MurMur ist eine Desktop-App, die Systemaudio in Echtzeit weiterleitet, transkribiert, ins Englische übersetzt und aufnimmt – komplett lokal, ohne Cloud-Abhängigkeit.

Mit einer einfachen Zwei-Fenster-Oberfläche lassen sich Spracheingaben automatisch erkennen und nahezu live als Text anzeigen. Optional wird gleichzeitig eine englische Übersetzung erzeugt.

Besonders praktisch: MurMur kann Desktop-Audio über virtuelle Ausgabegeräte wie BlackHole oder Loopback weiterleiten, die Lautstärke per virtuellem Gain anpassen und Aufnahmen direkt als MP3 exportieren. Ein kreativer Bonus-Use-Case ist die Kombination mit Shazam für Mac, um Songs vom Rechner zuverlässig zu identifizieren – ganz ohne Umgebungsgeräusche.

Alle Prozesse laufen lokal auf dem Rechner, wodurch maximale Datensouveränität und geringe Latenz gewährleistet sind.

SRT Translator ist ein Desktop-Tool mit GUI und CLI zum präzisen Übersetzen von .srt-Untertiteln.

Es unterstützt drei Engines: NLLB (Meta “No Language Left Behind”) für geringe Systemanforderungen und solide Qualität, SeamlessM4T (Meta) für höhere Qualität bei moderatem Ressourcenbedarf, sowie einen experimentellen Modus über Ollama für lokal laufende LLMs (höchste Qualität, aber auch höchste Anforderungen).

Für den Ollama-Modus muss Ollama installiert und der Dienst gestartet sein; technisch Versierte können den Prompt direkt in der Python-Datei anpassen.

(NLLB: arXiv 2207.04672; SeamlessM4T: arXiv 2308.11596; Ollama: offizielles Repo.)

Mit diesem Desktop-Tool lassen sich YouTube-Videos in wenigen Klicks automatisiert transkribieren, zusammenfassen und in verschiedene Sprachen übersetzen – alles lokal und datenschutzkonform. Die Kernfunktionen sind:

• Schneller Überblick: Inhalte von YouTube-Videos werden mittels KI automatisch erfasst, verschriftlicht und kompakt zusammengefasst.
• Flexible Übersetzung: Die wichtigsten Informationen sind direkt in der eigenen oder gewünschten Sprache verfügbar.
• Wissensarchiv: Alle transkribierten und übersetzten Zusammenfassungen werden inklusive Metadaten, Audio und Text durchsuchbar archiviert (SQLite).
• Lokale Verarbeitung: Keine Cloud, keine Datenweitergabe, keine Anmeldung – volle Kontrolle über die eigenen Inhalte.
• Praktischer Workflow: Ideal für Recherche, Notizen, Zitatsammlungen oder um Wissen aus Videos dauerhaft festzuhalten.

Das Tool verbindet KI-gestützte Automatisierung mit nutzerfreundlichem Interface und bietet damit Mehrwert, um gezielt Informationen aus YouTube-Videos zu extrahieren und zu strukturieren.

Infinite Sound ist ein Endlosmusikgenerierungstool, das mit Hilfe von Stable Audio Open beliebige Klänge auf Basis von Texteingaben erzeugt. Die Anwendung bietet eine minimalistische Benutzeroberfläche zur Eingabe von Stichworten, Steuerung der Lautstärke und Verwaltung von Aufnahmen. Audiosnippets werden konstant generiert und überblendet (Crossfade) und durch Aktivierung des “Record”-Modes lokal gespeichert.

Technisch basiert das Programm auf PyTorch, Stable Audio Tools und PyWebView und unterstützt sowohl CPU- als auch GPU-Beschleunigung (CUDA/MPS). Die für die Generierung notwendigen KI-Modelle werden beim ersten Start über Hugging Face heruntergeladen, wofür ein kostenloser Zugang und ein API-Token erforderlich sind.

Der SD 3D Model Generator ist ein innovatives Kreativ-Tool, das die Lücke zwischen einfachen Texteingaben und vollständig ausgearbeiteten 3D-Assets für Game Development, Visualisierung und kreatives Prototyping schließt. Anders als klassische Stable Diffusion (SD) Frontends beschleunigt diese Anwendung den gesamten Workflow durch die Integration fortschrittlicher Large Language Models (LLMs):
Prompts werden automatisch optimiert, nahtlose (zum Thema passende) Environment-Maps generiert, Bilder der Objekte oder Charaktere werden generiert und in hochwertige 3D-Modelle umgewandelt – alles in einer intuitiven Oberfläche, in der man Bilder sowie 3D-Modelle mit Environment Map betrachten kann.

