Communitygithub.com

Schnitt: die straffe Sprachaufnahme

Schneidet rohes Talking-Head-Material in eine straffe, gesprochene Edition. Findet die beste vollständige Aufnahme jeder Zeile, entfernt jede Totzeit bis auf den Frame, kappt nie das Ende eines Wortes oder halbiert einen Atemzug und überprüft jede Verbindung auf Bildsprünge, Mikrofonausfälle und Sprachpegel. Als erstes auf die rohe Aufnahme anwenden.

Was ist Schnitt: die straffe Sprachaufnahme?

Dieses Skill ermöglicht es, rohe Talking-Head-Aufnahmen automatisiert in eine hochwertige, straffe Sprachfassung zu schneiden. Es identifiziert die beste vollständige Aufnahme jeder Zeile auf Grundlage von Sprachhinweisen oder manueller Auswahl, entfernt sämtliche Totzeiten zwischen Takes, Sätzen und Wörtern bis auf den einzelnen Frame und stellt sicher, dass keine Wortenden abgeschnitten oder Atemzüge halbiert werden. Das Skill überprüft außerdem jede Schnittstelle auf Bildsprünge (Bewegungsänderungen) und Mikrofonausfälle und repariert diese, bevor der endgültige Schnitt erstellt wird. Es erstellt detaillierte Protokolle (Schnittliste, Abdeckung, verbleibende Lücken) für die Qualitätssicherung. Das Skill ist für die Verwendung mit lokalen Tools wie ffmpeg und faster-whisper konzipiert und lädt niemals Filmmaterial auf externe Dienste hoch. Es eignet sich hervorragend für Produzenten, Redakteure und KI-Assistenten, die schnell und zuverlässig gesprochene Inhalte aus Rohmaterial erstellen müssen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Liamrjohnston/ai-video-editor/tree/main/.claude/skills/cut

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Schnitt: die straffe Sprachaufnahme?

Der Schnitt ist die Grundlage. Grafiken, Untertitel und Ton werden alle darauf abgestimmt, daher muss er stimmen, bevor etwas anderes beginnt. Der Standard: Die erste Version ist super straff geschnitten, ohne ein einziges Stück Totzeit an irgendeiner Stelle und ohne Überschneidungen. Straff bedeutet nie abgeschnitten. Ein Wort, das seinen letzten Konsonanten verliert, oder ein halbierter Atemzug klingt schlimmer als eine Pause.

Was du brauchst

  • Das Kameramaterial (Originalvideo). Niemals die Low-Res-Proxy-Datei, die manche Kameras daneben schreiben (z. B. eine DJI .LRF); schneide aus der MP4 in voller Qualität.
  • Das Skript, falls vorhanden.
  • ffmpeg und einen lokalen Transkriptor (faster-whisper). Transkribiere lokal; lade niemals das Filmmaterial einer Person auf einen externen Dienst hoch.

Schritt 1: Bestandsaufnahme

Untersuche die Quelle: Auflösung, exakte Bildrate (29,97 ist 30000/1001, nicht 30), Dauer, Audiokanäle. Notiere sie. Jede Framenummer in diesem Skill ist ein nativer Frame der Quelle. Übernimm niemals die Bildrate eines anderen Videos.

Schritt 2: Transkription mit Wortzeitmarken

.venv/bin/python .claude/skills/cut/scripts/transcribe.py raw.mp4 --out words.json

Spracherkennung findet Wörter. Sie kann keine Darbietung beurteilen, ein Murmeln hören oder einen sauberen Konsonanten bestätigen.

Schritt 3: Vor dem Schnitt auf Mikrofonausfälle prüfen

Drahtlose Mikrofone verlieren manchmal 20 bis 50 ms und füllen diese mit einem glatten, künstlichen Abfall. Das klingt wie ein Aussetzer bei einem Wort, und die Leute geben der Bearbeitung die Schuld.

.venv/bin/python .claude/skills/cut/scripts/find_dropouts.py raw.mp4 --json dropouts.json

Führe es auf dem Quellaudio aus, niemals auf einem fertigen Mix, wo Musik es verdeckt. Repariere jeden echten Aussetzer und schneide dann aus dem reparierten Audio:

.venv/bin/python .claude/skills/cut/scripts/repair_dropout.py raw.mp4 --start 32.722 --end 32.762 --out audio_repaired.wav --json repair.json

Die Reparatur löscht die Verdeckung, überblendet die beiden echten Hälften und gleicht die Zeit mit Raumklang aus der nächsten Pause aus, sodass der Lippensync erhalten bleibt. Keine Synthese, Filterung oder Lautstärkeanpassung. Wenn jemand sagt „da ist ein Aussetzer“, überprüfe Ton und Bild getrennt.

