Communitygithub.com

UgurKeskekci/claude-video-kit

Erzeugt aus einer Talking-Head-Aufnahme (Kamera, Audio; horizontal 4K oder vertikal) ein vertikales Instagram-Reels / YouTube-Shorts / TikTok-Video (1080×1920, 30 fps) im „Kartenformat“ – mit Karten, Schlüsselwort-Untertiteln, sanften Übergängen und einer Abschlussfrage.

Was ist claude-video-kit?

Dieses Skill wandelt eine gesprochene Aufnahme (z. B. ein Erklärvideo) in ein vertikales Kurzvideo für Plattformen wie Instagram Reels, YouTube Shorts oder TikTok um. Es folgt einem strukturierten Workflow: Zunächst wird das Audio analysiert und transkribiert, dann wird ein Schnitt (cut) vorgenommen, um unnötige Passagen zu entfernen und die Länge auf etwa 35–45 Sekunden zu bringen. Der Kern des Skills liegt in der Erstellung eines Szenarios („senaryo.json“), in dem festgelegt wird, welche Karte (Liste, Terminal, Frage, Screenshot etc.) zu welchem gesprochenen Wort erscheint, und in welchem Layout (Karte oben, Gesicht unten; Vollbild Gesicht; Vollbild Karte). Anschließend wird der Gesichtsausschnitt geschätzt, eine Vorschau erzeugt, das fertige Video gerendert und automatisch auf Sicherheitszonen, Audio-Pegel und korrekte Größen geprüft. Das Skill unterstützt keine Bildschirmaufnahmen und erzeugt Originalton – es fügt auch synthetische Soundeffekte (Whoosh, Tastaturklicks) hinzu und stellt sicher, dass das Video den technischen Anforderungen von Instagram Reels entspricht (obere 220px, untere 20%, rechte Spalte ab x>940). Es ist für Claude-Code-Instanzen gedacht und erfordert ffmpeg, Python sowie die Installation der Abhängigkeiten aus dem Repository („kur.sh“).

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/UgurKeskekci/claude-video-kit/tree/HEAD/.claude/skills/reels

In Ihrer bevorzugten KI fragen

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

Dokumentation

Reels (Kartenformat)

Wandelt eine Sprachaufnahme in ein vertikales Video um, bei dem jeder gesagte Gedanke in einer Karte oben im Bild erscheint. Die Aufteilung ist:

  • Werkzeuge messen und schneiden das Audio (Shredder/Cutter des yatay-kurgu-Skills), zeichnen Karten und Untertitel, egalisieren den Ton und messen das Ergebnis.
  • Du (Claude) liest das Transkript, wählst aus, was entfernt wird, schreibst in senaryo.json zu welchem WORT welche Karte erscheint und PRÜFST die Kontrollbilder.

Du gibst keine Sekunden an: Die Karte ist an das gesprochene Wort gebunden – auch wenn sich der Schnitt ändert, bleibt sie an Ort und Stelle.

Vorbereitung

  • ffmpeg muss im PATH sein, Python-Abhängigkeiten werden mit kur.sh im Repository-Root installiert. Verwende in Befehlen .venv/bin/python (Windows: .venv\Scripts\python). ffmpeg mit libass wird NICHT benötigt: Untertitel werden mit Pillow gezeichnet.
  • Es nutzt zwei Skills aus demselben Repository, ohne sie zu verändern: yatay-kurgu (genauer: Transkript + Schnitt nach Audio) und x-animasyon (Whoosh- und Tastaturklick-Synthese).
  • Das Whisper-Modell wird beim ersten Lauf heruntergeladen (large-v3 ≈ 3 GB); informiere den Benutzer vor dem Herunterladen.
  • Schriftarten befinden sich ausschließlich im Repository-Root unter fontlar/ (OFL): Inter, Newsreader, IBM Plex Mono.
  • Jeder Job erhält seinen eigenen Ordner: calisma/reels/<name>/. Die Rohaufnahme wird nur gelesen.

Im Folgenden R = .venv/bin/python .claude/skills/reels/araclar/reels.py, P = calisma/reels/<name>.

Workflow

1. Transkription

R dokum P --video kayit.mp4 [--bas 56 --sure 42] [--terimler "video-spezifische Begriffe"]

Wenn die Aufnahme lang ist und das Reels nur einen Ausschnitt darstellt, gib mit --bas/--sure das Fenster an (der Ausschnitt wird als P/kaynak.mov extrahiert, die Rohdatei bleibt unverändert). Ziel: 35–45 s Ausgabe.

2. Lese das Transkript, schneide. Lies P/dokum.md vollständig (die Regeln aus dem yatay-kurgu-SKILL.md gelten). Pausen und direkte Wiederholungen wurden bereits entfernt; du schreibst in P/atilacak.json pro Zeile mit Begründung:

  • Neustarts (der letzte Versuch bleibt), Schnittnotiz („hier schneide ich“), falsch ausgesprochene und korrigierte Zahl;
  • Unverständliches Wort: Passagen, die in beiden Lösungen unklar bleiben, werden nicht in Untertitel eingepasst, sondern geschnitten (.venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py pencere P <s), um sie neu zu entziffern);
  • Vom Reels ablenkende Nebenthemen: Inhaltsentscheidung – frage den Benutzer.

