Zehn antike Gestalten am Open-Mic-Mikro: Dieser KI-Song holt eine Million Likes an einem Tag

Wer in den letzten Tagen durch Douyin und den Videokanal gescrollt hat, kam an einem Bild kaum vorbei: zehn Gestalten aus alten Zeiten stehen auf der Bühne eines Comedy-Open-Mics, drängen sich um ein einziges Mikrofon und rappen einer nach dem anderen.

Du Fu, Su Shi, Liu Bang, Xiang Yu, Goujian, Sun Wukong, Cao Cao, Li Bai, Zhuge Liang, Sima Yi. Keine Drachenroben, kein Schlachtfeld, kein Effektnebel. Nur ein Lichtkegel von oben, ein Mikrofon, einer singt und tritt zur Seite, der nächste übernimmt.

Das Video heißt 《过来人》 (Guòláirén, etwa: Die es schon hinter sich haben). Vom 13. bis 15. Oktober lief es gleichzeitig auf Weibo, Douyin und im Videokanal, nach einem Tag waren es über eine Million Likes, und die Leute nannten es den heißesten KI-Song von 2026. Der Kommentar mit den meisten Likes bestand aus sechs Zeichen: Das geht direkt ins Herz.

Was es als Erstes richtig macht: Es holt die Alten vom Sockel

Wenn KI alte Figuren in Szene setzt, wird meistens groß aufgefahren. Streitwagen, Paläste ohne Ende, wehende Gewänder. Technisch ist das beeindruckend, emotional bleibt es leer, weil das Publikum sofort sieht: Das ist ein Effekt.

《过来人》 macht es umgekehrt. Der Schauplatz ist eine kleine Bühne irgendwo zwischen Open Mic und Hinterzimmer, und die historischen Figuren sprechen als Leute, die es selbst durchgemacht haben, über die Nöte von heute.

Du Fu erzählt nicht mehr nur von dem Reich, das zerbrach, während Berge und Flüsse blieben, sondern von der Enge, mit vierzig noch in Chang'an zur Miete zu sitzen und sich durchzuschlagen. Su Shi erzählt nicht vom großen Strom, der nach Osten fließt, sondern davon, wie er mit dreiundvierzig nach Huangzhou strafversetzt wurde, von Ackerbau lebte und sich trotzdem noch eine Lampe für sich selbst aufsparte. Liu Bang war mit siebenundvierzig noch ein kleiner Beamter ganz unten, und niemand in seinem Umfeld traute ihm etwas zu.

Das Kluge an diesem Setting: Es umgeht genau das, worin KI am schwächsten ist – komplexe Beziehungen zwischen Figuren und feine Mimik – und legt das ganze Gewicht auf Text und Rhythmus. Und diese beiden Dinge lassen sich vollständig kontrollieren.

Wirklich wertvoll ist diese eine Zeile

Am häufigsten als Screenshot geteilt wurde der Satz: Ich bin nicht hier, um dir etwas beizubringen. Ich bin hier, um ein Stück Weg mit dir zu gehen. Die Nächte, die du durchhältst, die Sätze, die du runterschluckst, die Kämpfe, die du nicht gewonnen hast – ich habe meinen Anteil daran.

Mit KI hat dieser Satz nichts zu tun. Er ist von Hand geschrieben, und sehr präzise: kein Ratschlag, keine Belehrung, keine Motivationsrede, nur ein Eingeständnis.

Das Publikum reagiert, weil der Satz eine ganz konkrete Erschöpfung trifft. Der Immobilienkredit, der Job, die Dinge, die man in einem gewissen Alter immer noch nicht geschafft hat. Die Menschen vor tausend Jahren hatten mit demselben zu tun – der Vergleich ist nicht neu, aber mit der Rolle des Erfahrenen funktioniert er plötzlich.

Der eigentliche Kern dieses Videos ist also der Text, nicht das Modell. Das ist entscheidend, weil es die Frage beantwortet, ob man so etwas kopieren kann.

