Horizontaler Schnitt (Rough Cut)
Erstellt aus einer rohen Sprachaufnahme einen sendefähigen Rough Cut. Die Arbeitsteilung ist wie folgt:
- Werkzeuge messen den Ton: Sie entfernen Pausen, aufeinanderfolgende Wiederholungen und stille Lücken und setzen den Schnittpunkt auf das leiseste Bild des Tons.
- Du (Claude) liest das Transkript von Anfang bis Ende und entfernst, was die Werkzeuge nicht sehen können: Neustarts, Schnittnotizen wie "hier schneide ich", falsch ausgesprochene und korrigierte Zahlen, vom Thema abschweifende Teile. Du schreibst eine Begründung für jeden Schnitt.
- Prüfung löst den geschnittenen Ton erneut auf und sucht in jeder Verbindung nach abgehackten oder durchgesickerten Wörtern.
Die Ausgabe ist eine MP4-Datei (kein NLE-Projekt). Farbkorrektur, Musik, Untertitel und Grafiken sind nicht Aufgabe dieses Skills.
Wann verwenden
- Wenn der Benutzer eine horizontale Sprachaufnahme bereitstellt und sagt: "Schneide", "Entferne Pausen".
- Wenn Kamera- und Bildschirmaufnahme separate Dateien sind und synchronisiert werden müssen.
- Nicht für vertikale Videos (Reels/Shorts); dort sind Leinwand und Untertitel anders.
Vorbereitung
ffmpegmuss im PATH sein; Python-Abhängigkeiten werden mitkur.shim Repository-Stamm installiert. Verwende als Python.venv/bin/python(Windows:.venv\Scripts\python).- Das Whisper-Modell wird beim ersten Lauf heruntergeladen (large-v3 ≈ 3 GB). Sage dem Benutzer Bescheid, bevor du es herunterlädst.
- Die meiste Zeit benötigt Whisper. Messung (M1 Pro 8-Kern CPU, large-v3 int8, wörtlicher Modus, parallel laufender anderer Render): Eine 4-minütige Aufnahme wurde in 10 Minuten gelöst (0,4-fache Echtzeit);
dogrulalöst den geschnittenen Ton mit derselben Geschwindigkeit erneut. Schnitt, Synchronisation und Plan dauern Sekunden, der gesamte Vorgang Minuten. Informiere den Benutzer bei langen Aufnahmen vorab über die Dauer; für schnelle Tests kann--model mediumodersmallverwendet werden (weniger genau, die Regeln wurden mit large-v3 gemessen), führe die finale Prüfung jedoch mit dem Standardmodell durch. Bei NVIDIA GPU wählt--cihaz autoCUDA automatisch aus. - Jeder Auftrag hat seinen eigenen Ordner:
calisma/<projekt>/. Verschiebe, lösche oder überschreibe die Rohdateien des Benutzers nicht; die Werkzeuge lesen sie nur.
Im Folgenden steht K = .venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py, P = calisma/<projekt>.
Ablauf
1. Transkription. Extrahiert den Ton, erstellt ein wörtliches Transkript und erstellt den ersten Plan (ohne Entfernungsliste).
K dokum P --video kamera.mp4 [--ekran ekran.mp4] [--terimler "videospezifische Begriffe"]
Gib besondere Namen im Video (Produkte, Personen, Spieletitel) mit --terimler an; Whisper schreibt sie dann korrekt.
2. Lies P/dokum.md von Anfang bis Ende. Lies es vollständig, abschnittsweise mit Read. Überfliegen reicht nicht: Neustarts und Schnittnotizen verstecken sich mitten im Satz. Achte beim Lesen auf:
- Neustart: Zweiter Versuch derselben Idee. Der letzte Versuch bleibt, die vorherigen werden entfernt.
[ADAY]-Zeilen sind Hinweise, die Entscheidung liegt bei dir. - Schnittnotiz und Selbstnotiz: "hier schneide ich", "das nehmen wir nochmal", "Schnitt", "Entschuldigung", "Nochmal.", "so nicht sein", "Notiz an …: hier das einfügen". Der Benutzer kann Schnittanweisungen verbal geben; das ist das zuverlässigste Zeichen.
- Falsch ausgesprochene und korrigierte Zahlen, Namen, Einheiten: die falsche Version wird entfernt.
- Füllwörter ("Ja. Also jetzt ähm…"), unverständliches Gemurmel, halbe Sätze.
- Vom Thema abschweifende, unnötig lange Teile. Dies ist eine inhaltliche Entscheidung: Frage den Benutzer, bevor du sie entfernst.