Die Schnittstelle wird durch das AUDIO bestimmt: Gib die Grenzen aus den Zeilen von dokum.md an; das Werkzeug legt den Schnitt auf die leisesten Frame innerhalb ±0,2 s. Dann:

R kurgu P        # Schnittplan neu erstellen
R kelimeler P    # Verbleibende Wörter nach Schnitt mit Ausgabezeit (Ankerpunkte daraus wählen)

3. Szenario: P/senaryo.json. Beispiel: ornekler/reels/senaryo.ornek.json. Feldliste und Kartentypen: references/kartlar.md.

{"vurgu": ["effort"], "kuyruk": 2.0, "vuruslar": [
  {"duzen": "yuz"},
  {"kelime": "Zuerst", "kart": {"tur": "liste", "baslik": "Reihenfolge", "isaret": "sayi",
     "maddeler": [{"yazi": "Modell wählen", "kelime": "Modell"}, {"yazi": "Effort wählen", "kelime": "effort"}]}},
  {"kelime": "abgespielt", "ofs": 0.5, "duzen": "grafik", "kart": {"tur": "soru", "soru": "Welches verwendest du?"}}
]}
  • Schlag (vurus) = ein Zustand des Bildschirms. Der kelime-Anker bezieht sich auf den ANFANG des Wortes („effort“ → „efforten“), wird NACH dem vorherigen Schlag gesucht; es können mehrere Wörter sein („Planmodus“), kac der n-te Treffer, ofs Sekunden Verschiebung. Der erste Schlag beginnt bei 0. Auch ein Punkt/Satz/Element in einer Karte tritt mit seinem eigenen kelime ein.
  • Layout: bol (Karte oben, Gesicht unten; Standard bei Karten), yuz (Vollbild Gesicht; Standard ohne Karte), grafik (Vollbild Karte, kein Gesicht).
  • Tempo: 1,5–4 s pro Schlag; bei 40 s Reels sind es 10–15 Schläge. Der Hook (erste 1–2 s) öffnet mit Gesicht.
  • Gesicht nur, wenn in die Kamera geschaut wird. Spricht die Person auf den Bildschirm/Text, ist der Schlag grafik.
  • Keine Erfindung: Die Karte zeigt nur das tatsächlich Gesagte oder tatsächlich Vorhandene. Keine ungemessenen Zahlen, nicht existierenden Befehle oder erfundenen Bildschirmtexte. Screenshots sind echte Benutzerdateien (gorsel).
  • Abschluss: Letzter Schlag ist eine soru-Karte (Frage, die zum Kommentieren auffordert); nach dem Sprechen bleibt sie kuyruk (s) lang stehen, daher grafik-Layout wählen (Bild wird im Nachlauf eingefroren).
  • Falsch verstandenes Wort im Untertitel: "altyazi_duzelt": {"gehört": "gemeint"}. Wörter in der vurgu-Liste erscheinen im Untertitel kursiv + hervorgehoben (Wortstamm reicht: „effort“).

Überprüfe die aufgelösten Zeiten: R vuruslar P (Start/Ende jedes Schlags, Elementzeiten; WARNT, wenn ein Element unsichtbar die Karte wechselt).

4. Bildausschnitt

R yuz P          # Gesichtsboxschätzung -> P/kadraj.json + P/kontrol/kadraj.jpg

ÖFFNE kontrol/kadraj.jpg mit Read: Die grüne Box soll das Gesicht (Stirn bis Kinn) umschließen; die blaue bol-, die orange yuz-Beschneidung. Die Schätzung ist modellfrei (Hautfarbe + Zentrumspräferenz); Hintergrundflächen mit hautfarbenen Tönen, zwei Personen oder farbiges Licht können sie täuschen. Falls falsch, korrigiere kutu in kadraj.json MANUELL anhand der Quellpixel im Lineal und aktualisiere das Bild mit R yuz P (überschreibt kein vorhandenes kadraj.json). Wenn die Person verrutscht, schreibe anahtarlar (zeitliche Boxen).

5. Vorschau, dann Rendering

R kare P                    # Ein Frame pro Schlag -> P/kontrol/kareler.jpg (PRÜFEN)
R kare P 2.3,31.4           # Bestimmte Momente (Eingangsanimation, getipptes Terminal)
R render P                  # -> P/cikti/<name>.mp4, nach Ende läuft Messung automatisch

6. Messung (du kannst nicht zusehen, also messe). R olc P (läuft nach Rendering bereits) -> P/kontrol/olcum.md + P/kontrol/temas.jpg:

