Jellyfish AI Short Drama Factory: Vom Skript-Breakdown über Storyboard, Assets und Generierung bis zum Schnitt – alles in einem 117

Jellyfish ai Kurzfilm-Fabrikist ein von dem Entwickler Forget-C auf GitHub als Open-Source bereitgestelltes KI-Kurzfilm-Produktionstool. Die Projektadresse lautet https://github.com/Forget-C/Jellyfish. Laut den Entwicklern handelt es sich um eine durchgängige KI-Kurzfilm-Produktionsworkbench, die den kompletten Prozess von der Drehbucheingabe über strukturierte Storyboards, Charakterkonsistenz-Verwaltung, Shots-Vorbereitung, Videogenerierung bis hin zum Export des fertigen Films abdeckt.

Bis Juli 2026 hat dieses Projekt auf GitHub bereits 5,5k Stars und über 960 Forks erhalten. Etwa zwei Wochen nach dem Launch war die Star-Anzahl bereits auf 1,7K gestiegen, und die Community-Diskussionen sind recht aktiv. Das Projekt verwendet die Apache-2.0-Lizenz, ist vollständig open-source und kostenlos und unterstützt lokales Deployment sowie Weiterentwicklung.

Jellyfish Kernfunktionen

• Drehbuch-Verständnis und Shot-Aufschlüsselung: Jellyfish kann Kapitelskripte automatisch in Shot-Sequenzen zerlegen und dabei Schlüsselinformationen wie Charaktere, Szenen, Requisiten, Kostüme und Dialoge extrahieren. Darüber hinaus werden auch Drehbuchoptimierung, Kürzung und Konsistenzprüfungen sowie gezielte Analysen für Charakterporträts oder Szenendetails unterstützt.

• Shot-Vorbereitung und Bestätigungs-Workflow: Der Kernworkflow sieht in etwa so aus: Skriptaufschlüsselung → Shot-Vorbereitung → Kandidatenbestätigung → Shot bereit → Generierungs-Workspace. Das System extrahiert automatisch Shot-Kandidatenvorschläge, und Benutzer können bestimmte Kandidateninhalte akzeptieren oder ignorieren, vorhandene Charaktere, Szenen, Requisiten und Kostüme manuell verknüpfen und Shot-spezifische Basisinformationen korrigieren. Jeder Shot hat eine „Bereit"-Statusmarkierung, die anzeigt, ob die Generierung gestartet werden kann.

• Asset-Konsistenz und Wiederverwendung: Dies ist eine besonders charakteristische Funktion von Jellyfish. Das System verwaltet ein gemeinsam genutztes Entitätsmodell, das die vier Hauptkategorien Charaktere/Schauspieler, Szenen, Requisiten und Kostüme umfasst. Alle Assets können zwischen verschiedenen Shots wiederverwendet werden, was in gewissem Maße häufige Probleme bei KI-Videos wie Charakter-Morphing, Szenen-Drift und Requisiten-Fehler lösen kann.

• Shot-basierte Bild- und Video-Orchestrierung: Sobald ein Shot den Status „bereit" erreicht, bietet der Generierungs-Workspace Verwaltung für Keyframes und Referenzbilder, Vorschau von Shot-spezifischen Video-Prompts, Initiierung von Bild- und Video-Generierungsaufgaben sowie Einzel-Shot- und Batch-Vorprüfungen. Generierungsergebnisse werden automatisch zurück in das Shot- oder Mediensystem geschrieben.

• Einheitliches asynchrones Task-Center: Videogenerierung dauert in der Regel relativ lange, daher integriert Jellyfish alle Textverarbeitungs-, Bildgenerierungs- und Videogenerierungsaufgaben in ein einheitliches asynchrones Task-System. Es unterstützt Statusverfolgung, Anzeige von Fortschritt und Dauer, Aufgabenabbruch und -wiederaufnahme und ermöglicht auch das direkte Springen vom Task-Center zum entsprechenden Projekt- oder Shot-Kontext.

• Modelle, Prompts und Generierungs-Infrastruktur: Unterstützt Multi-Provider- und Multi-Modell-Verwaltung, ermöglicht die Einstellung von Standardmodellen nach Kategorie, unterstützt Prompt-Template-Verwaltung, Datei- und Generierungsmedien-Verwaltung sowie einen OpenAPI-basierten Frontend-Backend-Vertrag. Auf der Textseite kann es mit Large Language Models wie OpenAI und Claude verbunden werden, auf der Videoseite mit Diensten wie Kling, Runway und Luma.

Jellyfish Technische Architektur

• Frontend: React + TypeScript + Vite

• Backend: FastAPI (Python)

• Datenbank: MySQL

• Cache/Queue: Redis

• Object Storage: RustFS (S3-kompatibel)

• Deployment: Docker Compose

Die Frontend-Anfragen und -Typen des Projekts werden automatisch aus der Backend-OpenAPI-Spezifikation generiert, was eine gewisse Konsistenz der Frontend-Backend-Schnittstellen gewährleistet.