DÜŞTÜ-Zeilen: durch Tonmessung herausgefallene Wörter. Meistens sind es Whisper-Halluzinationen oder Atemgeräusche; falls ein bedeutungsvolles Wort herausgefallen ist, überprüfe es mitzarf.
3. Schreibe P/atilacak.json. Mit Quellsekunden und einer Begründung für jede Zeile:
[
{"bas": 31.20, "son": 36.85, "gerekce": "Neustart: erster Versuch des Satzes, zweiter bleibt"},
{"bas": 102.40, "son": 104.10, "gerekce": "Schnittnotiz: sagte 'hier schneide ich'"}
]
- Nimm die Grenzen aus den
[start–end]-Zeitstempeln im Transkript; das Werkzeug setzt den Schnitt auf das leiseste Bild innerhalb von ±0,2 s, genaue Treffer sind nicht nötig. Ein Wort, das in die Mitte des Intervalls fällt, wird entfernt: BeendesonKURZ VOR dem Zeitstempel des ersten Wortes, das bleiben soll, um ein Übergreifen zu vermeiden. - Wenn nur ein Teil einer Zeile entfernt werden soll, untersuche mit
K zarf P 100 106die Wortzeitstempel und den Ton. - Wenn eine bewusste Betonungswiederholung ("Schritt für Schritt", "Information Information Information") nicht automatisch entfernt werden soll, schreibe das Intervall im gleichen Format in
P/korunacak.json. - Gegensätze und Anaphern sind keine Wiederholungen: "Hier steht etwas. Hier steht etwas anderes." – beide bleiben.
4. Bildblöcke (optional): P/bloklar.json. Wenn nicht vorhanden, gilt die gesamte Aufnahme als ein einzelner Kamerablock.
[
{"etiket": "Einleitung", "bas": 0, "son": 95.5, "goruntu": "kamera"},
{"etiket": "Demo", "bas": 95.5, "son": 400, "goruntu": "ekran"},
{"etiket": "Test läuft", "bas": 400, "son": 520, "goruntu": "ekran-hizli"}
]
kamera: Hauptaufnahme im Vollbild; bei geschnittenen Stellen wechselt die Zoomstufe zwischen 1,00 und 1,06.ekran: Bildschirmaufnahme im Vollbild, mit kleiner runder Kamera in der Ecke. Für Blöcke, in denen du keine Eckenkamera möchtest, setze"kose": false.ekran-hizli: Stille wird nicht entfernt; Stellen ohne Sprache, die länger als 2,4 s sind, werden mit 2x beschleunigt (bei >6 s mit 4x), mit einem "2x"-Badge oben links. Verwende dies, um etwas laufendes zu zeigen.- Lege Blockgrenzen zwischen Sätze. Wenn die Person nicht in die Kamera schaut (sondern auf den Bildschirm erklärt), sollte dieser Abschnitt
ekransein; zeige das Gesicht nur, wo sie direkt in die Kamera schaut. Wenn du unsicher bist, extrahiere ein paar Frames aus beiden Aufnahmen mitffmpeg -ss <sn> -i kamera.mp4 -frames:v 1 kare.jpg.
5. Erstelle den Plan und lies ihn erneut.
K kurgu P
dokum.md wird neu geschrieben. Überprüfe, ob die ATILDI-Zeilen den richtigen Satz erwischt haben und der verbleibende Text flüssig lesbar ist. Wiederhole ggf. die Schritte 3–5; dieser Schritt dauert Sekunden.
6. Synchronisation (falls Bildschirmaufnahme vorhanden).
K senkron P # ekran_t = ana_t + offset + drift·ana_t -> P/senkron.json
Die r-Werte der Fenster sollten über 0,5 liegen und die Offsets innerhalb weniger Millisekunden konsistent sein. Wenn die Bildschirmaufnahme kein Mikrofon hat, gib den Offset manuell an: K senkron P --ofset 2.5.
7. Rendern. Zuerst einen kleinen Test, dann das Ganze (Teile bleiben im Cache, der zweite Durchlauf ist schnell):
K cek P --bas 0 --bit 15 # erste 16 Teile -> P/cikti/kurgu-0-15.mp4
K cek P [--boyut 2560x1440] # Vollständig -> P/cikti/kurgu.mp4
K temas P # Ein Bild pro Block -> P/kontrol/temas.jpg (mit Read ansehen)
Sieh dir temas.jpg unbedingt an. Wenn das Gesicht in der Eckenkamera zu klein oder am Rand ist, passe den Zuschnitt an mit --kose-kirp 0.52,0.45,0.5 (Zentrum x, Zentrum y, Kante/Höhe). Wenn die Bildschirmaufnahme schwarze Balken oder Browserleisten an den Rändern hat, schneide sie mit --ekran-kirp 2468:1388:46:47 (Breite:Höhe:x:y, Quellpixel) zu; behalte das Seitenverhältnis 16:9 bei.
