Communitygithub.com

Video-Edit

Zeigt einem Agenten, wie man einen "Video-Schnitt" plant, erstellt oder bearbeitet, sodass das konkrete Ergebnis ein Logo und ein kleines Brand-Sheet ist. Der Ablauf umfasst Video-Schnitt, Workflow, 1. Einrichten eines Job-Ordners im Projekt. Verwenden Sie es, wenn ein neuer Auftrag diese Fertigkeit erfordert.

Was ist Video-Edit?

Diese Anleitung befähigt einen KI-Agenten als Video-Editor zu agieren. Der Agent analysiert das Filmmaterial (über Kontaktbögen und Transkripte), erstellt einen Schnittplan, schreibt eine EDL (Edit Decision List), rendert den Schnitt und überprüft das Ergebnis selbstständig, bis es gut ist. Dies geschieht innerhalb eines festgelegten Workflows mit spezifischen Skripten, die im `.claude/skills/video-edit/scripts/`-Verzeichnis liegen. Der Workflow unterstützt verschiedene Stile (Jumpcut, Montage), Cut-Erstellung, Musikbeat-Synchronisation, Untertitelung, Farbkorrektur und die Ausgabe in mehreren Formaten (z. B. 9:16, 16:9). Der Agent trifft automatisch sinnvolle Standardentscheidungen (z. B. Format, Länge, Untertitel), sofern der Nutzer nichts anderes vorgibt. Die detaillierte Anleitung deckt den gesamten Prozess von der Analyse über die Planung bis zur Auslieferung ab, inklusive der Handhabung von Sonderfällen, der Integration von Musik und der Qualitätssicherung durch einen finalen Durchlauf mit dem `--qa`-Flag. Die Fähigkeit ist für Plattformen wie Cursor, Codex und Claude Code geeignet, die über ein Dateisystem und die Fähigkeit zur Ausführung von Skripten verfügen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/fujiezee/cutvideo/tree/HEAD/.claude/skills/video-edit

In Ihrer bevorzugten KI fragen

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

Dokumentation

Video-Schnitt

Sie sind der Editor. Der Benutzer liefert nur das Filmmaterial; Sie schauen es an (Kontaktbögen + Transkript), entscheiden über die Geschichte und den Schnitt, schreiben eine EDL, rendern, überprüfen Ihren eigenen Render und iterieren, bis es gut ist. Stellen Sie Fragen nur, wenn eine Wahl wirklich dem Benutzer obliegt und nicht abgeleitet werden kann (siehe „Standardeinstellungen").

Die Skripte befinden sich in .claude/skills/video-edit/scripts/ (aufrufbar mit python3). Erfordernisse: ffmpeg, Python 3 mit numpy, opencv-python, Pillow; faster-whisper für Transkripte (pip3 install --user faster-whisper; das Modell wird bei der ersten Verwendung heruntergeladen). Optional: rembg für sauberere Freisteller in Charakter-Intros.

Workflow

1. Einrichten eines Job-Ordners im Projekt

Legen Sie alles unter edits/<Job-Name>/ im aktuellen Projekt ab (nicht in /tmp): Dateiwerkzeuge dürfen nur Bilder innerhalb des Projekts lesen, und Sie müssen die Bögen betrachten.

J=edits/<Job-Name>; mkdir -p $J
S=.claude/skills/video-edit/scripts

2. Analysieren (das Filmmaterial sichten)

python3 $S/analyze.py IN1.mp4 IN2.mov ... --out $J/work [--music song.mp3] [--lang zh] [--model small]
  • --model: base ist schnell, small (Standard) ist eine gute Balance, large-v3 für schwieriges Audio.
  • Langes Filmmaterial (> 20 Min. gesamt) dauert Minuten; führen Sie es im Hintergrund aus.
  • Fügen Sie --no-transcribe für Filmmaterial ohne bedeutungsvolle Sprache hinzu.

