Video Audio
Diese Skill ist für die Soundgestaltung und sprachübergreifende Konsistenz in der Videoproduktion zuständig, richtet jedoch kein separates audio/-Verzeichnis auf Projektebene ein.
Langfristig wiederverwendete Audiodaten werden unter video/materials/ abgelegt, z. B.:
video/materials/voices/CHR01_voice.mdvideo/materials/voices/CHR01_reference.wav
Einstellungsspezifische Dialoge, Atemgeräusche, Soundeffekte oder temporäre Audios verbleiben weiterhin im entsprechenden video/shots/<shot-id>/-Ordner; die gesamte Filmmusik, der Off-Kommentar, der Mix und die endgültige Tontechnik gehen in video/edit/.
Die vollständige Hierarchie der Klangschichten sowie die Zuständigkeiten zwischen nativ generierten Sounds und Postproduktions-Audio sind in references/SOUND-LAYERS.md beschrieben. Wenn das Video Hintergrundmusik, Marken-/Figurenmotive, temporäre Animatic-Musik oder KI-generierte Filmmusik benötigt, wird zusätzlich references/MUSIC.md gelesen: temporäre und finale Musik werden klar getrennt, die Musik dient der Geschichte / den Dialogen / dem Produkt und unterbricht nicht den Figurenrhythmus. Wenn ein Erzähler, Voice-Over einer Figur, ein Marken-Kommentar oder ein erklärendes Voice-Over vorhanden ist, wird außerdem references/VOICEOVER.md gelesen: Der Voice-Over-Text gehört zu video-script, die Sprachidentität / -erzeugung zu dieser Skill, der endgültige gesamte Voice-Over landet in video/edit/.
1. Zunächst drei Klangarten unterscheiden
Figuren-Langzeitsounds
Über Einstellungen hinweg benötigt eine Figur ein stabiles Altersempfinden, Geschlechtsdarstellung, Tonumfang, Klangfarbe, Resonanzposition, Standard-Sprechgeschwindigkeit, Lautstärkeverhalten, Rhythmus sowie Aussprache- und Pausengewohnheiten.
Einstellungsspezifische Sounds
Sounds, die nur zu einer bestimmten Einstellung gehören – Dialoge, Atemgeräusche, Seufzer, Schreie, Schritte, Objektkollisionen und Umgebungswechsel – folgen der Einstellung und werden nicht in die gemeinsame Klangdefinition kopiert.
Gesamtsounds
Hintergrundmusik, gesamter Off-Kommentar, Gesamtklangdesign und endgültiger Mix werden erst in der Postproduktion von video-editing verwaltet.
2. Figuren-Stimmen gestalten
Wenn eine Figur in mehreren Einstellungen Dialog hat, wird zuerst eine Stimmdefinition erstellt und dann der spezifische Text generiert oder aufgenommen. Die Figuren-Stimmdefinition legt mindestens fest, was das aktuelle Projekt benötigt: Altersempfinden, grundlegender Tonumfang, Klangfarbe, Resonanz, Standard-Sprechgeschwindigkeit, Standardlautstärke, Sprechrhythmus, Aussprachemerkmale, Variationen bei unterschiedlichen Emotionen sowie verbotene Stimmdrift.
Eine detaillierte Vorlage findet sich in references/VOICE-DESIGN.md.
3. Stimmidentität und Emotion trennen
Dieselbe Figur kann in verschiedenen Szenen und Welten Hall, räumliche Umgebung, leichten EQ, aktuelle Emotion und aktuelle Sprechintensität ändern, aber das grundlegende Altersempfinden, die grundlegende Klangfarbe, der Tonumfang, die Aussprachegewohnheiten und der Kernrhythmus sollten nicht zufällig variiert werden.
Wenn das Generierungswerkzeug eine speaker ID, voice reference, voice seed, speaker embedding oder einen vergleichbaren Stabilisierungsmechanismus bietet, wird vorzugsweise derselbe Identitätsmechanismus verwendet; die genauen Felder werden durch die offiziellen Regeln des aktuellen Werkzeugs/Modells bestimmt – diese Skill schreibt sie nicht fest.
4. Dialog und Bild
Dialoglänge, sichtbare Mundbewegungen, mehrere sprechende Figuren und die Planung von Dialogen über Einstellungen hinweg gehören zu video-script; wenn die aktuelle Aufgabe diesen Teil tatsächlich benötigt, wird diese Skill bei Bedarf geladen, andernfalls wird sie zur Vervollständigung an akira-video zurückgegeben, anstatt die Skriptregeln in dieser Skill zu duplizieren. Diese Skill ist nur für die Stimmidentität und die aktuelle stimmliche Darbietung zuständig.
Dialogtext bleibt weiterhin im Besitz von video-script; diese Skill ist nur für die stimmliche Darbietung verantwortlich. Wenn ein Videomodell synchronisierte Sprache benötigt, werden Dialog, Tonfall, Pausen und Soundereignisse in die Generierungs-Prompts eingebaut, aber es werden keine nicht vorhandenen Zeilen hinzugefügt, nur weil das Modell native Töne unterstützt.
5. Bewusste Stille
Längere dialogfreie Passagen, die durch Spannung, Gefahr, Musik, visuelle Höhepunkte oder die Handlung selbst erzählt werden, sollten in der SHOT.md mit der Regieabsicht für die Stille beschrieben werden. Wenn eine Figur über längere Zeit aktiv handelt, aber kein Dialog, Reaktionsgeräusch, Umgebungsgeräusch oder Musik die Erzählung trägt, wird die Prüfung an video-shot zurückgegeben, um festzustellen, ob eine tote Passage entsteht.
6. Wenn externe Soundgenerierung benötigt wird
Die Figuren-Stimmdefinition, der aktuelle Text, die Referenzaudiodatei und der Rückgabename werden an video-generation übergeben, das sie gemäß dem Einmal-Generierungspaketvertrag organisiert; diese Skill erstellt kein eigenes Verpackungsverzeichnis oder temporäre Dateiregeln.
7. Rückmeldung zur Überprüfung und Postproduktion
- Stimmdrift, Mundbewegungen, Tonfall, Tonumfang und Timing werden von
video-reviewgeprüft; - Einstellungsspezifisches Audio verbleibt in der Einstellung;
- Gesamte Filmmusik, Mischung, Untertitel und endgültige Audiopegel werden von
video-editingbehandelt.
Abschlusskriterien
Die Figurenstimmen sind über Einstellungen hinweg stabil erkennbar; die Aufgaben von Einstellungs-Audio und Gesamt-Audio sind klar; es wurden keine Audiodateien nur für die Verzeichnisstruktur kopiert und keine toolspezifischen speaker-Parameter fälschlich als allgemeine Regeln notiert.