QuickDesign CLI Skill
Dieser Skill lehrt Claude, KI-Medien durch das quickdesign CLI zu planen und auszuführen. Das CLI kapselt die gehosteten Modelle von QuickDesign (Seedance 2.0 R2V/I2V, Kling, Sora 2, Nano Banana, GPT Image, Video-Upscaling), sodass eine Claude-Sitzung Videos und Bilder direkt aus Bash erzeugen kann, ohne API-Schlüssel, Polling oder Speicher-Upload verwalten zu müssen.
Wann wird dieser Skill angewendet?
- Talking-Avatar / UGC-Video – „Erstelle eine 30-Sekunden-Werbung, in der diese Person X sagt“, „Wandle dieses Skript in ein Video um“, „Erstelle einen Creator-Selfie-Clip“
- Multi-Segment-Promo / Erklärvideo – Alles, bei dem die gesamte Sprachdauer >15s beträgt (die Grenze eines einzelnen Seedance-Segments) oder bei dem der Benutzer Perspektivwechsel / Bildausschnittsfortschritt wünscht.
- Bildbearbeitung / Generierung – Perspektivenwechsel, Zustandsänderung, Produkt auf weißem Hintergrund, Lifestyle-Composite, Marken-Kit-Creatives, Multi-Produkt-Referenzkomposition
- Video-Upscaling – Verbessere 720p/1080p-Ausgabe auf 1080p/4K
- Massen-/Stapelproduktion von Creatives – „Mache dies für jedes dieser 5 Produktfotos“
NICHT verwenden für: reine Textgenerierung, Code-Bearbeitungen, Suche – dafür gibt es eigene Tools.
Kardinalregeln (zuerst lesen, jedes Mal)
Diese Regeln gelten für jede Generierung. Das Brechen einer dieser Regeln führt zu sichtbaren Defekten.
-
Standardeinstellung Videomodell =
seedance-2.0-r2vfür JEGLICHE UGC- / Talking-Avatar- / Promo- / Erklär- / Multi-Szenen-Arbeit, unabhängig von Dauer oder Segmentanzahl. Verwende nichtseedance-2.0-i2vnur, weil das Skript „kurz genug“ ist – R2V verarbeitet 4-15s Einzelaufnahmen genauso gut wie Multi-Segment-Videos, und der Start mit R2V bewahrt alle Primitiven, die dieser Skill benötigt (@Image1-Referenzen, mehrere--reference-image,--reference-audioSprachkontinuität). Nur umschalten auf andere Modelle, wenn der Benutzer explizit zustimmt („Verwende Sora 2“) oder R2V im Registry nicht verfügbar ist.⚠️ Der Name „i2v“ (Image-to-Video) ist irreführend. R2V akzeptiert ebenfalls einen Einzelbild-zu-Video-Fluss – übergib einfach ein
--reference-image. Wähle nicht i2v, weil die Aufgabe „Bild-zu-Video auf Englisch“ ist. Eine Agent-Argumentationskette wie „Benutzer möchte statische Bilder animieren → Bild-zu-Video → daher seedance-2.0-i2v“ ist die stille Regression, die diese Regel verhindern soll. Selbst wenn du nur eine einzelne Bananen-Bearbeitung ohne Sprache und ohne Multi-Ref-Bedarf animierst, ist R2V immer noch die Standardeinstellung – i2v fügt nichts hinzu und verzichtet auf die Primitiven, falls die nächste Iteration der Aufgabe sie DOCH benötigt.Siehe
models/seedance-2.0-r2v.md. -
Verwende
@Image1/@Audio1/@Video1Referenzlabels in Prompts und übergib JEDES relevante Foto als separate Referenz. Sowohlnano-banana-2(Bildbearbeitung) als auch Seedance 2.0 R2V (Video) akzeptieren mehrere--reference-image-Flags. Wenn der Benutzer ein Produkt aus zwei Perspektiven hochgeladen hat, übergib beide – die zweite nur in Prosa zu beschreiben ist eine Regression. Beschreibe die Person, die Kleidung oder das Produkt nicht in Worten; das konkurriert mit dem Referenzbild und verursacht Drift.❌ Falsch – ausführliche wörtliche Neubeschreibung von
