Was macht Collage B-Roll Erklärer?
Komprimiere eine ~5-sekündige Voiceover-Zeile in eine einzige scharfe visuelle Idee und verwandle sie in eine hochwertige redaktionelle Papiercollage-Entstehungsanimation.
Standard-Workflow:
- Gestalte nur die visuelle Metapher und warte dann auf die Bestätigung des Benutzers
- Generiere nur das finale Standbild und warte dann auf die Bestätigung des Benutzers
- Generiere automatisch das Video mit Referenzen des ersten/letzten Frames und führe QA durch
- Generiere optional eine passende Sprachausgabe und muxe sie hinein
Die beiden Bestätigungsschritte sind Teil des Workflows, kein Overhead. Sie erlauben dem Benutzer, seine Aufmerksamkeit auf Ästhetik und Richtung zu konzentrieren, und verhindern, dass eine falsche Metapher oder ein falsches Bild die Videogenerierungskosten verbrennt.
Laufzeitanforderungen
- MaxFusion MCP verbunden und authentifiziert (
https://mcp.maxfusion.ai/mcp). Die gesamte Bild-, Video- und Sprachgenerierung läuft darüber. Wenn nicht verbunden, anhalten und den Benutzer durch die Verbindung führen, bevor etwas anderes unternommen wird. - Lokaler Dateizugriff und ffmpeg (z.B. Claude Code): Frame-Vorbereitung, Video-QA, stille Auslieferung und Anpassung der Sprachausgabe laden Assets herunter und verarbeiten sie lokal. Ein Agent in einer Sandbox (keine lokalen Downloads) kann trotzdem alle drei Schritte ausführen und Ergebnisse im MaxFusion Widget anzeigen, muss den Benutzer jedoch darauf hinweisen, dass die Frame-Vorbereitung auf reine Prompt-basierte Farbabstimmung zurückfällt und dass die Einzelbild-QA, das Entfernen der Tonspur und die Anpassung der Sprachausgabe übersprungen wurden – der Benutzer sollte den Clip visuell beurteilen und ihn in seinem Editor stumm schalten.
Obligatorischer Genehmigungsprotokoll
Schritt 1: Metaphernbestätigung
Wenn du die Skriptzeile(n) erhältst, schlage zuerst visuelle Metaphern vor. Generiere kein Bild, generiere kein Video, rufe kein Generierungstool auf.
Liefere für jede Zeile:
- Kernbedeutung
- Emotion
- Ein-Satz-Visualisierungsvorschlag
- 3–6 Schlüsselobjekte
- Vorgeschlagene Hintergrundfarbe und lokale Akzentfarben
- Beabsichtigte Montagereihenfolge
Halte dann explizit an und warte, bis der Benutzer mit "genehmigt", "alle genehmigt" antwortet oder Überarbeitungsnotizen für einzelne Punkte gibt.
Wenn der Benutzer nur einige der nummerierten Punkte genehmigt, rücken nur die genehmigten Punkte zu Schritt 2 vor; wiederhole die Metaphern für die restlichen Punkte.
Schritt 2: Standbildbestätigung
Erst nachdem die Metapher bestätigt ist, schreibe die visuelle Spezifikation und den Bild-Prompt und generiere das finale Standbild mit maxfusion_generate_image.
Speichere die Originale im Projektverzeichnis, erstelle ein nummeriertes Standbild-Kontaktblatt, zeige jedes Standbild dem Benutzer (maxfusion_display_generation, ein Aufruf pro Bild, plus die nummerierte Zuordnung) und halte erneut an. In diesem Stadium generierst du noch kein Video.
Wenn der Benutzer nur einige Standbilder genehmigt, rücken nur die genehmigten Bilder zu Schritt 3 vor; generiere die abgelehnten Bilder neu und bestätige sie zuerst erneut.
Schritt 3: Videogenerierung
Sobald die Standbilder bestätigt sind, generiere sofort. Das Video-Modell ist festgelegt:
video_model: gemini-omni-flash
Es wird kein anderes Video-Modell verwendet. Biete keine Modellauswahl an, frage den Benutzer nicht nach dem zu verwendenden Modell, greife bei Fehlern auf nichts anderes zurück – wende das Reparatur-Playbook an und führe erneut auf gemini-omni-flash aus.
