video-to-game baut aus einem Clip ein Browserlevel für 6 Dollar

Einunddreißig Spiele. Tausenddreizehn fal-Aufrufe. 202 Dollar. Das ist die Abrechnung am Ende der README von video-to-game, und es ist der überzeugendste Absatz im Repository – nicht weil die Spiele gut sind, sondern weil jemand gezählt hat.
Das Projekt ist ein Skill, keine App. Man installiert es in Claude Code oder Codex oder Cursor, reicht einen zehn bis fünfzehn Sekunden langen Gameplay-Clip hinein, und es entsteht ein spielbares Browser-Level: eine einzelne index.html mit Three.js und sonst nichts. Keine Engine, kein Template, keine weitere Bibliothek. Jedes der einunddreißig Demo-Spiele wurde aus einem Clip nachgebaut, den zuerst ein Videomodell erzeugt hat.
Mehrere Leute haben dieses Jahr „KI macht ein Spiel“-Demos gebaut. Was dieses Projekt sehenswert macht, ist die Behauptung darunter: Ein Agent kann das Aussehen eines Spiels nicht entwerfen, also soll man es nicht von ihm verlangen. Das übernimmt ein Videomodell, und der Agent muss es treffen.
Das Video ist das Designdokument
Lesen Sie die Klage in der README, und Sie erkennen sie sofort, wenn Sie das je versucht haben:
Auf die Anfrage „ein Spiel, in dem ein Junge zwischen fliegenden Walen gleitet“ liefern sie graue Kästen, einen Standardsky und eine Kamera, die gegen den Spieler arbeitet.
Genau das passiert. Ein Coding-Agent, der eine Szene bauen soll, greift zu Primitiven – Kästen, Ebenen, ein Hemisphärenlicht –, weil Primitive das sind, was er in Code ausdrücken kann. Er hat keine Meinung zur Komposition. Er hat keinen Geschmack bei Nebeldichte. Das Ergebnis ist technisch eine Szene und emotional ein Testlevel.
Ein Videomodell ist, bei allen anderen Schwächen, sehr gut in genau dem fehlenden Teil: Look, Kamera, Stimmung, ein einzelner einprägsamer Moment. Also dreht die Pipeline die übliche Reihenfolge um. Erst das Video, dann Code, der dazu passen muss.
study_video.py zerlegt den Clip in Frames, einen Kontaktabzug, eine Palette und Schnittzeiten. Der Agent schreibt daraus ein Spec aus benannten Frames – Kamera, Held, die eine Mechanik, der Schlüsselmoment, der Look. Nicht „ein Waldlevel“. Sondern etwa: Kamera tief, zwei Meter hinter dem Helden, kühler grüner Nebel ab sechs Metern, eine türkisfarbene Lichtquelle von links, die Mechanik ist Gleiten.
Alles danach ist Abgleich.
Jedes Asset stammt aus den Frames des Videos
Konzeptbögen mit Nano Banana Pro. Saubere Freisteller. Image to 3D über Meshy, Tripo oder Hunyuan 3D. Rigging und Animation. Soundeffekte und Musik. Alles protokolliert über fal_asset.py. Die Regel in der README ist deutlich: nichts von Hand gezeichnet, nichts heruntergeladen.
Diese Einschränkung leistet mehr, als sie aussieht. Ein Mensch, der ein Spiel nach einer Vorlage baut, lädt ein Baummodell herunter und hofft, dass es passt. Ein Agent mit Download-Erlaubnis zieht das erste Ergebnis von einer kostenlosen Asset-Seite, und die Art Direction kollabiert zur Collage. Wenn jedes Asset durch denselben Generator läuft und von denselben Frames ausgeht, bleibt die Palette konstruktionsbedingt stimmig.
Der Look wird als Spec behandelt, nicht als Politur: Tone Mapping, ein Grade, Nebel, Bloom, Vignette und Grain, alles aus der ersten Szene abgeleitet. Nach jeder Änderung erzeugt der Agent ein Nebeneinander von Video und Spiel an denselben drei Stellen.
Dieses Nebeneinander ist die ganze Methodik in einem Artefakt. Ohne es optimiert der Agent gegen seine eigene Vorstellung. Mit ihm optimiert er gegen eine Referenz, die er tatsächlich sehen kann.

Der Agent spielt sein eigenes Spiel
Das ist der Teil, mit dem ich nicht gerechnet hatte, und der das Projekt von einer Demo-Rolle unterscheidet.
Ein Tastaturszenario steuert das Spiel und liest window.__game so, wie ein Spieler den Bildschirm liest. record_play.mjs filmt das Ergebnis mit Playwright in echter Bildrate. best_window.py findet die lebendigsten Sekunden dieser Aufnahme. Abstürze, unsichtbare Wände und tote Strecken werden behoben, bevor jemand anderes spielt.
Automatisiertes Playtesting ist nicht neu. Automatisiertes Playtesting, bei dem der Agent anschließend behebt, was er gesehen hat, und bei dem der Beleg ein Video ist, das er prüfen kann, ist eine deutlich engere Schleife. Das erklärt auch die Kosten: Der Agent führt das Spiel pro Iteration dutzende Male aus.
Die Rechnung
Bleiben wir präzise, denn diese Zahlen sind der Grund, das Repo überhaupt zu lesen.
