Communitygithub.com

Akira-TL/akira-video-skills

Entwerfen und Verwalten von rollenübergreifenden Sprachkontinuitäten, Klangreferenzen, Dialoganforderungen und der Beziehung zum gesamten Video-Soundtrack in der AI-Videoproduktion.

Was ist akira-video-skills?

Diese Skill ist speziell für die **Audio- und Sprachkontinuität in der KI-gestützten Videoproduktion** konzipiert. Sie stellt sicher, dass dieselbe Figur über verschiedene Einstellungen hinweg eine konsistente Stimme, Klangfarbe und Sprechweise beibehält, während gleichzeitig die Verantwortlichkeiten für Dialoge, Umgebungsgeräusche, Soundeffekte, Musik und Voice-Over klar definiert und voneinander abgegrenzt werden. Die Skill richtet keine separate `audio/`-Projektstruktur ein, sondern lagert langlebige Audiodaten (wie Sprachdefinitionen und Referenzdateien) im `video/materials/`-Verzeichnis, während einstellungsspezifische Audiodaten in den entsprechenden `video/shots/<shot-id>/`-Ordnern verbleiben. Endgültige Audiospuren, Musik und Mischungen werden in `video/edit/` verwaltet. Die Skill unterstützt verschiedene Videoproduktionsplattformen und KI-Tools, indem sie praktische Richtlinien für die Trennung von Sprachidentität (Alter, Geschlecht, Klangfarbe) und emotionaler Variation (Hall, Intensität) vorgibt, ohne sich in tool-spezifische Parameter zu verwickeln. Sie ist unverzichtbar für Projekte, die mehrere Szenen, charaktergetriebene Erzählungen oder KI-generierte Sprachsynthese erfordern, und verhindert, dass Sprachkontinuitätsprobleme (sogenannte „Sprachdrift“) die Zuschauererfahrung beeinträchtigen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Akira-TL/akira-video-skills/tree/HEAD/skills/video/video-audio

In Ihrer bevorzugten KI fragen

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

Dokumentation

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.md
  • video/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-review geprüft;
  • Einstellungsspezifisches Audio verbleibt in der Einstellung;
  • Gesamte Filmmusik, Mischung, Untertitel und endgültige Audiopegel werden von video-editing behandelt.

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.

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

Akira-TL/akira-video-skills

为 Runway 当前视频模型编译和检查生成提示词;当 video-generation 需要使用 Runway(当前主线 Gen-4.5)的 Text to Video 或 Image to Video,并需要 Runway 专用动作、摄影和时序表达时使用。

Akira-TL/akira-video-skills

为 ByteDance / BytePlus Seedance 当前视频模型编译和检查提示词;当 video-generation 需要使用 Seedance 2.5 的参考素材、时间线、同步声音、视频编辑、延长或多镜头能力时使用。

Akira-TL/akira-video-skills

为 Google Veo 视频生成编译和检查提示词;当 video-generation 需要使用 Veo 的 Text to Video、Image to Video、首尾帧、参考元素或同步声音能力时使用,并先核验具体 Google 使用入口与 model 的当前支持范围。

Akira-TL/akira-video-skills

进入并持续推进一个 AI 视频制作项目;读取或建立 VIDEO.md,根据当前视频脚本、复用素材、镜头、生成结果和整片后期状态,按需路由到 canonical 视频专业 Skill,而不是把所有制作规则塞进一个总提示词。

Akira-TL/akira-video-skills

为品牌短片、产品植入剧情、广告或比赛作品建立产品事实与广告边界;当视频需要准确表达某个具体产品的官方功能、参数、结构、使用方式、品牌素材或产品与剧情关系时使用。

Akira-TL/akira-video-skills

设计 AI 视频中的角色与场景视觉方案;当脚本只说明“需要一个什么样的人/场景”,但还没有形成可稳定生成的外形、服装、材质、色彩、空间、光线和视觉识别系统时使用。

Akira-TL/akira-video-skills

组织整片级剪辑、合成、全片声音和最终成片;当多个已采用镜头需要进入 Premiere Pro、After Effects、DaVinci Resolve 等后期工程,或需要整片字幕、Logo、音乐、混音、比例版本和最终导出时使用。

Akira-TL/akira-video-skills

为 AI 图片或视频生成准备可直接使用的提示词与一次性生成包,并在用户把生成结果带回项目后归档;当需要从正式视频脚本、复用素材和 SHOT.md 编译生成内容、选择参考素材、约定返回文件名或清理临时包时使用。

Akira-TL/akira-video-skills

规划、创建、整理和维护多个镜头会重复使用的视频复用素材;当需要人物/场景/道具/产品提示词、参考图、官方素材、身份与状态参考或其他可重复引用内容时使用。

Akira-TL/akira-video-skills

审核 AI 生成的人物/场景等复用素材或镜头生成结果,判断采用、修改提示词、重生成还是留给后期修复;当生成结果返回项目、需要检查身份/结构/连续性/动作/摄影/产品真实性或选择生成结果时使用。

Akira-TL/akira-video-skills

把小说、章节、故事梗概、品牌 brief 或其他上游内容转换成当前视频自己的脚本层;当需要编写或修订 SCRIPT.md、视频人物表演定义、场景定义、对白或镜头总表时使用。

Akira-TL/akira-video-skills

把 SHOTS.md 中的镜头总览展开成可直接制作的单镜头定义;当需要创建或修改 video/shots/<shot-id>/SHOT.md、镜头连续性、摄影、动作、表演、声音或镜头专属生产约束时使用。

Verwandte Skills