  • Dauer: Bild und Ton gleich lang, Frames entsprechen Erwartung.
  • Sicherheitszone: Alle 5 Frames wird die Pixel-Box von Untertitel, Karte und Gesicht gemessen. Die Instagram-Oberfläche verdeckt oben y<220, unten 20 % (y>1536) und die rechte Like/Kommentar-Spalte (x>940, y 1000–1536); Untertitel und Karte dürfen nicht dort hineinragen, das Gesicht bleibt über den unteren 20 %. Bei einer VERLETZUNG korrigiere das Szenario (Karteninhalt, Layout) oder kadraj.json.
  • Audio: Enddatei -14 LUFS, True Peak ≤ -1 dBTP; Effekt-Spur liegt ~15 dB unter der Sprache; liegen die Whoosh-Spitzen an den Schnitten?
  • Kontaktseite: Gefüllter Zustand (Karte kurz vor Wechsel) jedes Schlags. ÖFFNE und prüfe: überlaufender Text, übergelagerte Elemente, abgeschnittener Kopf, leere Karte.
  • Cross-Checks (optional): .venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py dogrula P entziffert abgeschnittene Laute neu und meldet abgerissene/ausgelaufene Wörter (P/dogrula.md).

Nach Korrektur nur R render P (Audio und Bild neu, auf M1 Pro ~35 s für 40 s Video).

7. Abgabe. Kurz und mit Zahlen an den Benutzer: Ausgabepfad, Dauer (Roh → Schnitt), Anzahl Schläge/Karten, Entferntes mit Begründung, Sicherheitszonen-Ergebnis, LUFS/Peak, Pfad zur Kontaktseite. Was du nicht messen kannst (Klangqualität, Verständlichkeit der Karte), überlasse ausdrücklich dem Benutzer.

Bekannte Einschränkungen

  • Gesichtsbox-Schätzung ist modellfrei; bei jeder Aufnahme muss kadraj.jpg kontrolliert werden. Es gibt keine Frame-für-Frame-Verfolgung: konstante Box oder lineare Interpolation zwischen Keyframes.
  • Vollbild-Gesicht (yuz) aus einer horizontalen Aufnahme ist durch die Höhe der Quelle begrenzt: In 4K bleibt das Gesicht groß, der Untertitel wandert automatisch unter das Kinn. Im bol-Layout verkürzt sich die Höhe der Gesichtskarte gemäß dem unterhalb des Gesichts verbleibenden Bildausschnitts, damit das Kinn nicht in die unteren 20 % fällt.
  • Keine Musik; Effekte sind synthetisch (Whoosh, Tastatur, Pop, Kratzen).
  • Kartentypen sind festgelegt (references/kartlar.md). Neuer Typ: Zeichen- + Audiofunktion in araclar/kartlar.py und Eintrag in den CIZ- und OLAY-Dictionaries.
  • Die Interface-Zonen (oben 220, unten 20 %, rechte Spalte x>940) sind Näherungswerte für Instagram Reels und tendenziell konservativ (araclar/cizim.py am Anfang); bei Shorts/TikTok ähnlich, aber nicht identisch.

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

UgurKeskekci/claude-video-kit

Kodla (görsel üretim modeli OLMADAN) hikâye anlatan kısa mürekkep çizgi animasyonu üretir — X/Twitter gönderisi, Reels/Shorts, YouTube video arası ya da soğuk açılış. Görüntü PIL mürekkep motoruyla, müzik ve efektler numpy sentezi ile aynı zaman programından üretilir, sonuç ölçülerek denetlenir. Şu durumlarda kullan: "animasyon yap", "çizgi animasyon", "halimi anlat", "durumumu göster", "twitter için animasyon", "reels animasyonu", "araya animasyon", "çöp adam animasyonu", "kodla video", "one-shot animasyon".

UgurKeskekci/claude-video-kit

Sayı ve yazıyla hikâye anlatan editoryal hareketli grafik videosu üretir (Remotion) — X/Twitter gönderisi, Reels/Shorts, YouTube video arası. Hikâye JSON sahne listesi olarak yazılır (başlık, yazılan istem, sayaç, ölçer, sütunlar, karşılaştırma, liste, soru), 16:9 ve 9:16 render edilir, yumuşak whoosh + klavye + sakin müzik yatağı numpy ile sentezlenip eklenir, sonuç ölçülerek denetlenir. Şu durumlarda kullan: "X için animasyon/video", "hareketli grafik", "motion graphics", "sayılarla anlat", "sonuçları grafikle göster", "karşılaştırma videosu", "test sonucunu animasyonla anlat", "reels grafiği", "araya grafik", "Remotion".

UgurKeskekci/claude-video-kit

Yatay YouTube konuşma videosunu (kamera kaydı, isteğe bağlı ayrı ekran kaydı) kaba kurgular. Harfiyen döküm çıkarır, duraklamaları ve art arda tekrarları sesten keser; Claude dökümü okuyup gerekçeli bir atma listesi yazar, mp4 üretilir, kesilmiş ses yeniden çözülüp her birleşim denetlenir. Şu durumlarda kullan - "videoyu kurgula", "kaba kurgu", "ham kaydı kes", "beklemeleri/duraklamaları kes", "tekrarları at", "takılmaları temizle", "jump cut", "keseceğim dediğim yerleri at", "kamera ile ekran kaydını senkronla", "ekran kaydının köşesine kamera koy", "sessiz yerleri hızlandır".

Verwandte Skills