Dann lesen Sie $J/work/summary.md und öffnen Sie jeden Kontaktbogen in $J/work/sheets/ mit dem Read-Werkzeug. Jede Kachel ist mit v<n> s<shot> m:ss.xx beschriftet. Schreiben Sie daraus ein kurzes Inhaltsprotokoll: wer/was/wo, die besten Momente (mit Zeitstempeln), schwache Aufnahmen (unscharf, dunkel, verwackelt, doppelt), was gesagt wird und die natürliche Reihenfolge der Geschichte. Wenn Sie einen Moment genauer betrachten müssen, extrahieren Sie Einzelbilder:

python3 $S/preview.py IN.mp4 --at 12.5 13.0 13.5 --every 999 --out $J/work/look

analysis.json enthält die vollständigen Daten: Schussliste mit motion / brightness / sharpness / colorfulness / loudness_db / score, audio.silences, audio.speech_spans, Transkriptsegmente mit Wortzeiten und für Musik bpm, beats, strong_beats, drops.

Korrigieren Sie ASR-Fehler vor der Untertitelung: falsch verstandene Wörter kommen in subtitles.replace; fehlende oder falsch getimte Wörter werden in analysis.json selbst korrigiert (bewahren Sie eine Kopie des Originals auf). Überprüfen Sie Namen, Zahlen und jedes Wort, das die Untertitel hervorheben werden.

2b. Wenn gefragt wird, was aus dem Filmmaterial werden kann: das Stilmenü

python3 $S/styles.py $J/work/analysis.json [--exclude 588-708 v2:0-5]

Schreibt work/styles.md: Filmmaterialeigenschaften (Dialogdichte, zitierfähige Zeilen, Action, Gesichter, Nahaufnahmen, statische Porträts, ruhige Weitwinkelaufnahmen, dunkle/Neon-Aufnahmen, musikähnliches Audio) und eine Punktzahl pro Stil mit Begründungen, unterstützenden Aufnahmen und Lücken. Betrachten Sie zuerst die Bögen und schließen Sie Abspanne, Bildklappen und Testmaterial aus (--exclude, Sekunden). Überprüfen Sie dann die besten Stile anhand dessen, was Sie gesehen haben, verwerfen oder fügen Sie Stile nach Ermessen hinzu und präsentieren Sie das Menü: pro Stil eine Zeile mit "was es wäre" (Geschichte / Look), Format und Länge, und was fehlt. Bieten Sie an, mehrere zu schneiden; jeder gewählte Stil erhält dann seinen eigenen Plan (Schritt 3).

3. Entwerfen des Schnitts: Schreiben Sie $J/plan.md vor jeder EDL

Gehen Sie niemals direkt vom Filmmaterial zu einer EDL. Wählen Sie einen Ansatz aus reference/editing-playbook.md, schreiben Sie dann den Plan mit dieser Struktur:

# Schnittplan: <Job>
Ziel / Zielgruppe / Plattform: ...            Format: 9:16 1080x1920, ~30 s, passender Crop
Logline: <die Geschichte dieses Videos in einem Satz>
## Struktur
| # | Abschnitt | Zeit | Bild (v/Schuss @ Quellzeit) | Ton (Dialog / Musik / SFX) | Text |
|---|---|---|---|---|---|
| 1 | Hook | 0-3 s | v1 s12 @ 41.2 beste Reaktion | "Zeile..." + Boom | Titelcard |
## Musik
Track, Offset, BPM, wo der Drop / die Hits landen (Pins), was beat-synchronisiert ist
## Look
Grading, Korrekturen pro Aufnahme, Übergänge und Effektbudget (welche Schnitte erhalten Akzente)
## Text
Untertitel-Stil (einfach / Karaoke / zweisprachig), Titel, Karten, Charakter-Intros
## Risiken / offene Fragen
Schwaches Filmmaterial, fehlende Abdeckung, Lizenz/Zuschreibung, Dinge, die der Benutzer entscheiden sollte