Was hebt das Tool hervor?

• Prompt-to-Asset, End-to-End: Geben Sie lediglich einen Objektnamen oder ein Konzept ein – das System führt Sie durch den Prozess, optimiert Ihren Prompt für Stable Diffusion per LLM und sorgt so für stilistische Konsistenz, kreative Details und optimale Formatierung.
• Vereinfachter 3D-Workflow: Generierte Bilder lassen sich mit einem Klick in 3D-Modelle (GLB) umwandeln. Für jedes Asset kann zudem eine individuelle Panorama-Umgebung (HDRI) erzeugt werden, direkt nutzbar in Blender oder Game Engines.
• Keine Prompt-Erfahrung nötig: Die LLMs im Backend wandeln grobe Ideen automatisch in professionelle, detaillierte Prompts um – das spart Zeit und reduziert den kreativen Aufwand.
• Integrierte Galerie & Batch-Generierung: Umfangreiche Bilder- und Modellsammlungen lassen sich durch Batch-Steuerung, Seitennavigation und Vergleichsansicht effizient verwalten.

Features & User Experience

• Einfache Eingabe, professionelles Ergebnis: Ein einfacher Objekttitel („low poly farmer“) genügt – das System nutzt LLMs, um die Stable Diffusion Prompts automatisch zu optimieren und liefert stets bestmögliche Bildqualität, Komposition und Klarheit.
• Echtzeit-Streaming: LLM- und Bildgenerierungs-Ergebnisse werden live ins Interface gestreamt – für Transparenz und schnelles Feedback.
• Intuitive Galerien: Separate, tab-basierte Galerien für 2D-Bilder und 3D-Modelle – Assets lassen sich vergleichen, im Batch verwalten oder direkt bearbeiten. Kontextmenüs ermöglichen Sofort-Export, Weiterverwendung von Generationsergebnissen oder direkte Modell-/HDRI-Erstellung.
• Automatische 3D-Modellerstellung: Jedes generierte Bild kann direkt per UI in ein 3D-GLB-Modell konvertiert werden (über externe Tools/Skripte, flexibel konfigurierbar).
• Automatische Environment Map-Erstellung: Zu jedem Modell lässt sich eine maßgeschneiderte, equirektangulare HDRI-Umgebung generieren: LLMs beschreiben zunächst eine passende Umgebung, anschließend erzeugt SD ein fotorealistisches Panorama für Beleuchtung und Reflektionen.
• Batch-Steuerung & Platzhalter: Unterstützung für die Batch-Bilderstellung, Platzhalterverwaltung und übersichtliche Neu-Generierung – so bleibt der aktuelle Fortschritt immer nachvollziehbar.
• One-Click Export zu Blender: Modelle und HDRIs können direkt aus der Anwendung in Blender geöffnet und weiterbearbeitet werden.

Technischer Überblick

• Frontend:
  • Pure HTML/CSS/JavaScript, nahtlos integriert per PyWebview für direkten Zugriff auf das Python-Backend.
  • Dynamische, responsive UI-Logik für Galerie, Tabs und Kontextmenüs.
  • Live-Streaming der LLM-Ausgaben und Bildgenerierungs-Status per Python–JS-Bridge.
• Backend:
  • Python-Backend auf Basis von PyWebview und einer FastAPI-ähnlichen Schnittstelle.
  • Integration von Ollama oder lokalen LLM-Servern (z. B. Mistral) zur automatischen Prompt-Optimierung und -Zusammenfassung.
  • Bildgenerierung via Stable Diffusion (diffusers library), alle Parameter (Modell, VAE, Sampler etc.) sind nutzerseitig konfigurierbar oder werden automatisch gesetzt.
  • Externe Tools/Skripte für die Konvertierung von Bildern zu 3D (GLB) und zur Erstellung von HDRI-Panoramen sind modular und einfach austauschbar.
  • Automatisches Dateimanagement, Metadaten-Einbettung (JSON in PNG und Sidecars) und Überwachung der Asset-Ordner für Live-Updates in der Galerie.
• Extensibility:
  • Jeder Backend-Prozess ist entkoppelt und skriptbar: Die 3D-Konvertierung oder HDRI-Erstellung kann leicht durch eigene Pipelines ersetzt werden.
  • Einfach adaptierbar für unterschiedliche LLMs, SD-Modelle oder 3D-Workflows.