@Image1:Authentisches UGC-Foto der Frau aus der Referenz (langes welliges braunes Haar, natürliches glänzendes Make-up, glänzende pfirsich-koralle Lippen, goldene Creolen, Perlen-Choker, sanftes Lächeln), trägt die beigefarbenen Wildleder-Sneaker aus der zweiten Referenz, in einem gemütlichen, minimalistischen Schlafzimmer...Banana sieht bereits ihre Haare / Make-up / Lippen / Schmuck in
@Image1und die Sneaker-Farbe / Silhouette / Sohle in@Image2. Sie erneut zu beschreiben, sagt dem Modell „Ignoriere die Referenzen, male aus dieser Prosa“ – konkurriert mit dem visuellen Anker und verursacht Drift.✅ Richtig – Labels leisten die Arbeit, Prosa beschreibt nur das NEUE:
Bearbeite @Image1: Ändere Pose zu iPhone-Mirror-Selfie. Füge ein weißes Rippen- Tanktop + übergroße Baggy-Jeans hinzu. Sneaker passend zu @Image2 sichtbar am unteren Bildrand. Behalte Gesicht, Haare, Make-up, Schmuck und Beleuchtung von @Image1 bei.Siehe
references/multi-reference-pattern.mdund die modellspezifische Karte untermodels/. -
Multi-Segment-Sprachkontinuität =
--reference-audioaus dem extrahierten Audio von Segment 1. Generiere Segment 1 zuerst →ffmpeg -vn -acodec libmp3lameextrahiert Audio → übergib diese mp3 als--reference-audiofür Segmente 2..N. Ohne dies wählt jedes Segment eine andere Stimme. Siehereferences/voice-continuity.md. -
Unterdrücke die geschichtete Musikbettung und eingebrannte Untertitel – nur minimale Anweisung. Füge zwei kurze Zeilen zum Prompt hinzu:
No music score.undNo subtitles or on-screen text.Das ist alles. Zähle NICHT die Umgebungsgeräusche auf, die du behalten möchtest („Straßenlärm, Café-Gespräche, Espressomaschine“) – Seedance erzeugt natürliche Umgebungsgeräusche selbst; zu viele Vorgaben lassen das Audio gestellt wirken. Siehereferences/no-music-no-subtitles.md. -
Für eingebrannte Untertitel verwende
quickdesign video subtitleNACH der Generierung. Lasse das Videomodell niemals seine eigenen Untertitel über den Prompt einbrennen – sie halluzinieren. Der dedizierte Untertitel-Endpunkt führt eine echte ASR (ElevenLabs) durch und rendert genaue Karaoke-artige Untertitel. Siehereferences/auto-subtitle.md. -
Bestätigungsgates – pausiere vor dem Ausgeben von Credits, auch im Automatikmodus. Der Automatikmodus verringert den Aufwand für kostengünstige, reversible Arbeit (Dateibearbeitungen, Recherche, Planung). Bezahlte KI-Generierung ist weder kostengünstig noch reversibel – der Automatikmodus umgeht diese Gates NICHT. Beachte immer:
- Planzusammenfassung VOR jeder Videogenerierung (Typ / Modell / Dauer / Kosten / Skript). Zeige sie an, warte dann entweder auf explizites „Go“ (normaler Modus) ODER fahre sofort fort, während die Zusammenfassung über dem Bash-Aufruf sichtbar bleibt, damit der Benutzer die Aufgabe abbrechen kann, bevor die Kosten abgeschlossen sind (Automatikmodus). Die Zusammenfassung muss VOR dem Bash-Aufruf kommen, niemals danach.
- Banana-Bearbeitungsreferenz VOR der Übergabe an Seedance R2V → zeige die Bearbeitung, warte auf visuelle Bestätigung. Banana ~12cr, Seedance ~250-500cr; eine falsche Referenz, die automatisch verkettet wird, kostet das 50-fache. Dieses Gate wird im Automatikmodus NICHT komprimiert.