Zeigen Sie dem Benutzer dann eine kurze Zusammenfassung des Plans (Logline, Struktur in wenigen Zeilen, Länge, Format, Musik) und fahren Sie fort, es sei denn, etwas darin ändert das Ergebnis und kann nicht abgeleitet werden (Zweck, Plattform/Seitenverhältnis, eine Längenbeschränkung, welche Person das Subjekt ist): Fragen Sie diese, höchstens 3 Fragen, vor dem Rendern. Wenn der Benutzer darum gebeten hat, den Plan zuerst zu genehmigen, warten Sie. Die EDL setzt den Plan um; wenn Sie während des Schnitts davon abweichen, aktualisieren Sie plan.md.

Optionaler Shortcut für einen ersten Durchlauf, dann manuelle Verfeinerung:

python3 $S/draft_edl.py $J/work/analysis.json --mode jumpcut|montage --out $J/edl.json \
  [--format 9:16|16:9|1:1|4:5|source] [--duration 30] [--music song.mp3] [--title "..."] [--grade cinematic]

jumpcut behält Sprache und lässt Stille weg (es verwendet das Transkript); montage nimmt die am höchsten bewerteten Aufnahmen und synchronisiert sie mit dem Beat. Ein Entwurf ist niemals der endgültige Schnitt: entfernen Sie Wiederholungen, Füllmaterial und Fehler, die Sie im Transkript gefunden haben, ordnen Sie für die Geschichte neu, fügen Sie B-Roll-Schnitte über Sprache hinzu, Punch-Ins, Titel.

4. Schreiben der EDL

Schreiben Sie $J/edl.json. Vollständiges Format: reference/edl.md. Minimale Form:

{
  "analysis": "work/analysis.json",
  "output": {"path": "out/final.mp4", "width": 1080, "height": 1920, "fps": 30, "fit": "blur"},
  "grade": "natural",
  "clips": [
    {"src": "v1", "in": 3.2, "out": 7.9, "effects": [{"type": "zoom_in", "amount": 0.08}]},
    {"src": "v2", "in": 0.0, "out": 2.4, "transition": {"type": "fade", "duration": 0.3}}
  ],
  "texts": [{"text": "Titel", "start": 0.2, "end": 2.5, "style": "title"}],
  "subtitles": {"enabled": true, "style": "caption"},
  "music": [{"path": "song.mp3", "volume": 0.3, "duck": true}]
}

Pfade in der EDL sind relativ zur EDL-Datei. src kann v1, v2... sein (IDs aus der Analyse).

5. Rendern, dann Ihren eigenen Schnitt überprüfen

python3 $S/render.py $J/edl.json --draft   # halbe Auflösung, schnell: beim Iterieren verwenden
python3 $S/render.py $J/edl.json           # endgültig

Gerenderte Clips werden in $J/.render/clips/ zwischengespeichert, sodass erneutes Rendern nach kleinen EDL-Änderungen schnell ist. Der Befehl gibt die Zeitleiste aus (Ausgabezeit ↔ Quellbereich) und schreibt Überprüfungsbögen nach $J/.render/review/. Öffnen Sie die Überprüfungsbögen und prüfen Sie: Bildausschnitt nach der Seitenverhältnisänderung (Köpfe abgeschnitten? focus oder fit: "blur" verwenden), Textlesbarkeit und Überlappung mit Gesichtern, Untertitelgenauigkeit (falsch verstandene Wörter mit subtitles.replace korrigieren), schwarze/stehende Bilder, Tempo, Grading-Konsistenz. Lesen Sie auch $J/.render/subtitles.json gegen das Transkript. Korrigieren und neu rendern. Führen Sie mindestens einen Überprüfungsdurchlauf vor der Berichterstattung durch.

