Zweiwöchiger Solo-Game-Demo-Sprint: Wie KI-Tools + Unreal die gesamte Pipeline bewältigen

Einleitung

KI hat die Indie-Spieleentwicklung extrem beschleunigt. In den letzten zwei Wochen habe ich Unreal Engine 5 mit einer Reihe von KI-Tools kombiniert, um im Alleingang einen spielbaren On-Rails-Lightgun-Prototyp auf die Beine zu stellen. Vom Brainstorming über Concept Art bis hin zu Code, SFX und Musik hat die KI die Schwerstarbeit übernommen, sodass ich im Flow bleiben und Ideen fließen lassen konnte, anstatt in Routinearbeit zu versinken.

Unten gibt es ein kurzes Video vom Entstehungsprozess; das vollständige Walkthrough befindet sich am Ende des Beitrags.

KI-Toolkit

1. Planung: ChatGPT + Gemini für Ideen und das erste Design-Dokument
2. Art: DeepSeek + Midjourney für Konzepte und Styleguides
3. Programmierung: ChatGPT als Live-Blueprint-Coach
4. Audio: generative Musik- + Soundeffekt-Modelle
5. Voiceover: TTS für Runtime-Dialoge
6. KI-3D-Modellierung: Tripo

Fazit: KI kam in jeder Phase zum Einsatz und verwandelte ein typisches Mehrpersonenprojekt in einen Ein-Mann-Sprint.

Projekt-Setup

Warum dieses Spiel?

Ich habe mir vorab die grundlegenden Fragen gestellt: Was ist der Core Loop? Warum ist er neuartig? Wo wird das Spiel veröffentlicht?
Die Inspiration kam von diesen albernen „DOOM x Animal Crossing“-Mashup-Videos, dem Fall Guys / DOOM-Crossover sowie dem Castlevania-Rail-Shooter aus der Spielhalle. Die Mashups brachten mich auf eine Idee: die Kombination aus On-Rails-Shooter und Nahkampf. Die Spieler bewegen sich auf einem vorgegebenen Pfad, schießen mit einer Lightgun auf weit entfernte Gegner und zücken dann ein Laserschwert, um alles zu zerschneiden oder abzuwehren, was ihnen zu nahe kommt. Das ist eine Kombination, die man in klassischen Rail-Shootern selten sieht, und perfekt für einen zweiwöchigen Zeitrahmen.

Zeitbudget

Als das Konzept stand, warf ich den Entwurf in Gemini und ließ mir einen Tagesplan ausgeben. War er perfekt? Nein. Aber er gab mir eine solide Ausgangsbasis und sparte mir Stunden der Terminjonglage. Ich führte eine dynamische To-do-Liste in Tencent Docs und passte sie jeden Abend an.
Ziel eins: Woche 1 = ein winziges MVP-Level aufsetzen, das den Gun-plus-Saber-Loop beweist.

Highlights des Design-Dokuments

Core Loop

• Süße Cyberpunk-Welt
• Spieler gleitet auf Schienen (Rails) entlang
• Weit entfernte Ziele abschießen, nahe Bedrohungen zerschneiden oder parieren
• Kombos sammeln, bis zum Boss überleben

System-Aufschlüsselung

• Rails & Kameras: Der Sequencer steuert Bewegungen und Schnitte im „Achterbahn“-Stil
• Input / Kampf: Klicken zum Schießen, Klicken und Ziehen, um den Säbel zu schwingen
• Waffen: Modulare Waffe + Säbel, jeweils mit eigener Abklingzeit (Cooldown) und Trefferlogik
• Gegner: Erweiterbare Archetypen (Nahkämpfer, Flieger, Bullet-Hell, Eliten, Boss), die an Sequencer-Events gekoppelt sind

Geminis erster Entwurf war in wenigen Stunden statt in Tagen fertig und lieferte mir eine klare Checkliste, die ich abarbeiten konnte.

