Communitygithub.com

Kursgenerator: Handgeschriebene Erklärvideos

Erstelle vertonte Erklärvideos mit handgezeichnetem Whiteboard-Stil und mehrteilige Kurse (schwarze Leinwand, Neon-Kritzeleien Strich für Strich, grobe Handschrift, ~1,2-fache Sprachgeschwindigkeit) aus einem Thema, einem Buch/PDF oder einer Recherche. Verwende es, wenn nach einem Erklärvideo, einer Videovorlesung oder einem Kurs gefragt wird, oder um ein Buch, PDF oder Notizen in Vorlesungen umzuwandeln.

Was ist Kursgenerator: Handgeschriebene Erklärvideos?

Der Kursgenerator für handgeschriebene Erklärvideos ist ein KI-gestütztes Tool, das automatisch professionell aussehende Whiteboard-Erklärvideos und mehrteilige Kurse erstellt. Ausgehend von einem Thema, einem Buch oder einer PDF-Datei generiert es eine Reihe von Videovorlesungen im Stil eines auf einem schwarzen iPad mit Neon-Markern unterrichtenden Lehrers (inspiriert von Caleb Eom). Der Workflow besteht aus der Definition einer Spezifikationsdatei (`spec.js`) für jede Vorlesung, die sowohl den gesprochenen Text als auch die visuellen Elemente enthält. Ein Build-Prozess extrahiert diese Informationen, erzeugt eine TTS-Audio-Spur (Text-to-Speech) mit einer leicht erhöhten Geschwindigkeit (~1,2x) und stellt die Animationen aus groben, handgezeichnet wirkenden Linien und Schriften zusammen. Der gesamte Kurs wird als MP4-Video mit eingebetteten Untertiteln und separaten SRT-Dateien in Full-HD ausgegeben. Der Prozess ist modular aufgebaut: Nach der Erstellung der `spec.js` wird sie mit `build.sh` in eine `scenes.js` und die Audio-Dateien umgewandelt. Vor dem finalen Rendern mit `render_lecture.sh` kann mit `qa.sh` eine Qualitätskontrolle anhand von Standbildern durchgeführt werden. Das System ist darauf ausgelegt, einen natürlichen, handgemachten Look zu erzeugen, mit per-Buchstaben-Versatz (Reenie Beanie Schriftart), rauen Linien und einer festgelegten Farbpalette für verschiedene Konzepte. Es unterstützt eine flexible Text-to-Speech-Engine, die über Umgebungsvariablen konfiguriert werden kann, und ist für die Erstellung kompletter Kurse mit mehreren Vorlesungen optimiert.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/olatzbeitia-me/Agent-skills/tree/HEAD/course-generator-handwritten

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Kursgenerator: Handgeschriebene Erklärvideos?

Ausgabe: Ein oder mehrere 1920x1080 30fps H.264+AAC MP4s mit eingebetteten Untertiteln plus .srt, gestaltet wie jemand, der auf einem schwarzen iPad mit Neon-Markern unterrichtet (Caleb Eom Stil). Jede Vorlesung wird als kompakte spec.js (Erzählung + visuelle Elemente zusammen) geschrieben; die Engine legt das Layout fest, timt jede Zeichnung auf das gesprochene Wort und rendert.

research → spec.js pro Vorlesung → build.sh (extrahieren → TTS → scenes.js) → qa.sh (Standbilder) → korrigieren → render_lecture.sh → zip + bereitstellen

Stilregeln (nicht verhandelbar)

  1. Tempo ≈ 1,2x, niemals schneller. API-Stimmen: Stille entfernen, dann ATEMPO=1,05 (ausdrucksstarke Stimme) bis 1,12 (langsame Stimme). 0,2s Pause zwischen den Beats. 1,25x+ klingt gehetzt.
  2. Handgemachter Look. Reenie Beanie Schriftart mit Versatz pro Buchstabe; rough.js Linien (Rauheit ≥1,4) plus eine SVG-Turbulenz-Wackelbewegung. Nur „gedruckte" Beweiskarten (Tabellen, echte Zahlen) sind sauber serifenlos.
  3. Schwarzer Hintergrund, Neon-Rollen: w Haupt, g gut/funktioniert, p Problem/Warnung, v Konzept, o Aktionen/Analogien, y Hervorhebungen/Zahlen, b sekundär, gr Zitate/Seitenbemerkungen.

Lehrstruktur (jede Vorlesung)

  1. Aufhänger (20–40s): eine nachvollziehbare Situation, dann eine überraschende Tatsache, dann eine Frage. Dann ein Titel-Beat, der das Framework vorstellt.
  2. Framework (LAYERS, 3–7 Elemente): das Rückgrat. Jeder Abschnitt zeigt oben rechts eine Mini-Kopie mit seinem Layer in Klammern.
  3. Abschnitte: 1–3 Beats pro Abschnitt. Eine Idee und ein visuelles Element pro Beat. Quellen laut nennen und in grauer Schrift auf dem Bildschirm anzeigen.
  4. Intuition: mindestens eine Analogie pro Abschnitt für alles Abstrakte („ein Rauchmelder, keine Feuerwehr"). Fachjargon sofort in einfachen Worten erklären.
  5. Zusammenfassung und Ausblick: das Framework, abgehakte Zeilen, dann der Titel der nächsten Vorlesung, damit ein Kurs aneinanderreiht.