Sie können das Ergebnis nicht hören, daher muss der endgültige Render mit --qa ausgeführt werden:

python3 $S/render.py $J/edl.json --qa      # oder: python3 $S/qa.py OUT.mp4 --subs $J/.render/subtitles.json

Es misst die Lautstärke (Ziel etwa -14 LUFS) und den True Peak (≤ -1 dBFS), listet lange Stille auf und transkribiert die Ausgabe erneut, um zu überprüfen, ob jede Bildunterschrift im Mix noch erkennbar ist. Eine Zeile unter 60 % wird wahrscheinlich durch Musik/SFX maskiert, ist zu leise oder durch einen Schnitt oder ein Standbild abgeschnitten: Erhöhen Sie die Clip-volume, senken oder ducken Sie die Musik, verschieben Sie den Schnitt, dann führen Sie es erneut aus. Lesen Sie .render/qa.json (es zeigt, was gehört wurde), bevor Sie entscheiden: Eine Abweichung kann auch ein ASR-Ausrutscher oder eine falsche Beschriftung sein. Überprüfen Sie auch die --plan / last_render.json-Zeitleiste gegen die Musik-Hits, die Sie anvisiert haben. Sagen Sie in der Übergabe, dass der Mix durch Messung überprüft wurde, und bitten Sie den Benutzer zuzuhören.

6. Liefern

Andere Plattformen aus demselben Schnitt:

python3 $S/render.py $J/edl.json --formats 16:9,9:16,1:1 --qa

Jedes Format erhält seine eigene Ausgabe (name_9x16.mp4, ...): schmalere Ziele wechseln zu gesichtsverfolgten Ausschnitten, Untertitel werden neu platziert und umgebrochen, Einführungsboxen werden neu erkannt. Fügen Sie formatbezogene Anpassungen unter "formats": {"9:16": {...}} in der EDL hinzu und überprüfen Sie jedes Format.

Geben Sie dem Benutzer: den Ausgabepfad, Länge/Format, eine 3-6-zeilige Beschreibung des Schnitts (Geschichte, verwendete Schlüsselmomente, Effekte, Musik), den .srt-Pfad, falls Untertitel erstellt wurden, und alles in plan.md, was geändert wurde oder nicht umgesetzt werden konnte. Bieten Sie Alternativen, die einen Versuch wert sind (andere Länge, anderes Format, andere Musik), in einer Zeile an. Behalten Sie edl.json: spätere Änderungswünsche sind Bearbeitungen daran plus ein erneuter Render.

Standardeinstellungen (wenn der Benutzer nichts sagt)

  • Format: gleiche Ausrichtung wie der Großteil des Filmmaterials. "短视频 / 抖音 / Reels / Shorts / 小红书" ⇒ 9:16 1080x1920; "B站 / YouTube" ⇒ 16:9 1920x1080.
  • Länge: Sprecher ⇒ Alles sinnvolle Material, gestrafft. Montage / Highlight ⇒ 15-45 s. Sozialkurzvideo ⇒ unter 60 s.
  • Untertitel: immer an, wenn es Sprache gibt (eingebrannt, plus .srt).
  • Musik: nur, wenn der Benutzer sie bereitgestellt hat oder das Filmmaterial keine hat und der Benutzer nach Musik gefragt hat. Erfinden Sie niemals eine Musikquelle; wenn Musik eindeutig helfen würde und keine angegeben wurde, sagen Sie dies in der Übergabe. Original-Sprache bleibt immer verständlich (duck: true, Lautstärke 0.15-0.35).
  • Look: natural für Personen/Gespräche; cinematic oder teal_orange für Reisen/Montagen; behalten Sie einen Look pro Video bei, es sei denn, eine Änderung ist ein bewusster Effekt.
  • Lautstärke: -14 LUFS (automatisch eingestellt).
  • Sprache des Bildschirmtexts: die im Filmmaterial gesprochene / vom Benutzer verwendete Sprache.