Der SD 3D Model Generator vereinfacht den Weg von der Idee zum fertigen Asset radikal. Durch die Verbindung von LLMs, Stable Diffusion und automatisierten 3D-Workflows können Artists, Designer und Entwickler hochwertige Visuals schneller, flexibler und kreativer generieren, verwalten und weiterverarbeiten.

Auto-Git ist eine plattformübergreifende Electron-App, die Git-Repos automatisch überwacht und verwaltet und mithilfe von LLMs Commit Messages und Dokumentationen / READMEs schreibt.

• Überwachung & automatisches Commit
  • – Beliebige Ordner als Git-Repositories hinzu­fügen: Auto-Git übernimmt bei Bedarf das Initial-Git-Setup.
  • – Echtzeit-File-Watching (Chokidar): Sobald sich Dateien ändern, werden Änderungen in einem Debounce-Intervall erkannt und automatisch in Git commit­tet.
  • – Intelligente Commit-Nachrichten: Sobald eine definierte Zeilen- oder Zeit-Schwelle erreicht ist, sammelt Auto-Git alle neuen Commits, erstellt aus ihren Diffs ein prompt­optimiertes Input für einen Ollama-LLM (qwen2.5-Coder) und ersetzt die Standard-Commit-Nachrichten durch semantisch prägnante Zusammenfassungen.
• README-Generierung & Repositoriumsbeschreibung
  • – Auf Knopfdruck oder bei initialem Hinzufügen: Auto-Git extrahiert relevante Code-Dateien (nach Größe, Relevanzscore, .gitignore-Regeln) und füttert sie in einen LLM-Prompt, um automatisch ein vollständiges, gut strukturiertes README.md zu erstellen bzw. zu aktualisieren.
  • – LLM-gestützte Kurz-Beschreibung (≤ 255 Zeichen): Für jeden Ordner kann Auto-Git mit Hilfe des selben Ollama-Backends in Sekundenbruchteilen einen einzeiligen Projektdescription-Text erzeugen.
• Robuste Ordnerverwaltung
  • – Fehlende bzw. verschobene Ordner werden automatisch erkannt („Needs Relocation“), per Klick auf das Sidebar-Icon kann man den neuen Pfad zuweisen und den ursprünglichen Git-State wiederherstellen (Prüfung via Commit-Hash).
  • – Einfache Drag-&-Drop-Unterstützung: Ordner via Drag direkt in die App ziehen, sofort ein Git-Repo initialisieren und in Überwachung setzen.
  • – .gitignore-Management: Typische temporäre/Ide-/Build-Dateien werden automatisch erkannt (Micromatch + vordefinierte Patterns) und bei Bedarf in .gitignore eingetragen.
• Gitea-Integration & Push-Workflow
  • – In den Einstellungen lässt sich ein persönlicher Gitea-API-Token hinterlegen.
  • – Beim Klick auf „Push to Gitea“ prüft Auto-Git, ob das Remote-Repo schon existiert:
    1. Nicht vorhanden → Repository erstellen (mit LLM-Generierter Kurzbeschreibung).
    2. Vorhanden → Aktuelle Beschreibung per PATCH aktualisieren.
  • – Anschließend wird das lokale Remote-Origin neu konfiguriert und der aktuelle Branch inklusive Tags automatisiert gepusht.
• Desktop-UI & Bedienkomfort
  • – Electron & TailwindCSS: Responsive Oberfläche mit Sidebar (gefilterte Liste aller überwachten Ordner), zentraler Inhaltsbereich (paginiert alle Commits anzeigen, inklusive Diff-View, Snapshot-Export und „Jump Here“-Checkout).
  • – Sky-Mode: Automatischer Tageszeit-abhängiger Hintergrund (sanftes Blau bei Tag, dunkles Blau bei Nacht).
  • – Tray-Menü & Tray-Icon: App minimiert auf Tray, Rechte-Maustaste auf Tray-Icon ermöglicht schnelles Starten/Stoppen des Monitorings pro Ordner, Ordner hinzufügen/entfernen, „Quit“.
  • – Settings-Dialog:
    • > Sky-Theme ein/aus
    • > „Close to Tray“: Versteckt Fenster beim Schließen, statt App wirklich zu beenden
    • > Automatisches Autostart-Verhalten
    • > Intelligente Commit-Thresholds (Zeilen und Minuten)
    • > Auswahl der verwendeten Ollama-Modelle (commit vs. README)
    • > Gitea-API-Token hinterlegen
  • – Gamification & Live-Statistik: Tageszähler für Commits, farblich ansteigende Visualisierung („Commits today“), Live-Countdown bis zum nächsten automatischen LLM-Commit.
• Technologie-Stack
  • – Frontend: Electron + HTML/CSS + TailwindCSS + ein eigenes minimal-animiertes „Anime Cat“ (Klient-seitiges Cat-Streaming bei LLM-Antworten).
  • – Backend/Node:
    • > chokidar für File-Watching
    • > simple-git für alle Git-Operationen (Init, Status, Commit, Diff, Rebase, Push, Remote-Config)
    • > micromatch & ignore zum Filtern von Dateien/Ordnern
    • > electron-store für Persistenz aller Einstellungen (inklusive Gitea-Token, Skymode, Thresholds, modell-Auswahl)
    • > Eigene LLM-Integration: Start/Stop von Ollama-Server, paralleles Stream-Handling über fetch(…).getReader().
    • > Tray/Menu-Integration mit nativen Electron-Menüs und Kontext-Menüs in Sidebar/Treeview.

