Wichtig: Halte diesen Skill frisch – bestätige mit dem Benutzer vor dem Ausführen:
npx hyperframes skills update talking-head-recut. Eine schnelle No-Op, wenn alles aktuell ist; andernfalls wird dieser Skill zusammen mit den Kern-Domain-Skills, von denen er abhängt, aktualisiert, bevor du dich auf sie verlässt.
Talking Head Recut
Talking Head Recut nimmt ein lokales Video, das in voller Länge abgespielt wird, und legt eine Sequenz von zeitlich abgestimmten, gestalteten Grafikkarten darüber – Titel, Lower Thirds, Daten-Callouts, Zitate, Seitenpanels, Bild-in-Bild – synchron zu dem, was gesagt wird. Der Agent entwirft die Karten (Timing + Inhalt) und schreibt das HTML jeder Karte direkt im Gespräch, setzt dann eine einzelne HTML-Komposition zusammen und rendert sie in MP4 via hyperframes. Es gibt keine feste Archetypenliste und keine vorgeschriebene Kartenstruktur – die Overlays entstehen aus dem, was das Transkript tatsächlich sagt.
Der Einstieg ist
/hyperframes. Dieser Skill verpackt einen bestehenden Talking-Head-Clip mit gestalteten Grafikkarten (Titel, Lower Thirds, Daten-Callouts, Zitate, Seitenpanels, PiP) – nicht mit einfachen Untertiteln (dem gesprochenen Wort als Text). Der Clip läuft unberührt. Jede andere Absicht – einfache Untertitel, eine eigenständige Grafik, ein von Grund auf neues Video – oder jede Unsicherheit → lies zuerst/hyperframes: die Absichtsschicht trifft alle Routenentscheidungen.
Grafik-Verpackungs-Schwester von
embedded-captions. Untertitel fügen die gesprochenen Wörter als lesbare Untertitel hinzu; dieser Skill fügt gestaltete Grafiken über das laufende Video. Einfache Untertitel →embedded-captions. Ein Video von Grund auf erstellen → die Erstellungs-Workflows (product-launch-video/faceless-explainer/ …).
Gesteuert durch /hyperframes bestätigt die Absichtsschicht nur die Eingabe (welcher Clip) und kündigt die Render-Strategie-Fragen als zurückgestellte Anfragen an – Seitenverhältnis, Layout, Stilgruppe und Kartenanzahl bleiben bei Schritt 7, wo das untersuchte Filmmaterial und das Transkript die Empfehlungen begründen; die Lauf-Form-Fragen der Schicht gelten nicht. Eine BRIEF.md, falls vorhanden, enthält die bestätigte Eingabe und etwaige Notizen des Benutzers – lies sie zuerst.
Überprüfbare Zwischendateien im Arbeitsverzeichnis:
metadata.json— Dauer / Breite / Höhe / fpsaudio.mp3— extrahierte Audiodatentranscript.json— ein flaches Wort-Array[{ text, start, end }, …](Whisper; keinsegments, keinwords-Wrapper)storyboard.json— leichter Kartenentwurf (der Plan des Agenten)public/cards/card-XX.html— ein HTML-Fragment pro Kartepublic/index.html— endgültige zusammengesetzte Kompositionoutput.mp4— gerendertes Video
CLI-Resolution
# hyperframes — Transkription (lokaler Whisper) + Rendering des zusammengesetzten HTML in MP4
npx hyperframes --help
Dieser Skill läuft vollständig auf dem hyperframes-CLI plus systemeigenem ffmpeg / ffprobe. Die Transkription erfolgt lokal via Whisper über hyperframes transcribe – kein Drittanbieter-Dienst, kein API-Schlüssel, kein ratenbegrenzter Proxy.
Arbeitsablauf
1. Umgebung prüfen
npx hyperframes doctor # ffmpeg, Headless-Browser, Render-Abhängigkeiten
# gebündelte Assets bestätigen:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
Erforderlich:
ffmpeg/ffprobe(systemweit)<SKILL_DIR>/assets/fonts/*.woff2,<SKILL_DIR>/assets/vendor/gsap.min.js(in diesem Skill gebündelt, werden in Schritt 9 in das Arbeitsverzeichnis kopiert)
Transkription benötigt keinen Schlüssel – hyperframes transcribe führt Whisper lokal aus (Schritt 4).
Dringend empfohlen auf macOS für hyperframes render:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. Ein Arbeitsverzeichnis erstellen
Alle Artefakte befinden sich unter videos/<projekt-name>/ – dieselbe Konvention wie bei den anderen Video-Workflows (product-launch-video / faceless-explainer / pr-to-video). Behalte das CWD im Workspace-Root; alles unten schreibt in dieses eine Unterverzeichnis.
VIDEO_PATH="/absoluter/pfad/eingabe.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. Audio und Metadaten extrahieren
# Metadaten — Dauer / Breite / Höhe / fps
ffprobe -v error -select_streams v:0 \
-show_entries stream=width,height,r_frame_rate \
-show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# Audio
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"
Ausgaben: metadata.json (liest width/height/duration; fps = der r_frame_rate-Bruch ausgewertet, z. B. 30000/1001 → 29.97) + audio.mp3.