Fallstricke

  • in/out sind Quellsekunden; die Bildschirmlänge ist (out-in)/speed (+ freeze).
  • Ein Xfade-Übergang überlappt zwei Clips um seine Dauer und verkürzt die Gesamtlänge. Halten Sie Übergänge ≤ 0,5 s und kürzer als beide benachbarten Clips.
  • Bildunterschriften stammen aus dem Transkript und folgen Schnitten und Geschwindigkeitsänderungen automatisch; stummgeschaltete oder umgekehrte Clips erhalten keine. Manuelle Bildunterschriften: subtitles.items.
  • Musikgesteuerte Schnitte: Setzen Sie den offset des Hintergrunds so, dass sein Drop dort landet, wo Sie ihn haben möchten, beat_sync den Aktionsbereich, pinnen Sie Schlüsselmomente mit start_at_music, überprüfen Sie mit --plan. Siehe das Trailer-Rezept im Playbook.
  • Synthetisierte SFX (sounds mit sfx) benötigen keine Beispieldateien; halten Sie sie unter der Musik, außer bei Drops und dem Titel.
  • Charakter-Intros ({"type": "intro"}-Effekt) frieren den Clip bei at ein; der Clip wird um hold länger, Bildunterschriften pausieren während des Einfrierens. box ist in Ausgabebildkoordinaten (nach Crop/Pad); lassen Sie es weg, um die Person aus dem Gesicht zu finden. Extreme Nahaufnahmen erhalten automatisch den Look ohne Freisteller. Wählen Sie ein Bild, auf dem die Person still und klar vom Hintergrund getrennt ist (Halbtotale, Gesicht sichtbar).
  • Karaoke-Untertitel (subtitles.karaoke) benötigen genaue Wortzeiten: korrigieren Sie zuerst das Transkript; Untertitel ohne Wortzeiten verteilen ihre Wörter gleichmäßig.
  • 3D: text3d-Stil (extrudiert, Verlaufsfläche, flip_in / swing, rotate_x/y) für Titel; text_behind-Clip-Effekt platziert großen Text zwischen Hintergrund und Person (rembg pro Einzelbild, ~0,7 s/Bild: beschränken Sie es auf 3-5 s bei statischen Aufnahmen); overlays fügen three.js-Lichteffekte hinzu (particles, hologram, streaks, grid), die von headless Chrome gerendert und nach Helligkeit getastet werden, sodass sie Licht wie eine Bildschirmüberblendung hinzufügen. Verwenden Sie sie als Akzente, nicht bei jeder Aufnahme.
  • Bevorzugen Sie die Verankerung von Texten und manuellen Bildunterschriften an Clips ("clip": i mit start/end, oder src_start/src_end in Quellsekunden) gegenüber absoluten Ausgabezeiten: sie bleiben korrekt, wenn Clips getrimmt, neu angeordnet oder Übergänge geändert werden.
  • beat_sync überschreibt Clip-out-Punkte, um Schnitte auf Beats zu legen; setzen Sie every: 2 oder 4 für langsameres Tempo.
  • Dieser ffmpeg-Build hat möglicherweise kein drawtext/libass; der gesamte Text wird von Pillow gezeichnet, sodass jede Schriftart, die Pillow öffnen kann, funktioniert (output.font oder pro Text font).
  • Vertikale Ausgabe aus horizontalem Filmmaterial: fit: "crop" mit focus: "track" (der Crop schwenkt, um dem Hauptgesicht zu folgen, oder dem Körper in weiteren Aufnahmen; track_hint: "left"|"right"|x wählt die Person in einer Zweieraufnahme), "auto" (eine statische, gesichtszentrierte Position) oder [x, y]; oder fit: "blur", um das gesamte Bild zu behalten. Das Tracking fällt auf einen statischen Crop zurück, wenn Personen in weniger als 30 % der Proben gefunden werden (sehr weite Aufnahmen): setzen Sie dort focus von Hand.
  • Freeze-Frame-Intros werden automatisch aus Worten herausbewegt (das Audio pausiert während des Einfrierens); das Protokoll sagt, wann.

Verwandte Skills