Core Gameplay Loop

1. Der Spieler fährt auf einer festen Schiene entlang.
2. Gegner spawnen skriptgesteuert entlang der Strecke.
3. Die Lightgun nutzen, um entfernte Bedrohungen und Ziele in der Luft auszuschalten.
4. Wenn Gegner näher kommen oder parierbare Projektile abfeuern, zum Laserschwert wechseln, um Schüsse zurückzuschlagen (Perfect-Parry) oder sie zu zerschneiden.
5. Die Situation einschätzen und schnell zwischen Schießen und Schlagen wechseln, um gemischte Gegnergruppen zu bewältigen.
6. Die Action aufrechterhalten, Punkte und Kombo-Multiplikatoren sammeln, bis die Stage endet oder ein Boss erscheint.

Jedes Level folgt diesem Bogen: Leichte Scharmützel machen den Anfang, der Schwierigkeitsgrad steigt an und alles gipfelt in einem Bosskampf für ein packendes, energiegeladenes Finale.

MVP-Machbarkeitsprüfung & Scope-Kontrolle

Bevor ich auch nur eine Zeile Code schrieb, warf ich die Liste der Kernfunktionen für eine Plausibilitätsprüfung (Sanity Check) in ChatGPT. Die KI lieferte einen MVP-Plan, der alles auf ein einziges kurzes Level reduzierte – gerade genug, um zu beweisen, dass sich die Kombination aus Rail-Shooter und Nahkampf tatsächlich gut anfühlt.
Das deckt sich mit der Mentalität des „schnellen Iterierens“: Zuerst das kleinste Stück perfektionieren, dann erweitern. Ich nutze eine Pi-mal-Daumen-Regel: Wenn man eine Mechanik an einem Tag als Prototyp umsetzen kann, dauert ein komplettes Spiel darum herum etwa ein Jahr; zwei Tage Prototyping bedeuten eher zwei Jahre Produktion und so weiter. Mit anderen Worten: Halte den Test-Build klein genug, um ihn in wenigen Tagen fertigzustellen, damit die gesamte Demo in zwei Wochen abgeschlossen werden kann.
Fazit: Die Mission von Woche 1 war ein abgespecktes Level, das den Kern des Shoot-and-Slash-Loops festlegt.

Art & Audio

Um die musikalische Stimmung des Spiels schnell festzulegen, habe ich die übliche Reihenfolge umgekehrt – erst Musik, dann Grafik. Ich wandte mich an Suno AI, ein leistungsstarkes Tool für generative Musik, das komplette Songs aus beliebigen Songtexten und Stil-Prompts schreibt und singt.

Ein cooler Trick: Suno ermöglicht es, sogenannte „Meta-Tags“ direkt in eckigen Klammern in den Songtext einzufügen – zum Beispiel Intro, Male Voice, Interlude, Female Voice, Guitar Solo. Diese Tags steuern die Songstruktur, den Gesang, die Instrumentierung und das Genre (Pop, Electronic usw.) für ein direktes Feintuning. Der vollständige Tag-Katalog ist auf der Suno-Website zu finden.
So habe ich es gemacht:

• Ich bat DeepSeek, einen kurzen Songtext auszugeben.
• Im Prompt legte ich den Stil als „Electronic“ und „Solo vocal“ fest.
• Suno lieferte mehrere summbare Rohfassungen – komplette Strophen-/Refrain-Layouts in verschiedenen Varianten.

“

Prompt: Stell dir vor, du bist Songwriter. Schreibe im Stil von Kendrick Lamars „Not Like Us“ einen Track namens „Cute Bomber“. Bitte liefere:

1. Den kompletten Songtext.
2. Die Details zum Backing-Track, ausgedrückt als Suno AI-Keywords (Genre, Stimmung, Instrumente, Meta-Tags usw.).