- Siehe
references/confirmation-rules.mdfür das vollständige Zusammenspiel im Automatikmodus.
-
Für Auswahl-Gates verwende das
AskUserQuestion-Tool, nicht freie Prosa. Modellauswahl, Übergangsstil, Auflösung, Banana-Bearbeitung genehmigen / neu generieren / abbrechen – rufeAskUserQuestionmit einer strukturierten Optionsliste auf und setze deine Empfehlung an ERSTER Stelle mit(Recommended). Siehereferences/confirmation-rules.md. -
Wenn ein Avatar geliefert wird UND sich die Einstellung nicht ändert, BEARBEITE den Avatar – generiere ihn nicht neu. Compose-artige Banana-Prompts („Erstelle ein vertikales 9:16 UGC-Selfie-Bild...“, „Generiere eine Creator-Selfie-Szene...“) führen dazu, dass das Modell ein frisches KI-Look-Bild rendert, das vom Avatar inspiriert ist – dabei gehen die Beleuchtung, Körnung und Lo-Fi-Authentizität der Quelle verloren. Das Ergebnis wirkt synthetisch statt wie ein echt bearbeitetes Selfie eines Creators. Verwende Bearbeitungsverben (
Bearbeite @Image1: füge hinzu ...,Nimm @Image1 wie es ist und ändere nur ...,Behalte jedes Pixel von @Image1 außer [Region]), liste nicht die Szenen-Token erneut auf, die die Referenz bereits zeigt, und entferne Qualitätssteigerungswörter („fotorealistisch“, „Studioqualität“, „8K“) aus dem Prompt – sie lösen eine Neugenerierung aus. Siehereferences/avatar-edit-not-generate.md. -
Bei UGC-Video: Zeige die Sprach-oder-Stumm-Wahl an – wähle nicht stillschweigend. „UGC-Video“ ist mehrdeutig: Es könnte ein gesprochener Creator-Clip (skriptgesteuert, Stimme + Lippen-Lippensynchronisation) ODER ein bewegungsreicher Beat (OOTD-Enthüllung, B-Roll, animierte Standbilder mit Texteinblendungen in der Nachbearbeitung) sein. Beides sind legitime kreative Formate. Der Agent darf NICHT stillschweigend eine Wahl treffen:
- Starkes Signal für GESPROCHEN (einfach loslegen): Benutzer schrieb „Talking-Avatar“, „Creator sagt“, „Voiceover“, „Erklärvideo“, „Werbespot mit Skript“ oder lieferte selbst ein Skript. Baue Skript → platziere es in der Planzusammenfassung → generiere mit
generate_audio: trueund der zitierten Sprache inline. - Starkes Signal für STUMM (einfach loslegen): Benutzer schrieb „OOTD-Enthüllung“, „nur Bewegung“, „kein Audio“, „B-Roll“, „Pinterest-Ästhetik“ oder wünscht einen Reel mit animierten Standbildern.
- Mehrdeutiges „UGC-Video“ / „Promo-Video“ / „Werbevideo“ – rufe
AskUserQuestionmit zwei Optionen auf: gesprochen (mit einem Entwurf eines 4-8-Worte-Hooks) oder stumm + Nachbearbeitungs-Textüberlagerung. Empfehle, was besser zum Brief des Benutzers passt. Entscheide NICHT stillschweigend standardmäßig.
Wenn GESPROCHEN ausgewählt ist: Starte NIEMALS die Generierung ohne zitierte Sprache im Prompt. Wenn der Benutzer keine geliefert hat, entwerfe 4-12s Dialog, der zum Brief passt, präsentiere ihn in der Planzusammenfassung und fahre dann fort. Das Generieren mit einem allgemeinen Aktionsprompt ohne zitierte Sprache erzeugt stummes Video oder von Modellen gebrabbelte Phoneme – verschwendete Credits.