Stimme: Ein Kollege, der bei einem Kaffee erklärt. Kurze Sätze, „Also,", „Und hier ist der Punkt.", „Erinnerst du dich an das X?“. Zahlen so schreiben, wie sie gesprochen werden sollen („zwanzig sechsundzwanzig", „eins Komma sieben Sekunden"). Symbole in say vermeiden.

Anfängerfreundlicher Modus (wenn darum gebeten wird, es für Neueinsteiger verständlich zu machen): Ergänze die Quelle durch eigene Internetrecherche, füge eine Analogie pro Konzept hinzu und reduziere die Ideendichte (≈500–650 Wörter pro 3–4 min Vorlesung).

Genauigkeit

Jede Zahl, jedes Datum und jeden Namen im Internet recherchieren. Primärquellen bevorzugen. Zahlen aus einem Experiment zusammenhalten. Anbieterangaben kennzeichnen („Anbieterzahlen: überprüfen"). Nie ein Beispiel erfinden, das ein Buch nicht gegeben hat; das buch eigene Beispiel zitieren. Eine Quellenliste mitschicken.

Einrichtung

In ~/course arbeiten, einer Kopie des engine/-Ordners dieser Fähigkeit, damit Audio und Videos nicht im Fähigkeiten-Ordner bleiben. Überspringe das Kopieren, falls ~/course bereits existiert.

cp -r <dieser Fähigkeitenordner>/engine ~/course && cd ~/course   # z.B. ~/.claude/skills/course-generator-handwritten/engine
npm i && npm run browsers        # Playwright + Chromium (benötigt Node 20+)
pip install --break-system-packages soundfile numpy
cp .env.example .env             # TTS_* in .env ausfüllen (niemals einchecken)

ffmpeg muss installiert sein. Vorlesungsordner (~/course/L02_Architecture/spec.js) liegen neben den Skripten; die Skripte können von jedem Verzeichnis aus aufgerufen werden.

TTS ist austauschbar (tts.py): Jeder OpenAI-kompatible POST /audio/speech, der response_format: "pcm" (24 kHz s16le) zurückgibt. Konfiguriere TTS_URL, TTS_API_KEY, TTS_MODEL und TTS_VOICE über Umgebungsvariablen oder .env. Wähle eine Stimme aus, indem du 2–3 Stimmen für einen Beat testest und die ausdrucksstärkste (höchste Tonhöhenvarianz) auswählst, nicht die erste. Audio wird pro Beat mit einem Text-Sidecar zwischengespeichert, sodass nur bearbeitete Beats neu vertont werden. Niemals Schlüssel oder Modellnamen in eingecheckten Dateien hartcodieren.

Eine Vorlesung schreiben: <Dir>/spec.js

const LECT = { label: 'Vorlesung 2 · hinter den Kulissen', title: 'Die Sieben-Schichten-Architektur' };
const LAYERS = ['Kanäle + Auslöser', 'Gateway', 'Dauerhafter Orchestrator', 'Agenten-Schleife'];
say({ hook: "…", title: "…", recap: "…", outro: "Als nächstes, …" });          // Registry für Intro-/Recap-Beats
intro('S01_Intro', 'hook', 'title', [ Elemente… ]);
section('S02_Gateway', 1 /*layer-Index*/, 'v' /*Farbe*/, [
  { b: 'ga1', t: 'Die Eingangstür', cite: 'Quelle, 2026', say: "Erzählung…", v: [ Elemente… ] },
]);
recap('S06_Recap', 'recap', 'outro', ['Zeile', 'Zeile'], 'Titel der nächsten Vorlesung');

Jeder Beat bekommt sein eigenes Panel, und die Kamera schwenkt zwischen den Panels. Das Layout skaliert automatisch, um alles passend darzustellen.

Elemente [Typ, ...Argumente, Optionen?]:

TypArgumente
big / textstr, Farbe, Größe
notestr, Farbe (mit Pfeil versehene Randbemerkung)
analogynull, str, 'o' (eingerahmt „Stell dir vor wie…")
list`[Zeilen], Farbe, {num
colTitel, Farbe, [Zeilen] (innerhalb von row verwenden)
row[[Element],[Element]…], {vs, gap} (nebeneinander)
flow[Bezeichnungen], [Farben] (Boxen mit Pfeilen)
stack[Bezeichnungen], {rh,size,w,cols,step}
tokens[Wörter], Farbe, {step, cols} (umbricht)
bars / hbars`[[Bezeichnung, Wert, Farbe, Wertbezeichnung]…], {h
eqstr, Farbe (unterstrichene Überschriftzahl)
cardTitel, Zeilen[][], {w, hi:[ZeilenIdx], hit:[Zeit]} (gedruckte Tabelle; Zeile 0 ist der Kopf)
chart[[[x,y]…], Farbe, Bezeichnung]…], {h, xl, yl}
timeline / grid / gpus / people / downsiehe dsl.js