Nach einem kurzen A/B-Test schnappte ich mir das packendste elektronische Segment als Platzhalter-Thema. Der Track braucht zwar noch einen menschlichen Feinschliff für Abmischung und Polish, aber dank Suno AI konnte ich die musikalische Richtung in Rekordzeit festlegen.

Spielwelt & visueller Stil

Ich setze auf eine Mischung aus Sci-Fi-Optik und dem niedlichen Stil von Samstagsmorgens-Cartoons. Stell dir futuristische Soldaten im Chibi-Format vor, die eine Invasion von Höllenbrut in einer neonbeleuchteten Cyber-Stadt bekämpfen – oberflächlich süß, aber dennoch voller energiegeladener Action.
Stilelemente: die runden Tierformen und leuchtenden Farbpaletten von Fall Guys, verschmolzen mit intensiv leuchtenden Cyberpunk-Schildern und -Schaltkreisen. Mischt man diese Zutaten, erhält man ein bonbonbuntes Schlachtfeld, das gleichermaßen charmant wie elektrisierend ist.

Concept Art

Für die Concept Art habe ich mich auf DeepSeek und Midjourney verlassen:

1. DeepSeek-Prompts: Ich fütterte die KI mit meiner Vision („die Rundungen von Fall Guys treffen auf Cyber-Mech-Details“), und sie generierte detailreiche Midjourney-Prompts.
2. Midjourney-Ergebnis: Ich fügte diese Prompts ein und erhielt punktgenaue Character Sheets. Durch das Hinzufügen von „three views, front, side, back“ zu jedem Prompt lieferte Midjourney vollständige Turnarounds in einem Durchlauf – perfekt, um Designdetails für die spätere 3D-Modellierung konsistent zu halten.

Teaser-Cinematic

Statische Concept Art war nur der Anfang – ich habe auch eine Proof-of-Concept-Eröffnungssequenz (Cinematic) erstellt. Das Ganze entstand durch das Zusammenspiel verschiedener KI-Tools:

1. Skript & Storyboard

• DeepSeek entwarf das Szenenskript und legte Setting, Beats und Schlüsselaufnahmen fest.
• Ich leitete diesen Text an Midjourney weiter, das eine Reihe von Illustrationen ausgab, die gleichzeitig als Storyboard-Panels dienten.

2. Video-Generierung

• Diese Bilder wurden Frame für Frame in Kling geladen – ein chinesisches KI-Videotool, das sowohl Image-to-Video als auch Text-to-Video beherrscht.
• Mithilfe von Prompt-Hinweisen für Kamerabewegungen und Übergänge verwandelte Kling die Standbilder in flüssige, zusammenhängende Animationsclips. (Zu diesem Zeitpunkt übertraf es für meine Zwecke Optionen wie OpenAI Sora.)

3. Sounddesign

• Mit den stummen Clips in der Hand startete ich einen lokalen ComfyUI-Workflow mit dem MMAudio-Modell.
• Füttert man es mit dem Videomaterial und einem Prompt wie „futuristic city street under attack“, erzeugt es eine vielschichtige Atmosphäre – Sirenen, Mech-Summen, das Aufladen von Energiewaffen. (Tipp: Generiere Blöcke von ca. 10 Sekunden; MMAudio bevorzugt eine GPU mit 16 GB VRAM oder mehr.)

4. Finaler Mix

• Ich zog Sunos Entwurf-Theme, Klings Video und MMAudios SFX in meinen Editor, synchronisierte alles und erstellte einen schnellen Mix.

Ein paar KI-Übergaben später war der Konzept-Trailer fertig – und die audiovisuelle Stimmung des Spiels stand mit einem Bruchteil des üblichen Aufwands fest.