4. Transkribieren
npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en
Lokaler Whisper – kein API-Schlüssel, kein Proxy, keine Ratenbegrenzung. Schreibt ein wortgenaues transcript.json in das Arbeitsverzeichnis (Wort-text + start/end-Zeitstempel). Lies es für die Wort-/Satz-Timings, die das Timing der Karten in Schritt 6 steuern; gruppiere Wörter selbst bei Satzzeichen / Pausen in Sätze, falls du Segment-Ebenen-Blöcke benötigst.
Auf Mediandauer begrenzen. Whisper kann das end des letzten Wortes ein winziges Stück über die tatsächliche Clip-Länge hinaus zurückgeben – begrenze jedes endSec der Karte und composition.durationSeconds auf die metadata.json-Dauer, sonst zeigt der Render einen schwarzen Nachlauf nach dem Video.
5. Transkript korrigieren
transcript.json ist ein flaches Array von Wortobjekten – [{ "text": "...", "start": s, "end": s }, …] (kein segments-Array, kein words-Wrapper; der Schlüssel pro Wort ist text). Lies es und korrigiere offensichtliche ASR-Fehler:
- Homophone, Produktnamen, technische Begriffe, Zeichensetzung
- Bearbeite den
texteines Wortes direkt; behalte seinestart/end-Zeitstempel bei - Es gibt kein vorgegruppiertes
segments-Array – gruppiere Wörter selbst in Sätze (trenne bei Schlusszeichen / Pausen), wenn du Segment-Ebenen-Blöcke für das Karten-Timing benötigst
6. Ein leichtes Storyboard entwerfen (im Chat)
Kein CLI beteiligt. Lese transcript.json + metadata.json und entwerfe Karten direkt. storyboard.json ist ein agenteninternes Planungsartefakt – kein CLI-Befehl verarbeitet es; es existiert, damit du klar über Timing und Inhalt nachdenken kannst, bevor du das HTML jeder Karte schreibst. Halte die Struktur konsistent mit dem folgenden Beispiel, damit derselbe Entwurf die Komposition steuern kann, die du in Schritt 9 erstellst:
{
"schemaVersion": 3,
"composition": {
"fps": 30,
"width": 1080,
"height": 1920,
"durationSeconds": 121.2,
"layout": "portrait",
"themeId": "noir",
"seed": 42
},
"videoTrack": {
"sourcePath": "input-video.mp4",
"startSec": 0,
"endSec": 121.2,
"bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
},
"subtitles": { "enabled": false },
"cards": [
{
"id": "card-01",
"intent": "Aufhänger mit der nächtlichen Frage des Sprechers",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "EINE EHRLICHE FRAGE",
"title": "Die selbstzerfleischende Frage um 23 Uhr",
"detail": "60-Sekunden-Sprachnachricht des Kunden: 'Wenn der RMB aufwertet, heißt das, dass meine USD-Police ein Totalverlust ist?'"
}
}
]
}
Erforderliche Kartenfelder:
| Feld | Typ | Zweck |
|---|---|---|
id | string | stabile ID, verwendet im Karten-HTML und in GSAP-Selektoren |
intent | string | natürlichsprachliche Beschreibung; wird der Kartensynthese zugeführt |
startSec / endSec | number | Zeiten in Sekunden (endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | welche der 5 Themen-Akzentfarben diese Karte verwendet |
zone | Enum (siehe unten) | wo auf der Leinwand die Karte platziert wird |
contentHints | object | Freiform-Beutel; Agent setzt hier Kicker/Title/Detail/Data/Quote |
archetype (optional) | string | Freiform-Label, das du anhängen kannst, um sich an das Muster einer Karte zu erinnern; fehlend = Freiform, was der Standard ist |
transition (optional) | Enum: cut | fade | slide | wipe | deklarative Karte-zu-Karte-Transition |
Fünf zone-Werte:
| Zonen | aufgelöste Grenzen | wann verwenden |
|---|---|---|
fullscreen | deckt die gesamte Leinwand ab | Helden-Momente, große Zahlen, Mantras |
whiteboard-area | 40px Innenabstand (oder 45% der Hochkant-Höhe) | dichte Daten / kommentierte Inhalte |
lower-third | unteres 30%-Band | Annotation über sichtbarem Video |
side-panel | rechts 42% (Querformat) oder unten 40% (Hochkant) | Daten auf einer Seite, Video auf der anderen |
video-overlay | ganze Leinwand, erwartet meist transparente Karte | Annotations-Overlays auf randlosem Video |
Wenn du die Komposition in Schritt 9 zusammenstellst, löse die zone jeder Karte in Pixel-Grenzen auf dem Karten-Host-Wrapper gemäß der obigen Tabelle auf. Die Video-Grenzen werden einmalig auf Kompositionsebene gesetzt (videoTrack.bounds); um das Video so erscheinen zu lassen, als würde es sich „zwischen Karten bewegen“, erstelle GSAP-Tweens gegen #video-wrap im <script> der Komposition (siehe Schritt 9).