Timing-Optionen (letztes Objekt): at: 'Wort' startet das Element, wenn dieses Wort gesprochen wird (occ: 2 für das zweite Vorkommen); times: [[Beat, Bruchteil, 'f'], …] setzt die Zeitangaben pro Teil als Bruchteil des Beats; step staffelt Teile. Die Starts werden so begrenzt, dass die Zeichnung ≥2,6s vor Ende des Beats abgeschlossen ist. Zulässige Optionsschlüssel sind in dsl.js (OPTK) in einer Whitelist; ein unbekannter Schlüssel wird als Daten behandelt, also neue Schlüssel dort hinzufügen.

Bauen, QA, Rendern

./build.sh L02_Architecture            # beats.json, TTS, scenes.js; gibt Sprachminuten aus
./qa.sh L02_Architecture               # End-of-Beat-Standbilder als Kacheln in L02_Architecture/qa/sheet*.jpg
./render_lecture.sh L02_Architecture "02 - Die Sieben-Schichten-Architektur"   # 2 parallele Spuren → out/*.mp4 + .srt

Führe die Qualitätskontrolle für jede Vorlesung vor dem Rendern durch und schau dir jedes Blatt an. Korrigiere:

  • Überlaufende Beschriftungen in Boxen (die Engine verkleinert Schriftarten, aber lange Beschriftungen müssen trotzdem gekürzt werden);
  • Eine Kartenhervorhebung in der falschen Zeile (zähle den Kopf als Zeile 0);
  • Inhalt, der über den Rahmen hinausgeht;
  • Ein at-Wort, das nicht existiert (WORDMISS im Log).

Für viele Vorlesungen verwende eine Warteschlange: ein READY-Flag pro Verzeichnis, jeweils ein Render-Vorgang, erneutes Rendern, wenn scenes.js neuer als das MP4 ist. In der Cloud dauert das Rendern einer Vorlesung etwa 3–4 Minuten. Hintergrundjobs müssen per Harness verfolgt werden (nicht nohup auf einer VM, die möglicherweise in den Ruhezustand wechselt).

Bereitstellen

out/*.mp4 + *.srt mit nummerierten, beschrifteten Dateinamen als Zip packen („00 - Titel.mp4"). Gib in der Antwort eine Laufzeittabelle, eine Zeile zum Ansatz und Quellen an.

Beispiele

examples/agents-L00-spec.js (Konzeptvorlesung) und examples/inference-B4-spec.js (beweislastige Vorlesung) sind vollständige, gerenderte Spezifikationen, die du kopieren kannst.

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

field-marketing-event-strategy

Builds a researched, pipeline-led event strategy for a named company across named regions, covering which hosted events, trade shows, conferences and webinars to run or skip, why, and how to execute them (contracts, on-site, follow-up) with concrete pre- and post-event plays with sales. Use whenever the user names a company and asks which events it should attend, sponsor or host, or wants a field marketing plan, an event calendar or event budget for a region, trade show or conference selection, a webinar programme, or event follow-up with sales, even if they never say "strategy" or "field marketing".

gtm-automation-architect

Senior go-to-market automation architect and GTM engineer. Plans the vision, maps what goes where, designs, builds, tests and optimises GTM automation stacks and agentic workflows across Clay, Cargo, Outreach, HubSpot Breeze, Salesforce, n8n, Make, Zapier, Crossbeam, event platforms and AI agents. Use whenever the user wants to remove manual work from events, partner communications, product marketing, outbound, inbound routing or enrichment; decide which tool should own which job; design or debug a Clay table, Cargo play, Outreach Agent Studio workflow or n8n agent; build an automation roadmap for a company or growing programme; estimate or cut credit, Actions or execution spend; or test whether a workflow meets the business expectation — even if they never say "GTM engineering" or name a tool.

marketing-performance-audit

Audit a named company's marketing and demand generation from public evidence (ad libraries, organic social, website, search, press, reviews, events, job ads) and turn it into strategy for a given role and industry. Use whenever the user asks what a company is doing in marketing, wants a competitor teardown, is preparing an agency pitch, or is researching a company's marketing before an interview, even if they never say "audit".

martech-stack-audit

Audits a company's website to identify the marketing, sales and data tools behind it (advertising pixels, tag managers, analytics, marketing automation and email, CRM and lead-capture forms, chat, personalisation and A/B testing, reviews and loyalty, e-commerce, payments and subscriptions, consent management, CMS, hosting and CDN) and reports every tool with the evidence it was found in and a confidence rating of confirmed, likely or inferred. Use whenever the user gives a website URL or company domain and asks what tools, tech stack, martech, tracking, pixels, platforms or software it uses, wants a BuiltWith- or Wappalyzer-style lookup, or is researching a prospect, competitor, client or prospective employer's marketing set-up, even if they never say "audit".

Verwandte Skills