothek.
Wo die Suche selbst stattfindet
Deutlich gesagt: das Modell ist nicht die Suchmaschine. Das Modell schreibt Text. Dein Betriebssystem durchsucht Text.
Die lokale Kette endet also da, wo jede gute Kette endet: Beschreibungen in Dateinamen, Motiv-Tags als Finder-Tags, Transkripte als Textdateien neben den Clips. Spotlight indiziert alle drei. Das Ergebnis ist, dass deine „lokale KI-Videosuche” schlicht Spotlight ist, auf Daten, die es endlich gibt.
Das ist ein Vorteil und kein Kompromiss. Es heißt, dass die Suche weiter funktioniert, wenn das Modell deinstalliert, die App verschwunden und die Platte an einem Rechner angeschlossen ist, der von all dem nie gehört hat. Wie das im Alltag aussieht, steht in Clips finden, ohne Premiere zu öffnen.
Cliptag fährt beide Modi auf macOS. Der Lokal-Modus nutzt ein Bildmodell über MLX auf Apple Silicon und ist kostenlos und unbegrenzt, mit einer Prüfung auf dem Gerät, die heikle Clips gar nicht erst in die Cloud lässt, auch wenn Cloud-Analyse eingeschaltet ist. Die Cloud-Analyse ist für das Material da, bei dem sich Genauigkeit lohnt, mit 25 Analysen im Monat im Gratis-Plan.