Siehe
references/script-and-duration.mdfür die Wortzahl-zu-Dauer-Berechnung. - Starkes Signal für GESPROCHEN (einfach loslegen): Benutzer schrieb „Talking-Avatar“, „Creator sagt“, „Voiceover“, „Erklärvideo“, „Werbespot mit Skript“ oder lieferte selbst ein Skript. Baue Skript → platziere es in der Planzusammenfassung → generiere mit
-
Multi-Segment-Pläne ENDEN nach Segment 1 für visuelle Bestätigung – fahre nicht mit Segment 2..N fort, bevor der Benutzer bestätigt hat, dass Segment 1 richtig aussieht. Die Sprachkontinuität verankert das Audio von Segment 1 in jedem nachfolgenden Segment über
--reference-audio. Wenn Segment 1 die falsche Stimme, die falsche Avatar-Identität, ein falsch ausgesprochenes Wort oder einen brandschädigenden Bildausschnitt hat, erbt jedes parallele Segment 2..N diesen Fehler. Ein 4-Segment-Plan mit ~250cr/Segment = ~1000cr; das automatische Ausrollen eines fehlerhaften Segments 1 verbrennt ~750cr, die nicht ausgegeben werden mussten.Der Ablauf ist:
- Planzusammenfassung → Benutzer genehmigt (Regel 5).
- Rendere nur Segment 1.
- Zeige die Video-URL von Segment 1 im Chat an + rufe
AskUserQuestionmit Optionen:- Sieht gut aus – rendere Segmente 2..N (Empfohlen, wenn Segment 1 sauber ist)
- Rendere Segment 1 neu (Prompt / Referenz / Dauer anpassen)
- Breche den Multi-Segment-Plan ab
- Nur bei „Sieht gut aus“ → starte Segmente 2..N parallel mit dem extrahierten Audio.
Dieses Gate wird im Automatikmodus NICHT komprimiert. Der Kostenmultiplikator von Segment 1 zu Segment N ist derselbe, egal wie geduldig der Benutzer ist. Siehe
pipelines/ugc-video.mdfür den kanonischen Multi-Segment-Ablauf. -
Die Kamera bleibt stationär. Ändere die Perspektive / den Bildausschnitt NICHT, es sei denn, der Benutzer bittet explizit darum. Dokumentarfilm-artiges UGC (Straßeninterview, Küchen-Demo, Gründer-POV, Kundenreferenz, Vlog-Stil) liest sich wie eine kontinuierliche Kameraposition, nicht wie ein Multi-Perspektiven-Schnitt. Standardeinstellung: gleicher Bildausschnitt (z.B. Halbnah auf Augenhöhe), gleicher Abstand, Avatar in etwa derselben Position in jedem Segment. Der „Übergang“ zwischen Segmenten ist die Geste / der Satz / der Mikroausdruck des Avatars – nicht ein Perspektivwechsel.
❌ Falsche Standardeinstellungen (stille Regression – erzeugt ein „von einem Kameramann gedrehtes“ Gefühl, das die UGC-Authentizität zerstört):
- Seg 1 Halbnahaufnahme → Seg 2 Über-die-Schulter → Seg 3 Nahaufnahme
- „Gehe langsam auf den Sprecher zu“
- „Schneide zur Produkt-Nahaufnahme bei der Pointe“
- Jedes
nano-banana-2-Segment verwendet einen anderen Winkel derselben Person
✅ Richtige Standardeinstellung (UGC-Authentizität erhalten):
- Gleiches Quellbild oder nahezu identischer Winkel/Beleuchtung in jedem Segment. Nur die Handposition, der Blick oder der Gesichtsausdruck des Avatars ändert sich zwischen den Segmenten.