Alle Funktionen – von der kontinuierlichen, automatischen Commit-Erstellung bis hin zur vollautomatischen Push-und-Repo-Einrichtung auf Gitea – sind darauf ausgelegt, Entwicklern den Alltag zu erleichtern: Man fokussiert sich weiter auf Code, während Auto-Git im Hintergrund dafür sorgt, dass Commit-History, Dokumentation und Remote-Repositories stets auf dem neuesten Stand bleiben.

Von 2016 bis 2019 beschäftigte ich mich während meines Studiums an der Hochschule der Bildenden Künste Saar in Saarbrücken intensiv mit Künstlicher Intelligenz, virtuellen Humanoiden, Mensch-Maschine-Interaktionen sowie den daraus resultierenden philosophischen und kulturellen Fragestellungen. Dabei setzte ich mich sowohl theoretisch als auch praktisch-künstlerisch mit den Grenzen und Missverständnissen im Umgang mit KI-Technologien auseinander.

In meiner Bachelorarbeit „Vergleich zwischen künstlicher und realer Intelligenz“ (2017, Abschlussnote 1.0) erforschte ich, wie digitale Avatare mittels genetischer Algorithmen Lernprozesse simulieren und verglich diese mit den realen Lern- und Schmerz-Erfahrungen eines menschlichen Performers. Die Performance „Learning“ nutzte dafür den optischen Pepper’s-Ghost-Effekt zur räumlichen Darstellung eines digitalen Charakters. Die Ergebnisse zeigten deutlich die emotionale Kluft zwischen technischer Simulation und menschlichem Erleben auf.

In meiner Masterarbeit erweiterte ich diesen Ansatz und beschäftigte mich vertieft mit der Wahrnehmung und Inszenierung von virtuellen Charakteren sowie deren Interaktionen mit Menschen. Unter anderem entstanden folgende Projekte:

• Gerkzeuk (2016): Ein computergesteuertes Objekt, das autonom Bilder aus dem Internet herunterlädt, verändert und verkauft. Dieses Objekt stellte grundlegende Fragen nach Autorenschaft, Maschinenethik und der Rolle des Künstlers. Durch eine holografische Darstellung („Iris“) erhielt der maschinelle Künstler zusätzlich eine menschenähnliche Persona.
  Link zur Projektseite
  
• Pepper’s Ghost Kristalle (seit 2016): Interaktive Vitrinen, die virtuelle Humanoide holografisch abbilden und mit Gesichtserkennungs-, Emotionsanalyse- sowie Spracherkennungssoftware ausgestattet sind. Diese Arbeit forschte intensiv daran, künstliche und menschliche Interaktion greifbar zu machen.
  Link zur Projektseite
  