Erfolgskriterien
- Eine Zeile drückt genau eine klare Metapher aus
- Ein Batch teilt eine Designsprache, wird aber nicht auf einen einzigen blauen Hintergrund gezwungen
- Der Hintergrund ist ein kräftiges, flaches, einfarbiges Farbfeld, variiert nach Bedeutung
- Motive bestehen aus Schwarz-Weiß-Halbton-Fotoausschnitten
- Schlüsselkarten, Buttons, Filmstreifen, Regelbücher usw. können rotes, gelbes, blaugrünes, orangefarbenes, violettes oder cremefarbenes Tonpapier verwenden
- Jedes Papierteil hat scharfe Schnittkanten, eine cremefarbene Konturlinie, einen weichen Schatten mit geringer Deckkraft und Papierkörnung
- Die Bewegung ist "aus dem Leeren zusammensetzen" – kein sanftes Treiben, Wackeln oder langsamer Zoom
- Keine Untertitel, kein vollständiger Skripttext, keine Logos, kein Wasserzeichen, keine Benutzeroberfläche
- Standardauslieferung: 9:16, 5 Sekunden, 720p, stumme MP4 (Audiotrack entfernt) – oder die Version mit Sprachausgabe, wenn der Benutzer dies wünscht
Wann dieser Skill NICHT verwendet werden sollte
- Präzise Kontrolle über Ebenen, Überlappungen, Kameraflüge oder eine bearbeitbare Zeitleiste ist erforderlich: Verwende stattdessen ein Werkzeug für geschichtete Animationen (z.B. einen HTML-gerenderten, geschichteten Videoansatz)
- Der Benutzer möchte nur einen Video-Prompt, keinen fertigen Clip: Schreibe einfach den Prompt, überspringe diesen Ablauf
- Der Benutzer benötigt ein Werbevideo mit echten Personen oder einen Moderator vor der Kamera: Verwende diesen Collage-Ablauf nicht
- Der Benutzer benötigt explizit pro Ebene bearbeitbare transparente Assets: Dieser Skill liefert keine getrennten transparenten Ebenen
Standard-Projektverzeichnis
Lokaler Arbeitsordner, benannt mit dem lokalen Datum des Benutzers:
~/collage-broll-projects/YYYY-MM-DD-<titel>/
Empfohlene Struktur für Batch-Projekte:
<projekt>/
├── brief.md
├── visual-spec.json
├── imagegen-prompts.md
├── omni-jobs.json
├── gate2-qa.md
├── gate3-qa.md
├── still-contact-sheet.jpg
├── omni-contact-sheet-all.jpg
├── video-first-frame-all.jpg
├── end-frame-comparison-all.jpg
├── 01-<konzeptname>/
│ ├── omni-prompt.txt
│ ├── voiceover-raw.mp3 (optionaler Sprachausgabe-Schritt)
│ ├── voiceover-trim.mp3
│ ├── frames/
│ │ ├── last-frame-original.png
│ │ ├── first-frame.png
│ │ └── last-frame.png
│ └── omni/run-v01/
│ ├── final-5s.mp4
│ ├── final-5s-noaudio.mp4
│ ├── final-5s-voiced.mp4 (optionaler Sprachausgabe-Schritt)
│ ├── contact-sheet.jpg
│ ├── video-last-frame.jpg
│ └── end-frame-comparison.jpg
└── 02-<konzeptname>/...
Erstelle außerdem ein MaxFusion-Projekt über maxfusion_create_project (gleicher Name) und übergib seine ID als project_id / project_group_id bei jeder Generierung im Batch, sodass alle Assets im Workspace gruppiert bleiben. Verfolge pro Element: den bestätigten Metapherntext, die Bild-Job-ID + Bild-ID des bestätigten Standbilds, die hochgeladenen file_ids des ersten/letzten Frames, die Video-Job-ID + Video-ID und das QA-Ergebnis – und melde diese IDs dem Benutzer bei jedem Schritt, sodass auf jedes Element einzeln verwiesen oder es neu ausgeführt werden kann.
Phase 1: Gestalte die visuelle Metapher
Komprimiere zuerst die Skriptzeile in einen einzigen visuellen Vorschlag.
Extrahiere:
- Kernbedeutung: Was muss der Betrachter am Ende verstehen
- Emotion: Ruhe, Überraschung, Dringlichkeit, plötzliche Klarheit, Absurdität, Ironie
- Aktionsverben: öffnen, verbinden, lecken, binden, archivieren, aufleuchten, komprimieren, gabeln, zusammensetzen
- Kandidaten für visuelle Metaphern: Maschine, Uhr, Filmstreifen, Aktenschrank, Konsole, Regelbuch, Trichter, Schienen, Schachfigur
Setze den Skripttext nicht wörtlich in das Bild. Standardmäßig eine Metapher pro Zeile, beschränkt auf 3–6 Schlüsselobjekte; zu viele Elemente verwässern die Bedeutung und machen die Omni-Montage instabil.
