Communitygithub.com

ai-video-voice

Sprachausgabe und Untertitel für ein kurzes Video: Ganzaufnahme-TTS-Synthese, Audio-Bild-Synchronisation anhand der echten Dauer, Untertitel-Timing basierend auf Audio, Mix normalisiert auf -14 LUFS. Läuft nach ai-video-render, vor der Überprüfung.

Was ist ai-video-voice?

Dieses Skill (ai-video-voice) fügt einem kurzen, stummen Video (film.mp4) eine Sprachausgabe (Voiceover) und Untertitel hinzu und erstellt den finalen Mix. Es ist speziell für KI-Agenten wie Claude Code, Cursor oder Codex konzipiert, die eine Pipeline zur Videoproduktion verwalten. Der Agent synthetisiert die Sprachausgabe in einem einzigen Durchgang, um hörbare Nähte und Drift zu vermeiden, und synchronisiert sie mit dem Video anhand der tatsächlichen Audiodauer – ohne das Audio zu dehnen. Die Untertitel werden aus dem Audio generiert (entweder durch Spracherkennung oder Skript + Stille-Erkennung), wobei Fehlertoleranzen im Mix-Bericht dokumentiert werden. Der finale Audiomix wird auf -14 LUFS normalisiert, und alle Ausgaben (Sprachdatei, captions.srt, mix-report.md) folgen einem klaren Vertrag. Das Skill blockiert nie die Bild- oder Skriptarbeit, sondern nur die Sprachausgabe, wenn die Konfiguration fehlt, und gewährleistet so eine robuste und zuverlässige Pipeline-Integration.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/LaomaiAI/ai-video-skills/tree/HEAD/skills/04-voice
Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

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

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

ai-video-voice: 配音

Wann verwenden

Es liegt ein stummes Video (film.mp4) vor. Dieses Skill fügt Sprachausgabe, Untertitel und den finalen Mix hinzu. Es verändert niemals das Bild.

1. Zuerst die Sprachkonfiguration prüfen

Führen Sie den TTS-Konfigurationscheck vor der Synthese durch (z. B. einen doctor-Befehl, falls das TTS-Tool einen bereitstellt). Melden Sie fehlende Konfiguration dem Benutzer; wechseln Sie nicht stillschweigend zu einer anderen Stimme.

  • Wenn der Benutzer eine persönliche Stimme angefordert hat und deren Konfiguration fehlt oder defekt ist, pausieren Sie nur die betroffene Sprachausgabe. Tauschen Sie nicht stillschweigend eine andere Stimme ein.
  • Konfigurationen persönlicher Stimmen, Aufnahmen, Referenzclips und Modellgewichte verbleiben in einem privaten Verzeichnis. Sie gelangen niemals in dieses Repository.

2. In einem ganzen Durchgang synthetisieren

  • Synthetisieren Sie die Sprachausgabe in einem ganzen Durchgang, nicht Satz für Satz zusammengestückelt. Zusammennähen erzeugt hörbare Nähte und Drift.
  • Wenn sich das Stimmmodell oder der Referenzclip ändert, generieren Sie eine neue Version der Sprachausgabe. Überschreiben Sie niemals die alte Audiodatei.

3. Audio-Bild-Synchronisation verwendet die echte Dauer

  • Synchronisieren Sie anhand der echten Dauer der Sprachausgabe. Dehnen Sie Audio niemals zeitlich, um in eine Einstellung zu passen.
  • Wenn das Filmmaterial kurz ist, halten Sie das letzte Bild, um die Lücke zu füllen. Wenn das Filmmaterial lang ist, schneiden Sie das Segment mit dem geringsten Informationsgehalt.
  • Platzieren Sie schwere Aktionen auf starke Beats. Verschieben Sie Soundeffekte aus der Bewegung selbst heraus.

4. Untertitel folgen dem Audio

  • Das Timing der Untertitel stammt vom Audio, nicht von der Skriptschätzung. Transkribieren Sie mit einem Spracherkenner, falls verfügbar; ohne einen solchen verwenden Sie das Skript plus Stille-Erkennung (Fehler kann 0,4 Sekunden erreichen).
  • Korrigieren Sie Fehlerkennungen anhand des Skripts. Schneiden Sie führende und nachfolgende Sätze ab, die zu Nachbarn gehören.
  • Liefern Sie captions.srt mit dem Film. Wenn der Film für einen Editor, der eigene Untertitel hinzufügt, neu geschnitten wird, liefern Sie auch ein Video ohne Untertitel sowie die .srt-Datei.

5. Mix

  • Normalisieren Sie den gemischten Audio-Mix auf -14 LUFS.
  • Halten Sie Musik, Sprachausgabe und Soundeffekte auf einer einzigen Zeitleiste mit dem Bild.
  • Überprüfen Sie die Audiospitze und die vollständige Dekodierung, bevor Sie an die Überprüfung übergeben.

Ausgabe-Vertrag

  • voiceover.wav (oder .mp3), ein ganzer Durchgang.
  • captions.srt.
  • mix-report.md (Dauer, Spitze, LUFS, Untertitelquelle und Fehlergrenze).

Regeln

  • Eine fehlende Sprachkonfiguration blockiert nur die Sprachausgabe. Sie blockiert niemals die Skript- oder Bildarbeit.
  • Bezeichnen Sie eine Untertiteldatei niemals als exakt, wenn sie aus der Stille-Erkennung stammt; schreiben Sie die Fehlergrenze in den Mix-Bericht.
  • Kein Hochladen oder Bereitstellen von Audio ohne Freigabeerlaubnis.

Individual skills in this repo

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

ai-video-brief

Turn a one-line idea into a locked video brief: audience, one-sentence takeaway, three narrative angles for the user to pick, and a 7-block brief.md. Use first in the ai-video-skills pipeline, before any script or animation code.

ai-video-render

Render a short video with deterministic code-drawn animation: pure function of time, fixed seeds, style selection, per-shot still checks, headless frame capture and ffmpeg assembly. Runs after ai-video-script, before voiceover.

ai-video-review

Review and deliver a short video: per-shot frame checks, technical acceptance, six failure modes, independent review gate, and the full delivery checklist. Runs last in the ai-video-skills pipeline; red light means no delivery.

ai-video-script

Write narration and storyboard for a short video: spoken script with three-pass de-AI-flavor review, shot list, beat grid, and film.json as the single source of truth. Runs after ai-video-brief, before rendering.

Verwandte Skills

steipete/video-frames

Extract frames or short clips from videos using ffmpeg.

community

steipete/summarize

Summarize or transcribe URLs, YouTube/videos, podcasts, articles, transcripts, PDFs, and local files.

community

openclaw/openclaw

Use when testing, fixing, or extending the OpenClaw Control UI GUI with Vitest + Playwright end-to-end checks, mocked Gateway WebSocket flows, mocked dashboard runs, screenshots/videos, or agent-verifiable browser proof.

community

obra/superpowers

Obra superpowers agent skills.

community

affaan-m/ECC

See, Understand, Act on video and audio. See- ingest from local files, URLs, RTSP/live feeds, or live record desktop; return realtime context and playable stream links. Understand- extract frames, build visual/semantic/temporal indexes, and search moments with timestamps and auto-clips. Act- transcode and normalize (codec, fps, resolution, aspect ratio), perform timeline edits (subtitles, text/image overlays, branding, audio overlays, dubbing, translation), generate media assets (image, audio...

community

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

community