Technische Vorbereitung

Versionskontrolle

Selbst als Solo-Entwickler habe ich ein SVN-Repository auf meinem Heim-NAS eingerichtet – einfach als Docker-Container, und fertig. Unreal Engine arbeitet gut mit SVN zusammen, die Einrichtung ist unkompliziert und es kommt gut mit den großen Binärdateien zurecht, die bei Spieleprojekten anfallen.
Mit einer ordentlichen Versionskontrolle kann ich nach Belieben branchen, Checkpoints setzen und ohne Angst experimentieren. Rollbacks und Diffs (Versionsvergleiche) funktionieren sofort, was besonders wichtig ist, wenn man mit Blueprints arbeitet – der Editor von UE5 bietet integrierte Diff-Unterstützung. Eine solide Versionsverwaltung ist das Sicherheitsnetz, das schnelles Iterieren überhaupt erst möglich macht.

Der Sequencer als Gameplay-Rückgrat

Da es sich um einen Rail-Shooter handelt, bildet der Sequencer von UE5 das Herzstück von allem. Ich habe mir das Event-Trigger-System genauer angesehen und festgestellt, dass es für weit mehr als nur Zwischensequenzen taugt – es kann das Gameplay von Sekunde zu Sekunde mit framegenauem Timing steuern, was genau das ist, was ein rhythmusbetonter Shooter braucht.
Die Timeline bestimmt den Schienenpfad des Spielers und jeden Kameraschnitt. Keyframes innerhalb eines Level Sequence Assets legen Position und Rotation fest, sodass die Kamera entlang einer vorgegebenen Route gleitet und sauber zwischen den Blickwinkeln wechselt – ohne zusätzlichen Code.
I also need Sequencer to fire gameplay beats—spawning enemies, kicking off animations, whatever. Die Lösung: benutzerdefinierte Event-Tracks (Ereignisspuren). Man platziert eine Markierung wie „EnemySpawn“ oder „MonsterAttack“ auf der Timeline, verknüpft sie mit einem Custom Event im Level-Blueprint, und sobald die Wiedergabe diesen Frame erreicht, wird die Spiellogik automatisch ausgeführt. Das verwandelt das Level-Scripting in ein visuelles, leicht anpassbares Flussdiagramm.

MVP-Check

Ich habe eine weitere Machbarkeitsprüfung durchgeführt – eine Mischung aus eigener Erfahrung und dem Rat von ChatGPT – und den technischen Ansatz festgelegt. Der wichtigste Tipp von ChatGPT war: Baue zuerst den kleinstmöglichen Loop, um die Kombination aus Schießen und Schlagen zu beweisen. Unser MVP: ein kurzes Level mit Schienenbewegung, einer Handvoll Gegnern und einem Bosskampf.
In UE5 habe ich diesen Prototyp schnell zusammengebaut. Der Sequencer steuerte die Ego-Perspektive auf der Schiene, Timeline-Events ließen Gegner einfliegen und der Spieler schoss sie ab. Sobald dieser Ablauf flüssig lief, hatte ich echte Daten zu Pacing, Schwierigkeit und Spielspaß – und konnte die Entwicklung mit Zuversicht fortsetzen.

Programmierung in Blueprints

Rail-Controller

Player Controller & Rail-Bewegung
Der Spieler bewegt sich nicht frei, sondern ist fest auf einer vorgegebenen Schiene (Rail) „eingeloggt“. Ich habe eine Character-Subklasse erstellt, aber die gesamte Bewegung an den Sequencer übergeben. In einem Level Sequence Asset steuern Keyframes die Location und Rotation des Pawns im Zeitverlauf. Wenn man diese Sequence an den Spieler bindet, bewegt und dreht er sich automatisch entlang des Pfads. Außerdem habe ich mehrere Kameras an dieselbe Timeline gekoppelt, sodass die Ansicht ohne zusätzlichen Code flüssig umschaltet.
Kampfsystem
Die Steuerung ist einfach: Linksklick zum Schießen, Halten und Ziehen zum Schwingen des Laserschwerts.

• Schießen nutzt einen Line-Trace von der Kameramitte in Richtung Fadenkreuz; Treffer rufen die Schadenslogik des Gegners auf.
• Nahkampf registriert die Ziehbewegung, wandelt sie in einen Schnittbogen im Screen-Space um und prüft, ob sich Gegner innerhalb dieses Bogens befinden, um Treffer oder Paraden auszulösen.