Bevorzuge Metaphern, die ein Betrachter aus dem Alltag kennt (ein Wasserkocher, ein Schneeball, eine Fotobox) gegenüber abstrakten – die gesprochene Zeile überbrückt die Verbindung zum eigentlichen Thema des Benutzers, sodass die Bilder wild bleiben können, ohne obskur zu sein.
Für Batches bevorzuge Metaphern, die eine Vorher/Nachher-Erzählung bilden – z.B. zuerst manuelle Mühe und entweichende Erfahrung, dann kodifizierter Prozess und menschlich-maschinelle Arbeitsteilung.
Beispiel für Schritt 1 Ausgabe
1. Kernbedeutung: Fachwissen wird jedes Mal von Grund auf neu verbraucht
Visuelle Metapher: Ein erfahrener Redakteur kreist eine riesige Filmstreifenuhr und schneidet Bild für Bild; die Uhr vollendet eine volle Umdrehung, liefert aber nur einen kurzen Streifen fertigen Films
Schlüsselobjekte: Filmstreifenuhr, Redakteursfigur, Schere, kurzer Ausgabestreifen
Farben: verbrannt-orangefarbenes Feld, cremefarbene und hell-bläulichgrüne Akzente
Montagereihenfolge: Uhr → Figur mit Schere → Filmstreifen → endgültige kurze Ausgabe
Gib dies aus und halte an; warte auf Bestätigung.
Phase 2: Generiere die Farbcollage-Standbilder
Nachdem die Metapher bestätigt ist, schreibe zuerst eine in sich geschlossene visual-spec.json, dann den Bild-Prompt.
Visuelle Spezifikation
{
"script_meaning": "",
"visual_metaphor": "",
"style_signature": "flaches, kräftiges Farbfeld, gemischte Schwarz-Weiß-Halbtonausschnitte und farbige Tonpapierakzente, scharfe Schnittkanten, cremefarbene Konturlinien, weiche Papierschatten, redaktionelle Papiercollage",
"aspect_ratio": "9:16",
"color_field": {
"background_hex": "",
"accent_colors": [],
"paper_grain": "feine unbeschichtete Papierfaser"
},
"elements": [
{
"what": "",
"role": "",
"motion": "",
"placement": ""
}
],
"composition": {
"layout": "",
"negative_space": "",
"final_frame": ""
},
"motion_plan": "Struktur zuerst, dann Motiv oder Schlüsselkarten, dann Verbinder, Aktion und Ergebnis zuletzt",
"avoid": "Typografie, lesbare Buchstaben, Ziffern, Logos, Wasserzeichen, Benutzeroberfläche, Untertitel, glänzendes 3D, fotorealistische Umgebung"
}
Farbregeln
Behandle Kobaltblau nicht als einzigen Standard. Wähle ein kräftiges Farbfeld aus der Bedeutung und behalte in einem Batch "gleiche Designsprache, verschiedene Feld-Farben" bei:
- Verbranntes Orange / Rot: Zeitverbrauch, Arbeit, Dringlichkeit
- Senfgelb: Werkzeuge, Warnung, entweichende Erfahrung
- Tintengrün: Kognition, Geschmack, System-Reset
- Tiefes Violett: Regeln, Kodifizierung, Langzeitgedächtnis
- Blaugrün: Urteilsvermögen, Zusammenarbeit, autonome Ausführung
Motive bleiben meist schwarz-weiß Halbton, aber jeder farbige Tonpapierakzent muss der Informationshierarchie dienen – niemals Farbe um der Farbe willen.
Bild-Prompt-Vorlage
Generiere mit maxfusion_generate_image (Standardmodell, aspect_ratio: "9_16", quality: "high"):
Use case: ads-marketing
Asset type: final still frame for a 9:16 image-to-video B-roll clip
Primary request: Create a finished editorial paper-collage image expressing [Ein-Satz-Visualisierungsvorschlag].
Scene/backdrop: perfectly flat [Farbname] paper field [Hex] with subtle uncoated paper fiber.
Style/medium: premium editorial stop-motion paper collage; black-and-white halftone photographic cut-outs mixed with selective [Akzentfarben] colored cardstock.
Composition/framing: vertical 9:16 locked poster frame; central subject within the middle 70 percent; generous clean color-field negative space; 3–6 large separable paper groups for later assemble-from-empty animation.
Materials/textures: visible printed halftone dots, crisp machine-cut edges, thin warm-cream paper keylines, soft low-opacity physical drop shadows.
Constraints: [die eine Beziehung, die diese Metapher auf einen Blick kommunizieren muss].
Avoid: no typography, no readable letters, no numerals, no logos, no watermark, no UI, no subtitles, no glossy 3D, no photoreal environment, no clutter.