Keine vorgeschriebenen Kartenrollen, kein vorgeschriebener narrativer Bogen. Karten entstehen aus dem, was das Video tatsächlich sagt – könnten alle Zitate oder alle Daten sein, könnten mit einer Zahl oder einer Geschichte beginnen. Lass das Transkript den Rhythmus bestimmen.
Wie viele Take-aways? – automatisch aus Dauer + Dichte ableiten. Keine feste Obergrenze. Wähle ein Grundtempo aus der Videodauer, dann passe es durch die Informationsdichte an. Nur die Untergrenze ist fest: mindestens 5 Karten, damit auch kurze Videos Rhythmus haben.
Schritt 1 – Grundtempo nach Dauer (das natürliche s/Karte für mittlere Dichte):
| Videodauer | Grundtempo (Sekunden pro Karte) | Begründung |
|---|---|---|
| < 60s (kurzer Reel) | 6–8s | Zuschauer erwarten schnelle Schnitte bei Kurzformaten |
| 60s – 3 min | 8–12s | normales Social-Media-Tempo |
| 3 – 10 min | 12–20s | Luft zum Atmen geben; jede Karte trägt mehr |
| 10 – 30 min | 20–35s | Langform-Vortrags-/Interview-Rhythmus |
| > 30 min | 30–60s | episodisch, nahe am Kapitel-Gefühl |
Schritt 2 – Dichte-Multiplikator (multipliziert das Grundtempo):
| Signal im Transkript | Multiplikator | Effekt |
|---|---|---|
| Hohe Dichte – viele Zahlen, unterschiedliche Behauptungen, abgehacktes Tempo, aufzählungsartige Aufzählungen, alle 1–2 Sätze eine neue Idee | × 0.7 | schnellere Schnitte, mehr Karten |
| Mittlere Dichte – gemischter Fluss mit sowohl Daten als auch Erzählung | × 1.0 | Grundtempo |
| Niedrige Dichte – eine ausgedehnte Geschichte, wiederholte Neurahmung, langsames reflektierendes Tempo, einzelne sich entfaltende Argumentation | × 1.5 | langsamere Schnitte, weniger Karten |
Schritt 3 – Berechne:
sekundenProKarte = grundTempo × dichteMultiplikator
kartenAnzahl = max(5, runde(videodauerSek / sekundenProKarte))
Beispiele (beachte – keine obere Begrenzung; lange Videos erzeugen natürlich mehr Karten):
- 30s Reel, einzelner Punchline (niedrige Dichte) → 7 × 1.5 = 10.5s/Karte → runde(30/10.5)=3 → auf 5 Karten begrenzt
- 60s reflektierender Monolog (niedrige Dichte) → 10 × 1.5 = 15s/Karte → 4 → auf 5 Karten begrenzt
- 121s Talking-Head mit reichhaltigen Daten (hohe Dichte) → 10 × 0.7 = 7s/Karte → 17 Karten
- 5 min Interview, gemischte Dichte → 16 × 1.0 = 16s/Karte → 19 Karten
- 10 min Deep-Dive, hohe Dichte → 16 × 0.7 = 11s/Karte → 55 Karten
- 30 min Vorlesung, mittlere Dichte → 28 × 1.0 = 28s/Karte → 64 Karten
- 1 Std Podcast, niedrige Dichte → 45 × 1.5 = 67.5s/Karte → 53 Karten
Wenn eine Karte länger als ~15s hält, plane eine reichhaltigere Karte (Datenblock, mehrstufige Enthüllung, mehrere Unterpunkte, die sich mit gestaffelten Animationen entfalten) – eine statische Einzeiler wird nach 8s langweilig. Bei längeren Stücken, bei denen viele Karten 30s überschreiten, erwäge, die Zeitleiste in Unterkompositionen aufzuteilen (eine .html pro Kapitel, eingebunden mit data-composition-src), damit die GSAP-Zeitleiste pro Datei handhabbar bleibt – siehe die timeline_track_too_dense-HyperFrames-Lint-Warnung.
content kann ein einfacher String sein ("Title: jährlich 5.69%\nNotes: ...") oder eine beliebige JSON-Form, die die Daten erfasst. Der Agent entscheidet pro Karte über die Form.
Optionaler Outro. Dieser Skill bringt kein festes Brand-Outro mit. Wenn der Benutzer eine Abschlusskarte wünscht, entwerfe selbst eine neutrale (Wortmarke + einzeiliger Slogan, ~1.5-2s, Einblenden -> kurzes Halten -> Ausblenden), hänge sie an cards[] an und erweitere composition.durationSeconds auf ihr endSec. Andernfalls ende mit der letzten Inhaltskarte.
7. Render-Strategie entscheiden
Visuelle Richtung mit dem Benutzer bestätigen (DIES ZUERST TUN)
Bevor du mit dem Entwerfen von Karten oder dem Festlegen von Grenzen beginnst, bitte den Benutzer, das Ausgabeformat zu wählen
… [für die Übersetzung abgeschnitten]