Wechsle nur zu Multi-Perspektive, wenn der Benutzer explizit darum bittet: „Wechsele den Winkel in jedem Segment“, „Kinoreifes Schneiden zur Nahaufnahme beim Hook“, „Füge eine Über-die-Schulter-Aufnahme des Produkts ein“, „Studio-artiges Multi-Kamera-UGC“. Wenn unsicher, frage über
AskUserQuestion: Feste Kamera (empfohlen für Dokumentarfilm-UGC) / Multi-Perspektive (kinoreife Schnitte).Siehe
references/first-frame-not-camera-motion.mdfür die verwandte Regel zu statischem Bildausschnitt vs. beschriebener Kamerabewegung. -
Überprüfe ALLE Referenzen, die der Benutzer geliefert hat – Produkt allein reicht nicht für UGC. Wenn die Aufgabe „Erstelle ein UGC-Video für dieses Produkt“ lautet und der Benutzer NUR ein Produktfoto geliefert hat, STOPP vor der Generierung. Seedance R2V benötigt verankerte Referenzen für: das Produkt, den Avatar / Creator (Gesicht, Körperbau, Ausstrahlung) und die Szene / den Ort (Küche, Badezimmer, Bürgersteig, Fitnessstudio). Prosa kann das Produkt detailliert beschreiben, aber wenn du den Avatar nur in Prosa beschreibst, halluziniert Seedance eine generische Person – normalerweise eine synthetisch wirkende kaukasische Frau in ihren 20ern – und die Szene wirkt wie B-Roll aus dem Archiv, nicht wie die Welt der Marke. Das Ergebnis überschreitet die Hürde „sieht nicht gemacht aus“ nicht.
Vor der Generierung überprüfe die gelieferten Medien:
- Produktbild – fast immer vorhanden. Übergib als
--reference-imagemit Promptlabel@Image1. - Avatar / Creator-Bild – falls der Benutzer eines bereitgestellt hat, übergib es als separates
--reference-imageund label@Image2. Wenn der Benutzer keins bereitgestellt hat, rufeAskUserQuestionauf: Lade ein Creator-Porträt hoch / Wähle aus der QuickDesign-Avatar-Bibliothek (5.000+ Porträts) / Fahre mit prosabeschriebenem Creator fort (Risiko eines synthetischen Looks). Empfehle „Wähle aus der Bibliothek“, wenn der Benutzer nur einen Brief hat. - Szenen-/Ortsbild – wenn der Benutzer eine „Küchenszene“, „Badezimmer-Selfie“, „Bürotisch-POV“ usw. filmt, frage, ob sie ein Referenzfoto des tatsächlichen Raums haben. Übergib als
@Image3, falls geliefert.
Der Seedance R2V-Aufruf sollte wie folgt aussehen:
quickdesign video generate --provider seedance \ --reference-image product.jpg \ --reference-image avatar.jpg \ --reference-image scene.jpg \ --aspect-ratio 9:16 --duration 12 --resolution 1080p \ -p '@Image2 in @Image3, hält @Image1 auf die Kamera. Sie sagt: "..." No music score. No subtitles or on-screen text.' \ -o seg1.mp4 --waitDie Labels
@Image1/@Image2/@Image3leisten die Hauptarbeit; Prosa beschreibt nur die Handlung und die zitierte Sprache. Siehereferences/multi-reference-pattern.md. - Produktbild – fast immer vorhanden. Übergib als
Entscheidungsbaum – welches Dokument zuerst öffnen?
Nach Auftragstyp:
| Anfrage | Hier beginnen |
|---|---|
| UGC / Talking-Avatar / Promo / Erklärvideo / Multi-Segment-Werbung | pipelines/ugc-video.md → models/seedance-2.0-r2v.md |
| Bildbearbeitung (Perspektive, Zustand, Multi-Produkt-Komposition) | models/nano-banana-2.md → references/multi-reference-pattern.md |
| Kinoreife Einzelaufnahme, audioqualitätsgetrieben (4/8/12s) | models/sora2-i2v.md (nur bei expliziter Zustimmung des Benutzers) |
| Budget-Loop / nicht gesprochenes B-Roll | models/kling-3-pro.md |
| Finales Video zu niedrig aufgelöst | models/topaz-video-upscale.md (nach Concatenation ausführen) |
| Untertitel zu vorhandenem Video hinzufügen | references/auto-subtitle.md |
| Marke nicht in Spy Brands Bibliothek / 0 Suchergebnisse | references/spybrands-add-on-miss.md |
| Benutzer o |
…
[Gekürzt für Übersetzung]