• Vergleich zwischen künstlicher und realer Intelligenz (2017): Eine Performance, in der ein digitaler Charakter mittels genetischer Algorithmen parallel zu einem menschlichen Performer versucht, grundlegende motorische Fähigkeiten zu erlernen. Die Arbeit offenbart deutlich die Unterschiede und emotionalen Dimensionen zwischen digitaler Simulation und menschlichem Erleben.
  Link zur Projektseite
  
• Anti-Art (2019): Eine bewusst simple Apparatur mit einer Marionette, gesteuert durch unvorhersehbare Impulse, die humorvoll und kritisch den Hype um KI-Technologien und deren häufige Überschätzung reflektiert.
  Link zur Projektseite
  
• Rauminstallation zur Master-Ausstellung (2019): In einer szenografischen Situation setzte ich Besucher einer reflektierenden Interaktion aus, indem sie automatisch fotografiert und ihre Gesichter projiziert wurden, wodurch Themen wie Selbstwahrnehmung, Datenschutz und Echokammern greifbar wurden.
  Link zur Projektseite

Diese Projekte wurden begleitet von theoretischen Reflexionen zu Transparenz im Design, Black Box-Problematik, zufälligen und deterministischen Systemen sowie ethischen und philosophischen Dimensionen von KI. Inspiriert von Referenzen wie Frieder Nake, Andrew Glassner und Richard David Precht, setzte ich mich kritisch mit Begriffen und Missverständnissen rund um künstliche Intelligenz, künstliches Leben und Bewusstsein auseinander.

Aus meiner künstlerischen Forschung ergaben sich folgende zentrale Erkenntnisse:

• KI-Technologien können menschliches Verhalten zwar nachahmen, erzeugen dabei jedoch keine echte emotionale Tiefe oder authentische Empathie. Die von Maschinen erzeugte Illusion menschlicher Interaktion bleibt in ihrer Wirkung stets auf einer oberflächlichen Ebene.
• Der Missbrauch metaphorischer Begriffe aus Biologie und Neurowissenschaften in der Technologie (wie “Neuronales Netz” oder “Intelligenz”) trägt maßgeblich zu Missverständnissen und einer mythischen Überhöhung technischer Möglichkeiten bei.
• Der Einsatz von Transparenzdesign und die Offenlegung technischer Prozesse sind essenziell, um Ängste abzubauen und kritisches Denken gegenüber modernen Technologien zu fördern.
• Zufälligkeit und Unvorhersehbarkeit in technischen Systemen erzeugen oftmals eine Wahrnehmung von Magie oder Autonomie, die zur Überinterpretation technischer Fähigkeiten führen kann.
• Die kulturelle und gesellschaftliche Rezeption von KI-Technologien und virtuellen Charakteren ist stark beeinflusst von Projektionen und Fantasien, die tief verwurzelt sind in unserer psychologischen Tendenz, menschenähnliche Eigenschaften in technischen Artefakten wahrzunehmen.
• Trotz der scheinbaren Eigenständigkeit von Software und Maschinen liegt die Verantwortung stets beim Menschen, der diese Systeme entwirft, programmiert und bedient. Maschinen und Software bleiben immer Werkzeuge und werden niemals selbst zu eigenständigen Subjekten.
• Die Frage nach der Bedeutung von “Leben” gewinnt durch die Beschäftigung mit autonomen und selbstreproduzierenden Programmen wie der „Forkbomb“ an neuer Tiefe und fordert die klassischen biologischen Definitionen heraus.
• In psychologischer Hinsicht zeigt sich in der Arbeit von Wissenschaftlern, IT-Technikern und Künstlern oft eine unbewusste Motivation, künstliche Wesen zu erschaffen, vergleichbar mit dem in der Psychologie diskutierten “Gebärmutterneid”. Hier spiegelt sich das tiefe Bedürfnis wider, selbst schöpferisch Leben oder lebendige Systeme hervorzubringen.
• Objektorientiertes Programmieren eröffnet die Möglichkeit, virtuelle Welten nachzubauen, und lädt zur Reflektion über die Grenzen zwischen Realität und Simulation ein.

Meine Arbeit zwischen 2015 und 2019 stellt somit eine vielseitige, kritische und innovative Auseinandersetzung mit Menschlichkeit, Technologie und ihren komplexen Beziehungen dar und möchte dazu beitragen, den öffentlichen Diskurs zu diesen Themen fundiert und reflektiert zu gestalten.

PS: Dieser Text wurde von einer KI generiert