Die Waffen sind in zwei Blueprint-Komponenten untergebracht – eine für die Waffe (Trace, VFX, Schaden) und eine für das Schwert (Bogenerkennung, Schnitt-VFX, Blocken/Parieren).
Gegner & Level-Logik

Ich habe vier Gegnerklassen erstellt: Nahkampf-Grunts, Flieger, Fernkampf-Flieger und einen Boss. Die ersten drei laufen auf AIControllers mit Behavior Trees – sobald man sie spawnt, steuert der Baum die Bewegungs- und Angriffsentscheidungen. Die Phasen und Spezialangriffe des Bosses werden für ein exaktes Timing direkt über Sequencer-Events gesteuert.
Um das gesamte Level zu sequenzieren, habe ich einen LevelPoint-Actor erstellt (eine Subklasse von LevelSequenceActor). Man platziert mehrere LevelPoints entlang der Schiene; jeder hat sein eigenes Sequence Asset zum Spawnen von Gegnern, Abspielen von Sprachzeilen, Kameraschütteln usw. Ein LevelPoint definiert seinen „nächsten“ Node (oder verzweigt basierend auf Bedingungen). Wenn die Spieler einen LevelPoint erreichen, wird dessen Sequence abgespielt; sobald die Gewinnbedingung erfüllt ist (alle Gegner besiegt oder die Zeit ist abgelaufen), springt das System zur Sequence des nächsten LevelPoints. Ich habe sogar benutzerdefinierte Spuren im Sequencer hinzugefügt, damit er den Spielzustand prüfen und entscheiden kann, wann es weitergeht – was den gesamten Ablauf zu einem modularen, visuellen „Node + Timeline“-Storyboard macht.

KI-gestützte Blueprint-Programmierung
ChatGPT war meine erste Anlaufstelle, wann immer eine Blueprint-Frage auftauchte („Wie spawne ich Gegner über ein Sequencer-Event?“, „Wie konvertiere ich das Ziehen der Maus in einen Nahkampftreffer?“). Es lieferte Schritt-für-Schritt-Antworten, verwies auf Dokumentationen oder Forenbeiträge und skizzierte sogar Pseudo-Blueprint-Nodes.
Als ich zum Beispiel fragte, wie man ein Material zur Laufzeit anpasst, riet es mir, den Node „Create Dynamic Material Instance“ zu verwenden, und erinnerte mich daran, die Referenz zu speichern. Ein paar Klicks später brachten meine Laserschwert-Hiebe die Gegner genau wie geplant zum Leuchten.
Einen KI-„Technikberater“ auf Abruf zu haben, half mir, Hindernisse schnell zu überwinden, und steigerte sowohl meine Geschwindigkeit als auch mein Vertrauen. Seine Ratschläge mussten zwar manchmal angepasst werden, aber im Großen und Ganzen übernahm er unzählige kleine Details, sodass ich mich ganz auf das Bauen konzentrieren konnte.

Assets

UI

Die UI musste zum niedlichen Cyberpunk-Look des Spiels passen. Ich habe GPT-4o verwendet, um flache In-Game-Grafiken im „Splatoon“-Stil zu erstellen – indem ich es mit klaren Prompts fütterte (Referenzbilder, Farben, Layout-Hinweise, Textbeschreibungen) und so lange iterierte, bis ich ein Set von Neon-Graffiti-UI-Elementen hatte (z. B. Lebens- und Energiebalken im Pipeline-Stil, auffällige Punkte-Anzeigen).