8. Prüfen und korrigieren.
K dogrula P # löst den geschnittenen Ton erneut -> P/dogrula.md
K pencere P 104.10 212.75 # ±3 s der verdächtigen Verbindungen (Quellsekunden)
In dogrula.md für jede verdächtige Stelle:
- FEHLT (erwartetes Wort nicht hörbar): Lass es dir zuerst mit
pencereanhören. Kurze Wörter (und, der, die) werden von Whisper beim zweiten Durchlauf oft übersprungen; das sind meist falsche Alarme. Falls wirklich ein Wort weggeschnitten wurde, erweitere/verkleinere die entsprechendeatilacak-Grenze oder entferne den Schnitt. - DURCHGESICKERT (ein entferntes Wort ist hörbar): Vergrößere das Entfernungsintervall, sodass es das Wort abdeckt.
- Bevor du einen Schnitt als falsch bezeichnest, höre dir den Ton mit
zarfan; verlasse dich nicht nur auf die Zeitstempel.
Nach Korrekturen führe erneut kurgu → cek → dogrula aus. Unveränderte Teile werden nicht neu erzeugt.
9. Bericht an den Benutzer. Kurz und mit Zahlen:
- Dauer: roh → geschnitten (z.B. 4:00 → 2:48, 30 % kürzer), Anzahl der Teile und Blöcke;
- Von dir manuell entfernte Stellen, einzeln mit Begründung (Zeit + eine Zeile);
- Anzahl automatisch entfernter Wiederholungen, beschleunigte Intervalle;
- Prüfung: Anzahl Verbindungen, Anzahl verdächtiger Stellen, welche korrigiert wurden, welche falscher Alarm waren;
- Lautstärkepegel (LUFS) und Pfad der Ausgabedatei. Gib inhaltliche Schnitte (unnötige Details) gesondert an; falls sie zurückgenommen werden sollen, reicht das Löschen einer Zeile.
Gelernte Regeln (kurz)
- Der Ton entscheidet. Ein Intervall ohne Wörter bedeutet nicht Stille: Whisper kann Wiederholungen verschlucken. Der Schnittpunkt wird aus dem Ton ermittelt, die Wörter sagen nur, was behalten wird.
- Whisper-Zeitstempel driften um ~0,5 s (meistens zu früh). Schneide nach dem Ton, nicht nach den Zeitstempeln.
- Nicht mitten durch ein Wort schneiden. Die Regionsgrenzen liegen dort, wo der Ton endet, plus Atemzug: am Satzende 0,28 s, innerhalb eines Satzes 0,12 s; beginnen 0,06 s vor dem Start.
- Bei langem Kontext verschluckt Whisper Stockungen; daher basiert das Transkript auf ≤10 s unabhängigen Teilen.
- Ton und Bild sind auf dem gleichen Frame-Raster (30 fps, Teil = voller Frame, Ton = Frame × 1600 Samples).
- Keine weitere "Lückenverkürzung" einbauen; wurde getestet, verschluckte Wörter (Details in kurallar.md).
Alle Regeln mit Messungen: references/kurallar.md. Dateiformate und Befehlsoptionen: references/dosyalar.md.
Bekannte Grenzen
- Nur eine Hauptquelle (Ton + Kamera). Bei mehreren Teilen verbinde sie zuerst mit ffmpeg oder erstelle ein separates Projekt pro Teil.
- Der Ton kommt immer von der Hauptquelle; der Ton der Bildschirmaufnahme wird nur zur Synchronisation verwendet.
- Die Eckenkamera hat einen festen Zuschnitt, keine Gesichtsverfolgung.
- Im Kamerablock gibt es keine Übergangseffekte; Jump Cuts werden durch Zoom abgemildert.
[ADAY]ist verrauscht (ca. 17 Zeilen in 4 Minuten); die meisten sind natürliche Wiederholungen wie "benötigt … benötigt". Die tatsächlichen Neustarts findest du durch Lesen des Transkripts, die Vorschlagsliste ist nur ein Hinweis.- Schnittnotizen ("hier einen Klingelton einfügen", "dort eine Leiste einblenden") werden entfernt, aber nicht umgesetzt: Grafiken und Effekte sind nicht Aufgabe dieses Skills. Liste sie separat im Bericht auf.