Der Macher ist kein Technikmensch

Hinter dem Projekt steht Wang Kunzhe aus Wuhan. 2013 kam er zum Rundfunk- und Fernsehsender von Wuhan, arbeitete drei Jahre als Regisseur, kündigte und machte sein eigenes Studio auf. Mit 《此心安处是江城》 (Wo das Herz zur Ruhe kommt, ist Jiangcheng) und 《琴键上的江湖》 (Jianghu auf den Tasten) war er in der Nationalen Fotoausstellung vertreten. Vor dem Wechsel zu AIGC entstand 《千年跑团》 (Tausend Jahre Laufgruppe): Li Bai läuft den Wuhan-Marathon, und Yue Fei singt kurz vor der Ziellinie von den achttausend Meilen, bis der Engpass durchbrochen ist.

Diese Vita sagt eine Sache: Er hat nicht erst KI gelernt und dann Inhalte gesucht, sondern hatte zuerst über zehn Jahre Übung im Geschichtenerzählen und entdeckte dann, dass KI die Bilder im Kopf tatsächlich produzieren kann.

Er selbst fasst es knapp zusammen: Die Technik ist die Oberfläche, der Mensch ist der Kern.

Das klingt nach einem Slogan, trifft es bei diesem Video aber genau. Zehn Alte, ein offenes Mikrofon, ein Rap – die Idee funktioniert unter jeder technischen Bedingung; KI hat nur dafür gesorgt, dass aus der Unmöglichkeit, zehn antike Figuren wirklich auf eine Bühne zu stellen und singen zu lassen, eine Wochenendarbeit wurde.

Wo in der KI-Musik die Hürde liegt

Im letzten Jahr ist die Menge an KI-Musik absurd geworden. Zehntausende neue Songs landen täglich auf den Plattformen, und die allermeisten werden nach fünfzehn Sekunden weggewischt. Der Grund ist nicht kompliziert: Melodien lassen sich generieren, Stimmen klonen, aber auf die Frage, warum es diesen Song überhaupt geben soll, hat das Modell keine Antwort.

《过来人》 gibt eine: Der Song übernimmt eine konkrete emotionale Aufgabe. Nicht mach einen schönen Song, sondern sag es für die Leute, die sich nicht trauen zuzugeben, dass sie müde sind.

Technisch gibt es ein paar Details, die zählen. Die zehn Stimmen müssen unterscheidbar bleiben, sonst klingt es, als würde eine Person ständig das Kostüm wechseln; beim Rap muss die Artikulation klar sein, weil das Publikum Informationen hört und keine Stimmung; Lippenbewegung und Takt müssen zusammenpassen, denn sobald die Mundsynchronisation unter dem historischen Kostüm verrutscht, kippt die Absurdität sofort über die Empathie. Wenn diese Details nicht sitzen, kommen keine Millionen Likes zusammen.

Trotzdem lässt es sich nicht leicht kopieren

In den letzten Tagen sind schon eine Reihe Nachahmungen aufgetaucht: andere historische Figuren, andere Musikrichtungen, andere Bühnen. Die meisten laufen mittelmäßig.

Der Grund ist das alte Problem. KI drückt die Kosten fürs Machen fast auf null, damit wird das Was zur einzigen Hürde. Wenn alle an einem Nachmittag zehn Alte rappen lassen können, entscheidet nur noch, ob diese eine Zeile gut geschrieben ist.

Das erklärt auch, warum sich dieses Video eher wie klassischer Content verbreitet hat und nicht wie eine Tech-Demo. Erst wurde es in Freundeskreisen und im Videokanal geteilt, meist mit Kommentaren wie ich hab geheult oder beim zweiten Hören verstanden, und dann fragten Leute nach: Womit ist das gemacht?

Die Reihenfolge zählt. Erst berührt der Inhalt, dann interessiert das Werkzeug – so sollte ein Content-Produkt funktionieren. Umgekehrt, erst das Werkzeug zeigen und dann Gefühl verlangen, geht meistens beides schief.

Und die zehn Alten? Die hätten wohl auch nicht gedacht, dass sie tausend Jahre später auf einer Open-Mic-Bühne stehen und für eine Horde Überstunden-Menschen einen Rap singen. Aber wenn man es recht bedenkt: genau dafür waren ihre Sätze damals schon da.