Die Bildgenerierung von GPT-4o (veröffentlicht im März 2025) erwies sich als leistungsstark, aber unvollkommen:

• Vorteile: geringe Lernkurve, schnell und flexibel; unterstützt Text-to-Image, Image-to-Image, Multi-Image-Konsistenz; ideal für Icons, Stil-Transfers, Präsentationsgrafiken.
• Nachteile: Begrenzungen der Chat-Länge können den Kontext abschneiden; feine Details weichen oft ab (nicht ideal für präzise Mockups); Auflösungsbeschränkungen erfordern manuelles Zusammenfügen für Turnarounds; die Komplexität der Prompts hat immer noch Grenzfälle (obwohl Referenzbilder helfen).

Insgesamt ist GPT-4o ein Gamechanger – Ideen überholen mittlerweile technische Hürden, und es entsteht ein neuer, KI-gestützter Workflow für das 2D-UI-Design.

SFX

• Soundeffekte: Ich habe die Generierungsplattform von Stable Audio genutzt, um Schüsse, Explosionen, Monstergebrüll und mehr aus einfachen Prompts wie „mechanical machinery winding down“ oder „laser sword slicing through air“ zu erstellen. Die lokale Ausführung beschleunigte das Iterieren.

• Hintergrundmusik: Für den Prototyp habe ich das elektronische Theme von Suno AI als Platzhalter eingebaut.

3D-Modelle

1. Generieren: Midjourney Drei-Seiten-Ansicht ➜ Tripo 2.5 für automatisches Meshing und Retopology

• Ich habe die Drei-Seiten-Ansichten von Midjourney in Tripo 2.5 geladen, das in wenigen Minuten automatisch ein Retopo durchführt und die 2D-Grafik in ein grundlegendes 3D-Mesh inklusive Texturen umwandelt. Die Topologie ist solide und die Silhouette entspricht dem Konzept. Das Auto-Rigging ist nicht perfekt – Knochengrößen und -ausrichtungen müssen angepasst werden –, aber es hat die Modellierungs- und UV-Zeit drastisch verkürzt.

2. Riggen: AccuRIG-Ein-Klick-Skelett von Character Creator

• Als Nächstes habe ich das Mesh in Character Creator importiert und das AccuRIG-Tool ausgeführt, um sofort ein Skelett und Skin-Weights zu generieren.

3. Animieren: iClone 8 für das Retargeting aus der Motion-Library; der KI-Posen-Assistent ist Gold wert

• Für die Animation habe ich iClone 8 verwendet: Die Motion-Library, das Mocap-Retargeting und der KI-Posen-Assistent ermöglichten es mir, Lauf-, Schieß-, Schnitt- und Trefferreaktionen in Minuten statt durch manuelles Keyframing anzuwenden. Ich habe die Clips als FBX exportiert und in Unreal importiert.

4. Importieren: FBX zurück in UE5

Dank dieser KI-Pipeline – Konzept → 3D-Mesh → Rig → Animation – war ein Prozess, der normalerweise Wochen dauert, in wenigen Tagen erledigt.

Leveldesign

KI-Assistent

Ich habe Gemini den Ablauf des Castlevania-Arcade-Spiels analysieren lassen und eine Node-basierte Level-Roadmap ausgeben lassen. Die Aufteilung – Intro → Mobs → Zwischenboss → mehr Mobs → Endboss – traf genau den Ton und spezifizierte sogar Gegnertypen und -anzahl für jede Phase. Diesen Entwurf habe ich dann an mein eigenes Design angepasst und den Levelplan fertiggestellt.

Leveldesign und LevelPoint-System

Ich habe das LevelPoint-System verwendet, um das Level zusammenzubauen, indem ich Event-Nodes entlang der Schiene des Spielers platziert habe. Jeder LevelPoint ist mit einer eigenen Level Sequence im Sequencer verknüpft, in der man alles choreografiert – Gegnerspawns, Kameraschütteln, Dialoge usw.
Zum Beispiel:

• Bei LevelPoint1 spielt seine Sequence einen kleinen Höhepunkt ab – Gegnerwellen, ein Ruckeln der Kamera, eine Sprachzeile. Wenn der Spieler diesen Punkt erreicht, wird die Sequence ausgelöst und der Kampf beginnt.
• Sobald diese Gegner besiegt sind, trägt dich die Schiene zu LevelPoint2, dessen Sequence vielleicht eine Zwischensequenz und einen kleinen Bosskampf startet.
• Dies wiederholt sich bis zum Endboss und dem Levelabschluss.

