Vibe-Coding, die Gegenprobe: die Japanisch-App aus dem c't-Video in 23 Minuten

Ein c't-Redakteur ohne Programmiererfahrung wollte per Vibe-Coding eine App bauen, die ihm beim Japanischlernen hilft. Nach mehreren Tagen und drei KI-Anläufen stand sie, die letzten Meter gingen mit Claude Code. Ich habe die Gegenprobe gemacht und dieselbe App vom selben Werkzeug noch einmal bauen lassen, diesmal mit Erfahrung im Agenten-Workflow. Von der Video-URL bis zur Live-Demo auf dieser Seite vergingen 23 Minuten. Hier der Bericht, und was den Unterschied erklärt.

Das Experiment im Video

Im Video „Vibe-Coding im Selbstversuch" (heise/c't, 34 Minuten) beschreibt der Redakteur seine Idee: japanische YouTube-Videos schauen, Untertitel mitlesen, unbekannte Wörter anklicken und erklärt bekommen, samt Einordnung, ob ein Wort höflich, umgangssprachlich oder Slang ist. Den üblichen Lern-Apps fehlt ihm genau das.

Sein Weg dorthin ist eine Leidensgeschichte in drei Akten. Gemini Canvas produziert eine hübsche Oberfläche mit toten Buttons und einem YouTube-Player, der nie ein Video lädt. Google AI Studio scheitert an derselben Stelle. OpenAIs Codex schlägt einen Workflow vor, dem er als Nicht-Entwickler nicht folgen kann. Erst mit Claude Code und dem 18-Euro-Abo kommt Bewegung rein: anderthalb Stunden für eine Audio-Transkriptions-App, danach noch einmal gut zwei Stunden für die YouTube-Fassung. Am Ende steht sie wirklich.

Zwei Ratschläge aus dem Video sind Gold wert. Ein Entwickler-Kollege rät ihm, das Projekt in kleine, einzeln prüfbare Etappen zu zerlegen. Und derselbe Kollege erwähnt beiläufig, für YouTube gebe es „eine Transcript-API, wohl für Python".

Die Gegenprobe

Sonntagvormittag, 11:08 Uhr. Ich gebe Claude Code die Video-URL und starte die Uhr. Die ersten fünf Minuten gehen für das „Anschauen" drauf: Meine lokale Transkriptions-Pipeline (whisper.cpp auf einem Mini-PC) wandelt das Video in Text, der Agent liest ihn und kennt damit Ziel und Stolpersteine. Um 11:20 läuft die App lokal und ist getestet, mit 221 japanischen Untertitelzeilen im Testvideo und 2763 anklickbaren Wörtern.

Der Kern ist genau der Tipp aus dem Video: youtube-transcript-api holt vorhandene japanische Untertitel in einer Handvoll Zeilen Python, Spracherkennung ist gar nicht nötig. Das Problem aus Minute 3:40 des Videos („ich kann keine einzelnen Wörter anklicken") löst der Tokenizer Janome: Er zerlegt den fugenlos geschriebenen japanischen Text in Wörter samt Grundform, aus 来ました wird der Wörterbucheintrag 来る. Die Formalitäts-Einordnung, dem Redakteur besonders wichtig, liefert das freie Wörterbuch JMdict über die jisho.org-API mit: Dessen Register-Tags unterscheiden Respektsprache, Höflichkeitsform, Umgangssprache und Slang.

Um 11:21 kam die Anschlussfrage, ob das auch öffentlich geht. Zuerst der Risikotest, denn YouTube wimmelt Abrufe von Server-IPs gern ab: also vor jeder Portierung prüfen, ob die Untertitel-API vom eigenen Server überhaupt antwortet. Tat sie. Danach wurde aus der lokalen Flask-Skizze eine Django-App in pyground, um 11:31 war die Demo deployt und live. Ein Fehler tauchte beim Live-Test noch auf: Die Übersetzung lieferte nur Fragezeichen. Schuld war meine Windows-Shell, die im Test-Aufruf das japanische UTF-8 zerlegt hatte; der Server übersetzte einwandfrei.

Woher der Faktor sechs kommt

Zweieinhalb Stunden gegen 23 Minuten, und rechnet man die Gemini- und Codex-Tage dazu, ist der Abstand nicht mehr sinnvoll bezifferbar. Über Modellqualität sagt das wenig. Drei Dinge erklären ihn.

Erstens war die Exploration schon bezahlt. Der Redakteur hat tagelang herausgefunden, was er eigentlich will und woran es scheitert; sein Video dokumentiert beides. Mein Agent bekam das Ergebnis als Anleitung serviert, inklusive der Erkenntnis, dass vorhandene YouTube-Untertitel reichen und niemand Whisper an einen Videoplayer schrauben muss.

Zweitens Werkzeugwissen. Transcript-API, Tokenizer, Wörterbuch mit Register-Tags: Wer diese Bausteine kennt, verdrahtet sie an einem Vormittag. Wer sie nicht kennt, verhandelt tagelang mit einer KI über Fehlermeldungen.

Drittens der Arbeitsmodus. Im Video pendelt jede Fehlermeldung durch den Menschen: aus der Vorschau kopieren, in den Chat werfen, Erklärung lesen, neue Version testen. Ein Agent mit Browser- und Shell-Zugriff macht diese Schleife selbst und meldet sich erst, wenn der Klick auf 皆さん die Karte „Respektsprache, JLPT N5" zeigt.

Selbst ausprobieren

Die Demo läuft unter pyground.de/nihongo, ein Beispielvideo ist dort verlinkt. Jedes andere YouTube-Video mit japanischen Untertiteln funktioniert genauso. Grenzen hat sie auch: Ohne japanische Untertitel keine App (den Spracherkennungs-Weg habe ich bewusst weggelassen), und die ausführlichen Wörterbuch-Bedeutungen kommen englisch aus JMdict, mit einer deutschen Kurzübersetzung obendrauf.

Der Redakteur zieht im Video das Fazit, ohne Vorerfahrung bleibe Vibe-Coding zäh. Die Gegenprobe bestätigt ihn: Der Unterschied zwischen drei Tagen und 23 Minuten steckt nicht im Modell, sondern im Vorwissen über Problem und Bausteine.

Quellen

• heise & c't: „Vibe-Coding im Selbstversuch: Ich baue eine App zum Japanisch lernen" (YouTube, 2026)
• youtube-transcript-api (Python-Bibliothek für YouTube-Untertitel)
• Janome (japanischer Tokenizer, reines Python)
• JMdict (freies Japanisch-Wörterbuch) via jisho.org
• NihongoTube-Demo auf pyground