Schritt 4: Takes auswählen

  • Höre auf verbale Hinweise. Sprecher sagen oft „nimm den hier“, „das ist der Richtige“ oder „diesen hier“ nach einem guten Take. Der Hinweis markiert den abgeschlossenen Take direkt davor. Ohne Hinweis der letzte saubere, vollständige Take, bevor sie weitergemacht haben. Ein späterer verbaler Hinweis hat Vorrang.
  • Wähle niemals standardmäßig den letzten Take. Es ist oft der müde.
  • Lehne ab: Murmeln, Fehlstarts, unvollendete Gedanken, unterbrochene Wörter, leise Proben und Verleser. Rette niemals einen leisen Take mit Lautstärkeerhöhung.
  • Bei jeder verdächtigen Zeile durchsuche die gesamte Aufnahme nach jedem vollständigen Take dieser Zeile, nicht nur nach dem nächstgelegenen. Vergleiche sie in einer kurzen Tabelle: Take, Quellzeit, Hinweis, Urteil, Grund.
  • Wenn nicht klar ist, welcher Take am besten klingt, frage nach. Gib dem Benutzer jeden vollständigen Take dieser Zeile zum Abspielen, wobei der mit einem Hinweis markierte Take vorausgewählt ist, und schneide nach seiner Auswahl. Rate nicht bei der Darbietung.
  • Wenn es keinen sauberen vollständigen Take einer Zeile gibt, sage das deutlich. Erfinde niemals einen Ersatz oder eine Überbrückung aus einem Wortfragment.
  • Vergleiche das Skript Zeile für Zeile mit den tatsächlich gesprochenen Wörtern. Grafiken und Untertitel folgen dem, was gesagt wurde, nicht dem, was geschrieben wurde.
  • Mehrere Hooks: Wenn mehrere Eröffnungs-Hooks aufgenommen wurden, schneide den Hauptteil einmal und jeden Hook separat. Überprüfe dann jede Hook-Hauptteil-Verbindung separat.

Schritt 5: Straff schneiden

.venv/bin/python .claude/skills/cut/scripts/find_gaps.py audio_repaired.wav --words words.json --json gaps.json

Dies schlägt Kandidaten vor; es schneidet nie. Dann gehe Grenze für Grenze vor:

  • Entferne alle diskretionären Totzeiten: zwischen Takes, zwischen Sätzen, zwischen Wörtern, Pausen am Ende. Verbinde direkt mit der nächsten sinnvollen Sprache.
  • Behalte nur die Frames, die ein Ton tatsächlich braucht: schwache Frikative (s, f, th), Aspiraten (h), Konsonantenverschlüsse und -freisetzungen (t, k, p) und den vollständigen Abfall eines Wortendes. Nenne für jedes BEHALTEN den geschützten Ton. „Natürliches Tempo“ ist kein Grund.
  • Atemzüge am Ende. Wenn der Pegel in Richtung Raumklang fällt und dann wieder ansteigt, ohne dass ein Wort zu hören ist, ist dieser Anstieg ein Atemzug. Beende das Stück 20 ms nach dem letzten Ton des Wortes. Ein Schnitt in den Atemzug hinterlässt ein seltsames, halbes Geräusch. Ein abklingendes Wortende bleibt erhalten.
  • Behalte mindestens 2 Frames vor einem Wort, das nach einer entfernten Pause beginnt.
  • Beschleunige niemals die Stimme, überlappe niemals zwei Sprachteile, überblende niemals zwei Stimmen übereinander. Entferne niemals echte Sprache, um eine Dauer zu treffen.
  • Ein Stille-Detektor schlägt Kandidaten vor; er bestätigt nichts. Winzige Lücken unterhalb des Minimums des Detektors werden trotzdem überprüft.

Erstelle ein frame-genaues Manifest (cut.json): für jedes Stück die zugehörige Zeile, Quell-Ein- und Aus-Frames, Startframe im Ausgabevideo und den Grund für jede Grenze. Alles nachgelagerte (Untertitel, Grafiken, Ton) wird nach jeder Änderung davon neu zugeordnet.