Die „Node + Timeline“-Methode macht das Leveldesign zu einer visuellen Bearbeitung: Um das Pacing anzupassen oder ein Ereignis hinzuzufügen, müssen Sie lediglich Event-Marker im Sequencer einfügen, entfernen oder verschieben.

Dynamische Dialoge

Ich habe ein spontanes (on-the-fly) Dialogsystem gebaut, anstatt feste Voiceover-Skripte zu verwenden. An jedem Story-Node entwirft die KI eine neue Zeile, die wir dann per TTS ausgeben.

Und so funktioniert es:

1. AIITK-Plugin integrieren• Unreals AIITK (AI Integration ToolKit) installiert, um GPT-Aufrufe in Blueprints verfügbar zu machen.
2. API & Prompt-Templates definieren• Den OpenAI GPT-4-Endpunkt anbinden.• Prompt-Templates für verschiedene Kontexte erstellen (normaler Kampf, Bosskämpfe etc.).
3. Text zur Laufzeit generieren• Wenn der Spieler einen LevelPoint erreicht, ruft das Blueprint AIITK mit dem entsprechenden Prompt auf.• GPT-4 gibt ein JSON mit chinesischen Untertiteln und einer englischen Version für die Sprachausgabe zurück.
4. Sprache synthetisieren• Das Blueprint sendet die englische Zeile an die TTS-API von OpenAI und erhält eine WAV-Datei.• Das Blueprint spielt dann das Audio ab, während der chinesische Untertitel angezeigt wird.

Ablauf der Dialoggenerierung

1. Zeilen: Bei jedem LevelPoint ruft AIITK GPT mit dem Prompt und Kontext auf und liefert einen chinesischen Dialog sowie eine englische Version im JSON-Format zurück.
2. Sprachsynthese: Das JSON parsen, die englische Zeile auslesen, an die TTS-API senden und eine WAV-Datei zurückerhalten.
3. Abspielen & Anzeigen: Die Audio-Komponente von Unreal spielt die WAV-Datei ab, während die UI den chinesischen Untertitel anzeigt.

All das geschieht in Sekundenschnelle, sodass bei jedem Spieldurchlauf neue Zeilen zu hören sind, ohne dass ein handgeschriebenes Skript oder aufgezeichnetes Voiceover nötig wäre.
Herausforderungen & Anpassungen

• Prompts sind entscheidend: Präzise sein, Zeilen kurz halten, mehrzeilige Chats in separate Aufrufe aufteilen.
• Konsistent bleiben: KI kann vom Modell abweichen. Verstärke Setting- und Charakterdetails in deinen Prompts.
• Das Spiel nicht ausbremsen: KI-Aufrufe während Ladebildschirmen oder Zwischensequenzen ausführen, damit die Spieler nie warten müssen.

Erkenntnisse

• Vorteile von KI: In 14 Tagen hat mir KI geholfen, aus dem Nichts eine funktionierende Demo zu erstellen – inklusive Grafik, Code, Audio und mehr. So konnte ich im kreativen Fluss bleiben, statt mich mit Routinearbeit aufzuhalten. Das Anleiten von KI ist die neue Geheimwaffe.
• Grenzen von KI: KI benötigt immer noch menschliche Aufsicht. Dokumente, Grafik, Code und Dialoge erforderten alle Anpassungen. Gutes Prompt-Crafting ist die halbe Miete.

Vollständiger Prototyp-Workflow

• Originalautor: 正义之伙伴
• Kontakt: yangskin@163.com

Übersetzt und mit freundlicher Genehmigung wiederveröffentlicht.