Jellyfish Anwendungsszenarien

• Basierend auf der offiziellen Dokumentation und dem Community-Feedback eignet sich Jellyfish in etwa für die folgenden Szenarien:

• Kurzfilm-/Mikro-Kurzfilm-Ersteller: Schnelle Massenproduktion von fertigen Filmen, Einsparung von Tool-Kosten

• KI-Filmstudios: Batch-Produktion von Kurzfilmen mit einheitlichen kreativen Standards

• Einzelne Kreative: Keine Notwendigkeit, mehrere Tools zu erlernen, kostengünstiger Einstieg

• Bildungs- und Schulungsteams: Schnelle Erstellung von Lehr-Mikrovideos

• Marken- und E-Commerce-Teams: Erstellung von geschichtenbasierten Produkt-Werbevideos

V. Vor- und Nachteile

Vorteile:

• Open-Source und kostenlos, Apache-2.0-Lizenz, Code vollständig offen

• Durch zentralisiertes Asset-Management können Charakter-„Drift"-Probleme in gewissem Maße gelöst werden

• One-Stop-Completion vom Drehbuch bis zum fertigen Film, ohne zwischen mehreren Tools wechseln zu müssen

• Der Workflow folgt dem Muster „Kandidat → Bestätigung → Generierung", wobei die KI für Kandidaten zuständig ist und der Mensch die Entscheidungen trifft

• Das asynchrone Task-System unterstützt Statusverfolgung, Abbruch und Wiederaufnahme für lang laufende Generierungsaufgaben

• Unterstützt Multi-Modell-Integration mit guter Erweiterbarkeit

Nachteile:

• Lokales Deployment erfordert ein gewisses technisches Know-how, derzeit ist kein One-Click-Installationspaket verfügbar

• Das Projekt befindet sich in schneller Iteration, die zentrale Storyboard-Rendering-Pipeline ist noch nicht vollständig stabil

• Das Tool selbst stellt keine Rechenleistung bereit; API-Keys für die verschiedenen Modelle müssen selbst beschafft werden

• Die endgültige Generierungsqualität hängt vom jeweils angebundenen Videogenerierungsmodell ab

VI. Verwendungstutorial

Schnelles Deployment

git clone https://github.com/Forget-C/Jellyfish.git
cd Jellyfish
cp deploy/compose/.env.example deploy/compose/.env
docker compose --env-file deploy/compose/.env -f deploy/compose/docker-compose.yml up --build

Service-Ports nach dem Start:

Frontend: http://localhost:7788

Backend: http://localhost:8000 (Swagger-Dokumentation unter /docs verfügbar)

MySQL: localhost:3306

Redis: localhost:6379

RustFS: http://localhost:9000

Lokale Entwicklung

Backend:

cd backend
cp .env.example .env
uv sync
uv run uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

Frontend:

cd front
pnpm install
pnpm dev

Wenn das Frontend Schnittstellenfehler meldet, können die OpenAPI-Typen synchronisiert werden:

cd front
pnpm run openapi:update

Workflow-Schritte

Jellyfish vs. Wettbewerber

Hier ist ein Vergleich mit einigen ähnlichen Open-Source-Tools auf GitHub:

Gründe für die Wahl von Jellyfish

• Jellyfish löst ein sehr praktisches Problem – das „Driften" von Charakteren in KI-Videos. Durch zentralisiertes Asset-Management ist es kontrollierter als herkömmliche Videogenerierungstools.

• Es deckt den gesamten Workflow vom Drehbuch bis zum fertigen Film ab und ist nicht nur ein Tool zur Clip-Generierung, sondern ein vollständiger Arbeitsplatz.

• Das Workflow-Design ist sehr praxisnah: Die KI liefert Kandidaten, der Mensch trifft die endgültige Entscheidung. Damit wird das Problem der unkontrollierten „vollautomatischen Generierung" vermieden.

• Open Source und kostenlos, Daten werden lokal verarbeitet – für Teams mit hohen Datenschutzanforderungen ist dies ein wichtiger Punkt.

• Einstellungsparameter wie Bildausschnitt, Winkel und Kamerabewegung können einzeln angepasst werden, was mehr Kontrolle bietet als herkömmliche Tools.

• Der Tech-Stack besteht aus FastAPI + React + MySQL + Redis, ist ausgereift und ermöglicht einfache Weiterentwicklung.

Häufig gestellte Fragen

F1: Ist Jellyfish kostenpflichtig?

Kostenlos, Apache-2.0-Lizenz.

F2: Können damit direkt Videos erzeugt werden?

Jellyfish selbst stellt keine Rechenleistung bereit. Sie müssen selbst API-Keys für die jeweiligen Modelle bereitstellen (z. B. OpenAI, Claude, Kling, Runway usw.).

F3: Sind die Hardware-Anforderungen hoch?

Für die lokale Bereitstellung wird eine GPU empfohlen. Es gibt derzeit kein One-Click-Installationspaket; gewisse technische Grundlagen sind erforderlich.

F4: Wird Chinesisch unterstützt?

Ja, sowohl vereinfachtes Chinesisch als auch englische Drehbücher werden unterstützt.

F5: Ist kommerzielle Nutzung möglich?

Ja. Die Apache-2.0-Lizenz erlaubt kommerzielle Nutzung. Allerdings entwickeln sich die Urheberrechts- und Monetarisierungsregeln für KI-generierte Inhalte auf einigen Plattformen noch weiter – bitte beachten Sie dies.

F6: Wie ausgereift ist das Projekt?

Es befindet sich noch in einer schnellen Iterationsphase. Die zentrale Storyboard-Rendering-Pipeline ist noch nicht vollständig stabil und eignet sich eher für technische Teams, die gerne experimentieren.

F7: Wie geht man mit Frontend-Schnittstellenfehlern um?

Nach Änderungen an der Backend-API führen Sie im Verzeichnis front den Befehl pnpm run openapi:update aus, um die Synchronisierung vorzunehmen.