Wenn die Szene ein Zifferblatt, ein Uhrgesicht, eine Anzeige oder einen Zähler enthält, füge eine explizite Einschränkung hinzu, dass jede Markierung darauf ein einfacher Strich ist – niemals römische Ziffern oder Ziffern. Wenn die Szene eine schlafende Figur enthält, verbiete explizit "Zzz"-Markierungen. Video-Modelle lieben es, diese heimlich einzufügen.
Befrage den Job mit maxfusion_get_job (wait: 60); lade jedes Standbild von seiner Asset-URL in <item>/frames/last-frame-original.png herunter und notiere die Bild-Job-ID + Bild-ID.
Standbild-QA
- Ist die Metapher auf einen Blick lesbar?
- Ist das Motiv konzentriert?
- Gefälschte Schriftzüge, Logos, Wasserzeichen oder Benutzeroberfläche vorhanden?
- Genug reines Farbfeld übrig, um aus einem leeren Rahmen zusammenzusetzen?
- 3–6 klare, große Gruppen, kein Bildschirm voller Konfetti?
- Im Batch: einheitliche Textur, variierte Feld-Farben.
Kopiere die bestandenen Originale in das Projektverzeichnis, erstelle ein nummeriertes Standbild-Kontaktblatt, zeige es dem Benutzer (plus maxfusion_display_generation pro Bild) und stoppe für die Bestätigung in Schritt 2. Schreibe die Standbild-QA-Ergebnisse in <projekt>/gate2-qa.md.
Wenn der Benutzer die Neugenerierung einiger Standbilder verlangt, generiere nur diese neu und erstelle still-contact-sheet-v2.jpg (v3, v4… in späteren Runden), wobei die alten Kontaktblätter zum Vergleich erhalten bleiben – überschreibe sie niemals und verwende niemals ein abgelehntes Standbild nachgelagert weiter.
Phase 3: Generiere das Video mit Omni
1. Bereite erstes und letztes Bild vor
Behalte das Bildgenerierungsoriginal bei, normalisiere dann das letzte Bild:
ffmpeg -y -i <item>/frames/last-frame-original.png \
-vf "scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920" \
<item>/frames/last-frame.png
Das erste Bild ist standardmäßig ein reines, leeres Papierfeld in derselben Hintergrundfarbe wie das letzte Bild:
ffmpeg -y -f lavfi -i color=c=0x<HEX>:s=1080x1920 \
-frames:v 1 <item>/frames/first-frame.png
(<HEX> ist der background_hex aus der visuellen Spezifikation – derselbe Hex-Code, der in den Bild-Prompt geschrieben wurde, was die beiden Bilder in derselben Farbe hält.)
Nur wenn der Benutzer explizit darum bittet, nicht mit einem völlig leeren Feld zu beginnen, darf das erste Bild ein einziges strukturelles Objekt enthalten.
Lade beide Bilder mit maxfusion_upload_asset nach MaxFusion hoch (purpose: "image_reference", content_type: "image/png", exakt size_bytes, filename): das Tool gibt eine Upload-Sitzung zurück – sende ein Multipart-Formular an upload.url mit jedem Schlüssel/Wert aus upload.fields genau wie angegeben plus den Dateibytes als letzten Teil namens file (jeder 2xx = Erfolg), verwende dann die zurückgegebenen file_id. Notiere die beiden file_ids pro Element.
2. Schreibe den Omni-Animations-Prompt
Standard-Aktionsreihenfolge:
Basisstruktur → Figur oder Schlüsselkarten → Verbinder → Aktion → Endergebnis
Prompt-Vorlage (speichere pro Element als <item>/omni-prompt.txt):
Paper-collage stop-motion assembly, using Image 1 as the exact empty first frame and Image 2 as the exact completed last frame. In one continuous locked-off vertical shot, open on the empty flat [color] paper field.
Assemble the scene piece by piece with crisp physical stop-motion timing: [beschreibe der Reihe nach, wie die 3–6 Elemente hineingleiten, einrasten, sich verbinden und die Aktion abschließen]. End by holding the supplied completed composition.
Preserve the exact 9:16 framing, [hex] color field, colored cardstock accents, uncoated paper grain, halftone dots, cream keylines, crisp cut edges and soft shadows. Restrained tactile 2D paper craft only.
No scene cuts, no camera movement, no zoom, no morphing, no new objects, no text, no letters, no numbers, no logos, no watermark, no UI, no sound.
Jeder Prompt muss angeben, dass Bild 1 der leere erste Rahmen und Bild 2 das bestätigte, fertiggestellte letzte Bild ist. Die endgültige Komposition muss auf Bild 2 landen – lass das Modell nicht umgestalten