Schritt 6: Bildsprünge an den Verbindungsstellen

Das Schneiden einer kurzen Pause, während sich die Hände oder der Kopf bewegen, sieht aus wie herabfallende Frames. Führe nach dem straffen Durchgang den Schnitt aus und messe jede Verbindungsstelle mitten im Satz:

.venv/bin/python .claude/skills/cut/scripts/join_jumps.py cut.mp4 --cut cut.json --modes modes.json --json jumps.json

Der Sprung ist die Framedifferenz über die Verbindung hinweg, geteilt durch die normale Bewegung darum herum. Bei 3x oder mehr füge die wenigsten echten Pausen-Frames wieder hinzu, die den Wert auf 2x oder weniger bringen, und wähle aus, welche Frames entfernt werden, damit die beiden Seiten zusammenpassen. Keine Überblendungen. Schnitte zwischen Takes an Satzgrenzen sind normale Sprungschnitte. Verbindungen, die unter einer Vollbildgrafik versteckt sind, zeigen sich nicht. Bei einer Zeile, in der sich die Hände schnell bewegen, schneide überhaupt keine Frames darin.

Schritt 7: Gleichmäßige Stimme

Pegle jeden Take und jede Nachaufnahme satzweise an, bevor du etwas zeigst, damit es wie eine Aufnahme klingt. Überprüfe den Ton nach einem telefonähnlichen Frequenzgang und die Tonhöhe: Takes, die 1,5 Halbtöne auseinanderliegen, klingen an einer Verbindungsstelle immer noch unpassend. Eine erneute Aufnahme ist besser als eine Tonhöhenverschiebung. Zwei Hälften eines Hooks, die nur Sekunden auseinander aufgenommen wurden, können dennoch unterschiedlich sein; wähle das Paar, das am besten zusammenpasst, und wenn das Bild an dieser Verbindungsstelle springt, decke es mit einem Punch-In ab.

Schritt 8: Prüfung, bevor es jemand sieht

Transkribiere den exportierten Schnitt unabhängig und vergleiche die Wörter in der Reihenfolge mit den beabsichtigten Zeilen. Überprüfe auf doppelte Anfänge („jetzt kannst du, jetzt kannst du überprüfen“) mit kurzen überlappenden Fenstern um jede Verbindungsstelle herum, da die Spracherkennung über die gesamte Datei hinweg Wiederholungen glättet. Wenn jemand eine Wiederholung meldet, ist sie real, bis das Gegenteil bewiesen ist.

Speichere einen Beleg mit jeder Version:

  • Abdeckung: Wie viele Stücke, Anfänge, Enden, Verbindungen und Lücken wurden überprüft. Erwartete und überprüfte Anzahl müssen übereinstimmen.
  • Take-Protokoll: Beabsichtigte Wörter, jeder Kandidat-Take für verdächtige Zeilen, die Wahl und warum.
  • Schnittprotokoll: Frames jeder Grenze, entfernte oder behaltene Frames und der spezifische geschützte Ton.
  • Verbleibende Lücken: Erneute Ausführung auf dem codierten Schnitt; liste alles auf, was übrig bleibt, und warum es bleibt.
  • Abhören: Eine automatisierte Prüfung ist kein Abhören. Markiere Abhören als AUSSTEHEND, bis eine Person es bei normaler Geschwindigkeit gehört hat. Behaupte niemals, dass es sauber klingt, nur weil die Zahlen bestehen.

Wenn Feedback zurückkommt

  • Ein abgelehntes Murmeln oder ein Hinweis wie „dieser Schnitt ist zu locker“ bedeutet das gesamte Video erneut prüfen, nicht nur diesen Zeitstempel.
  • Jede Korrektur ist eine neue Version. Überschreibe niemals einen akzeptierten Schnitt.

Regeln

  • Straff von Version eins an. Keine Totzeit, keine Überschneidungen, keine abgeschnittenen Töne.
  • Takes, die durch Hinweise markiert sind. Niemals standardmäßig den letzten Take. Frage nach, wenn die Darbietung unklar ist.
  • Atemzüge am Wortende enden 20 ms nach dem letzten Wort.
  • Verbindungen bei 3x Bewegung oder mehr erhalten Frames zurück auf 2x oder weniger. Keine Überblendungen.
  • Mikrofonausfälle vor dem Schnitt auf der Quelle scannen und reparieren.
  • Beschleunige oder synthetisiere niemals die Stimme. Lade niemals Filmmaterial hoch.

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Verwandte Skills