Im Videoarchiv des Bayerischen Rundfunks werden für einige Sendereihen aus Kapazitätsgründen nur begrenzt Metadaten erstellt, was die Auffindbarkeit und Wiederverwendbarkeit der Inhalte erschwert. Um dem Wunsch der Redaktionen nach schnellerer Verfügbarkeit von beschreibenden Metadaten nachzukommen, entwickeln wir ein System, das deren Erstellung beschleunigt. Unser System nutzt multimodale Modelle, die neben Text auch visuelle Informationen verarbeiten können. Mit ihnen extrahieren wir automatisiert die wichtigsten Inhalte, generieren Vorschläge zur Verschlagwortung und beschreiben Szenen, um potenziell relevante Aufnahmen schneller zugänglich zu machen. Diese Aspekte der dokumentarischen Erfassung an multimodale Modelle zu übergeben, ermöglicht es, steigende Datenmengen trotz knapper Personalressourcen zu bewältigen. Da jedoch selbst die modernsten Modelle nicht fehlerfrei arbeiten, haben wir eine menschliche Kontrollinstanz integriert, die mittels Evaluationsoberfläche alle generierten Metadaten überprüft und gegebenenfalls korrigiert. Der Human-in-the-Loop hat somit das letzte Wort und stellt die Qualität der Metadaten sicher.