Communitygithub.com

aktsmm/Agent-Skills

Verwandle jeden Kontext (Blog-URL, eingefügten Artikel, PR-Diff, Meeting-Notizen, Release-Notizen, rohen Prompt) in ein erklärendes MP4 mit Folien, Untertiteln und optional einem sprechenden Avatar. Nutzt einen kostenlosen lokalen Stack (Pillow + edge-tts + ffmpeg) mit optionalem SadTalker für den Avatar.

Was ist Agent-Skills?

Dieses Skill verwandelt schriftliche Inhalte wie Blog-URLs, PR-Diffs, Meeting-Notizen oder Artikel automatisch in ein erklärendes MP4-Video mit Sprachausgabe, Folien und Untertiteln. Es eignet sich besonders für Entwickler:innen und Content-Ersteller:innen, die schnell und kostengünstig Videoerklärungen für YouTube, Team-Präsentationen oder soziale Medien (X, Reels) erstellen möchten. Das Skill verwendet einen vollständig lokalen und kostenlosen Software-Stack: Pillow erstellt die Folien, edge-tts generiert die Sprachausgabe mit Microsoft Edge Neural Voices, und ffmpeg synthetisiert alles zu einem Video. Optional kann mit SadTalker ein sprechender Avatar (Talking Head) in die untere rechte Ecke eingefügt werden. Die Bedienung ist promptbasiert: Der Benutzer gibt einen Befehl wie „動画化“ oder „explainer video“ ein, und das Skill extrahiert den Inhalt, erstellt ein Drehbuch (script.json), generiert Folien und Audio, und fügt alles zu einem MP4 zusammen. Die Ausgabe liegt standardmäßig als 1920x1080 (16:9) MP4-Video mit synchronisierten SRT-Untertiteln vor.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/aktsmm/Agent-Skills/tree/HEAD/context-to-video

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Kontext → Video

Wandle jeden beliebigen Eingabekontext in ein MP4 mit Sprachausgabe + Folien + Untertiteln + (optional) Avatar um.

Wann verwenden

  • 動画化, 解説動画作って, ブログを動画に, 記事を動画化, explainer video, context to video
  • Release-Blog / PR-Beschreibung / Meeting-Notizen / Design-Notizen / Release-Notizen / Lerninhalte in kurze Videos verwandeln
  • Material für YouTube / interne Workshops / Teams / X in kurzer Zeit in Massen produzieren
  • Für Kundenkontakt: TTS durch Azure Speech (offizielle Version) ersetzen (Standard ist edge-tts kostenloser Endpunkt)

Eingabequellen (beliebig davon)

EingabeVorgehen
Blog/Artikel-URLweb_fetch zum Abrufen des Texts
Eingefügter TextDirekt zusammenfassen
PR / Commit-Diffgh pr view + gh pr diff
Meeting-Notizen / Design-NotizenDatei einlesen
Release-NotizenURL oder Markdown
Freier PromptLLM direkt beauftragen, Struktur zu erstellen

→ Nach der Quellenerfassung ist der Ablauf gleich (LLM schreibt notes/script.json).

Stack (alle kostenlos, lokal)

RolleTool
DrehbucherstellungLLM (dieses Skill aufrufend)
FolienPillow (BIZ UDGothic usw.)
Sprachausgabeedge-tts (Edge Neural Voices, kostenlos, inoffiziell)
Videosyntheseffmpeg (imageio-ffmpeg mitgelieferte Binärdatei möglich)
Untertitel.srt automatisch generiert
Avatar (optional)SadTalker (GPU empfohlen) + ffmpeg elliptische Maske

Schnellablauf (ohne Avatar)

pip install edge-tts imageio-ffmpeg pillow
# 1. Aus Eingabe script.json generieren (LLM)
# 2. Video generieren
python scripts\build_video.py --project D:\pfad\zu\projekt
# → output\final.mp4 + final.srt

Details: references/script-schema.md / references/setup.md

Avatar-Modus (Sprechender Kopf in der Ecke)

Wenn eine GPU (VRAM 8GB+) vorhanden ist, kann mit SadTalker ein Avatar in der unteren rechten Ecke hinzugefügt werden. Erstmalige Einrichtung dauert in einer separaten venv (Python 3.10) 30-40 Minuten, danach +20-30 Minuten pro Video.