Einunddreißig Spiele. 1,013 fal-Aufrufe, aufgeteilt in 594 Bilder, 194 3D-Modelle und 290 Soundeffekte und Musiktitel. 202 $ insgesamt. Etwa 6 $ pro Spiel.
Sechs Dollar ist eine seltsame Zahl, um sie im Kopf zu behalten, weil sie ungefähr dem Preis eines Kaffees entspricht und ungefähr einem Tausendstel des Tagessatzes eines Vertragskünstlers. Es sind auch nicht die echten Kosten – die Tokens des Coding-Agenten stecken nicht in dieser Zahl, und Ihr Nachmittag auch nicht. Aber sie belegt etwas Nützliches: Die Grenzkosten einer kleinen spielbaren 3D-Szene sind inzwischen so niedrig, dass man eine wegwerfen kann.
Der Haken, offen in der README benannt: Man zahlt fal für jedes Asset, und die Ergebnisse sind kurze Demos, keine fertigen Produkte. Ein Spiel für sechs Dollar ist eine Vertical Slice eines Gefühls, kein Spiel, das man ausliefern würde.
Die Installation
Zuerst Claude Code, weil das der am besten unterstützte Weg ist:
claude plugin marketplace add lovisdotio/video-to-game
claude plugin install video-to-game@video-to-game
Oder den Skill-Ordner von Hand kopieren: cp -R skills/video-to-game ~/.claude/skills/.
Für Codex, Cursor, Gemini CLI, Copilot und den Rest:
npx skills add lovisdotio/video-to-game
Die Skripte brauchen Python 3.9+, ffmpeg, Node 18+ mit playwright-core sowie pip install fal-client und einen FAL_KEY.
Dann ist der Prompt ein Absatz:
Turn gameplay.mp4 into a playable browser game with the video-to-game skill.
The prompt that made it is in gameplay.txt. Generate every asset with fal,
match the video's look, and show me side-by-side pairs and a recorded take
of you playing it.
Wer keinen Clip hat: Das Repo enthält prompts/gameplay-video-prompts.md – die Regeln, die die einunddreißig Videos nachbaubar gemacht haben, plus jeden verwendeten Prompt. Diese Datei ist still der wertvollste Teil des Repositories, weil sie festhält, was einen Clip zu einem guten Designdokument macht: lesbare Silhouette, eine Mechanik, eine Kamera, die nicht gegen den Spieler arbeitet.
Worum es hier wirklich geht
Es gibt eine Version der Geschichte über KI-Spielgenerierung, die lautet: Modelle werden irgendwann Spiele direkt machen. Vielleicht. Bis dahin beschreibt dieses Projekt eine Arbeitsteilung, die heute funktioniert – Videomodelle für den Geschmack, Coding-Agenten für den Bau, Image-to-3D für die Assets und ein automatisiertes Playtest, das die Schleife schließt.
Die interessante Frage ist nicht, ob Sechs-Dollar-Spiele gut sind. Sind sie meist nicht. Sondern was passiert, wenn dasselbe Muster auf etwas mit Budget gerichtet wird: eine Produktlaunch-Seite, ein Museums-Kiosk, eine Trainingssimulation. Der Pipeline ist egal, wofür das Level ist.
Und es gibt eine kleinere, schärfere Lehre für alle, die Agenten-Werkzeuge bauen. Das Repo funktioniert, weil es die Referenz prüfbar gemacht hat. Ein Video ist etwas, das ein Modell und ein Mensch ansehen, vergleichen und diskutieren können. Geben Sie einem Agenten ein Spec, und er erfüllt das Spec. Geben Sie ihm einen Clip, und er muss etwas Echtes treffen.
Das ist eine bessere Schnittstelle als ein Prompt. Vielleicht ist es für vieles die bessere Schnittstelle.
Verwandte Artikel
Eine community-gepflegte Tabelle von Taps, die Werbung in chinesischen Android-Builds abschaltet
Es fasst das System nicht an, entsperrt nichts, flasht nichts. Es legt nur die Schalter um, die die Hersteller ohnehin vorgesehen haben. Der Preis ist eine Liste, die jemand weiterführen muss.
GPT Image 2.6 hielt den Tokenpreis und erhöhte die Rechnung
GPT Image 2.6 übernimmt jeden Tokenpreis von 2.5 und kostet pro Bild dennoch mehr, weil ein größerer Teil der Arbeit in Ausgabe-Token landet. Elf Tage nach dem Start sagt die Preisstruktur mehr als jede Rangliste.
Jemand hat IDM von außen nachgebaut und aufgeschrieben, was er nicht angefasst hat
Eine Rust-Neuimplementierung von Internet Download Manager verspricht 5x Tempo und 86 Sprachen. Das interessantere Dokument ist der Absatz, der erklärt, wie sie ohne jede Kopie entstanden ist.
Rune ist ein Rust-UI-Framework, das gebaut wurde, damit ein Agent seine eigene Arbeit prüfen kann
Rune rendert headless, gibt seinen Elementbaum aus und nimmt geskriptete Eingaben an. Damit bekommt ein Coding-Agent ein Signal zum Diffen, das ein Screenshot nie liefert. Das Framework ist Pre-Release und nimmt keine Pull Requests an.