# Vorhandenes Video + 8 Audiodateien → Avatar-Synthese
python scripts\add_avatar.py --project D:\pfad\zu\projekt --face D:\pfad\zu\gesicht.jpg
# Elliptische Maskenversion erstellen
python scripts\ellipse_overlay.py --project D:\pfad\zu\projekt
# → output\final_with_avatar.mp4 und final_with_avatar_ellipse.mp4

Einrichtung, Fallstricke, Charakterauswahl: references/avatar.md

Ausgabestruktur

<projekt>/
├── notes/script.json                  Drehbuch (von LLM geschrieben)
├── slides/slide_XX.png                1920x1080
├── audio/audio_XX.mp3                 Sprachausgabe pro Folie
├── avatar/                            (optional)
│   ├── input/face.jpg                 Ursprungsfoto für Avatar
│   ├── SadTalker/                     Repo + Checkpoints
│   ├── venv/                          Python 3.10 + torch cu121
│   └── clips/audio_XX.mp4             Avatar-Video pro Sprachdatei
└── output/
    ├── final.mp4                      Standard (Folien + Sprachausgabe)
    ├── final.srt                      Untertitel
    ├── final_with_avatar.mp4          (optional) Avatar rechteckig
    └── final_with_avatar_ellipse.mp4  (optional) Avatar kreisförmiger Wipe

Standardeinstellungen

  • Auflösung: 1920x1080 30fps (16:9)
  • Stimme: ja-JP-NanamiNeural (weiblich, ruhig). Für männlich: ja-JP-KeitaNeural
  • Folienanzahl: Titel + 5-7 Hauptfolien (insgesamt 6-8 Folien)
  • Farbschema: slate-900 / sky-400 / BIZ UDGothic
  • Pro Folie 15-25 Sekunden, insgesamt 2-4 Minuten

Stimme, Farbschema, Schriftart, Seitenverhältnis ändern: references/customization.md

Produktive Nutzung

Das kostenlose edge-tts ist inoffiziell, ohne SLA, kommerziell rechtlich grau. Für Kundenverteilung oder dauerhaften Betrieb:

  • Sprachausgabe → gegen Azure Speech (Neural TTS) austauschen
  • Avatar kommerziell → Azure TTS Avatar (Lisa usw., offiziell, $0.30/Minute)

Details: references/production-upgrade.md

Häufige Varianten

  • 9:16 Kurzversion (X/Reels): W,H = 1080, 1920, Sprachausgabe auf 60 Sekunden komprimieren
  • Untertitel einbrennen: ffmpeg subtitles=final.srt Filter zum Einbrennen in das Video (ffmpeg-advanced-filters.md)
  • Hintergrundmusik hinzufügen: Separate mp3 in niedriger Lautstärke mischen (ffmpeg-advanced-filters.md)
  • Kapitel/Kurs erstellen (Lernmaterial): script.json in Kapitel aufteilen, gemeinsames Intro/Outro
  • Mehrsprachige Version: voice umschalten + Script übersetzen
  • Kanal-maskottchen-generierung: SDXL für Maskottchen, seed speichern (avatar-generation-sdxl.md)
  • VOICEVOX + offizielle Charakter-Standbilder: Für „lockere Erklärung“-Kanäle wie Zundamon, PSD-Ebenen-Diff für echten Lippensync (voiced-mascot.md)
  • Runder Avatar-Wipe: ffmpeg geq Filter für kreisförmige Maske + Akzentring (ffmpeg-advanced-filters.md)
  • Automatische YouTube-Veröffentlichung: API für geplante Veröffentlichung + Thumbnail (youtube-upload.md)
  • PoC → Regelmäßiger Sendekanal: Verzeichnisumstrukturierung (scale-up-production.md)

Erfüllungskriterien

  • <out>/output/final.mp4 (oder Avatar-Version) ist abspielbar, Audio und Video sind synchron
  • Folientext mindestens 28pt / Titel mindestens 56pt lesbar
  • Sprachausgabe spiegelt die Hauptaussagen der Eingabe korrekt wider
  • final.srt ist mit der Sprachausgabe synchron
  • Urheberrecht der Eingabequelle wird nicht verletzt (kein Volltext-Vorlesen, sondern Zusammenfassung + Zitatrahmen)
  • (Bei Avatar) GPU-Speicher läuft nicht über, Mundbewegungen sind nicht extrem versetzt

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Verwandte Skills