xiaocong3/ecommerce-video-skills

KI-Sprachaufnahme: Mit dem kostenlosen edge-tts (Microsoft Edge Online-Sprache) werden für E-Commerce-Videos Satz für Satz Sprachaufnahmen generiert, automatisch Stille am Anfang und Ende entfernt, die Dauer jedes Satzes erfasst, Audiodateien zwischengespeichert und wiederverwendet. Wählbare Stimmlage, Sprechgeschwindigkeit und Tonhöhe. Enthält Regeln zur Umschreibung von Skripten für Sprachaufnahmen.

Was ist ecommerce-video-skills?

Dieses Skill automatisiert die Erstellung von Sprachaufnahmen für E-Commerce-Kurzvideos (z.B. für Douyin/TikTok/Video Accounts) mithilfe des kostenlosen `edge-tts`-Dienstes von Microsoft Edge. Es zerlegt ein Skript in einzelne Sätze, synthetisiert jede Zeile als 48 kHz WAV-Datei, entfernt automatisch Stille am Anfang und Ende und erstellt eine `durations.json` zur präzisen Synchronisation von Audio und Video. Das Skill unterstützt verschiedene chinesische Stimmlagen (auch Taiwanesisch, Kantonesisch und Englisch), anpassbare Sprachgeschwindigkeit und Tonhöhe und implementiert Caching zur Vermeidung wiederholter API-Aufrufe. Es enthält klare Richtlinien zur Umformulierung von Skripten in gesprochene Sprache und bietet eine Checkliste für die Qualitätssicherung. Das Skill ist plattformunabhängig, funktioniert mit jedem AI-Agenten, der Python-Skripte ausführen kann (z.B. Claude Code, Cursor, Codex) und erfordert nur die Installation von `edge-tts` und ffmpeg.

Funktioniert mit~Claude Code~Codex CLI~Cursor

npx skills add https://github.com/xiaocong3/ecommerce-video-skills/tree/HEAD/skills/ai-voiceover-edge-tts

Dokumentation

KI-Sprachaufnahme · Voice-over mit edge-tts

Satzweise synthetisieren → Stille entfernen → 48 kHz WAV → durations.json. Nachfolgende Untertitel und Szenenlängen werden an die tatsächliche Sprachdauer angepasst – keine asynchrone Ton-Bild-Schere mehr.

Teil von ecommerce-video-skills · Skript: scripts/tts_edge.py (benötigt nur edge-tts + ffmpeg)

Eingaben

Sprachskript (ein Satz pro Zeile oder das line-Feld aus storyboard.json)
Sprache / Stimmlagen-Präferenz (männlich/weiblich, lebhaft/ruhig), Sprachgeschwindigkeit
Umgebung: pip install edge-tts, ffmpeg, Netzwerkzugriff auf den Microsoft TTS-Dienst

Schritte

Umschreiben in „gut lesbare“ Sprachvorlage (siehe Regeln), pro Satz 8–20 Zeichen.

Stimmlage auswählen (alle anzeigen mit python scripts/tts_edge.py --list zh-CN):

Szenario	Empfohlene Stimme
Lebendige Produktvorstellung (männlich)	`zh-CN-YunxiNeural`
Freundliche Produktvorstellung (weiblich)	`zh-CN-XiaoxiaoNeural` / `zh-CN-XiaoyiNeural`
Leidenschaftlicher Verkaufsaktion	`zh-CN-YunjianNeural`
Professionelle Erklärung	`zh-CN-YunyangNeural`
Taiwan / Hongkong	`zh-TW-HsiaoChenNeural` / `zh-HK-HiuMaanNeural`
Englisch	`en-US-AndrewNeural` · `en-US-AvaNeural` · `en-US-EmmaNeural`

Synthese:

pip install edge-tts
# Einzelsatz Probehören
python scripts/tts_edge.py "Im Sommer wird kaltes Wasser, das man mitnimmt, schon vor Mittag warm?" --voice zh-CN-YunxiNeural --rate "+10%" -o out/hook.wav
# Vollständiges Storyboard (eine Zeile pro Szene → build/tts/l00.wav … + durations.json)
python scripts/tts_edge.py --storyboard storyboard.json --outdir build/tts

Vor der Batch-Verarbeitung 2 Sätze probehören: Sprechgeschwindigkeit +5% bis +15% klingt am natürlichsten für Verkaufssprache; über +20% wirkt gehetzt.
An ffmpeg-auto-assemble übergeben (es ruft dieses Skript automatisch auf) oder in die eigene Bearbeitungssoftware einbinden.

Regeln zur Skript-Umschreibung

Zahlen als „gesprochene Form“ schreiben: 2核8G → zwei Kerne acht G; 24h → vierundzwanzig Stunden; Buchstaben in Modellbezeichnungen mit Leerzeichen trennen: A I. Untertitel können die Originalschreibweise behalten (sub-Feld).
Ein Satz sagt nur eine Sache; Komma ist ein Atemholpunkt, Satzende mit Punkt/Fragezeichen für fallende Intonation.
Schriftsprache vermeiden: „Dieses Produkt verfügt über…“ → „Diese Tasse…“.
Englische Markennamen, falls falsch ausgesprochen, in der line phonetisch oder umschrieben notieren, sub behält die korrekte Schreibweise.

Prompt-Vorlage

Schreibe den folgenden Verkaufstext in ein für TTS geeignetes Sprachskript um: jeder Satz 8–20 Zeichen, ein Satz eine Sache, umgangssprachlich;
Zahlen und Buchstaben in gesprochener Form; zusätzlich eine Spalte „Untertitel“ mit Originalschreibweise und **fett** markiertem 1 Schlüsselwort ausgeben.
Keine Verkaufsargumente oder Daten hinzufügen, die nicht im Originaltext stehen. Originaltext: {…}

Checkliste

Erst 2 Sätze probehören, um Stimmlage/Sprechgeschwindigkeit zu bestätigen
Aussprache von Zahlen, Englisch, Markennamen korrekt
durations.json erstellt, Gesamtlänge entspricht Ziel
Vor kommerzieller Nutzung die Kennzeichnungspflichten für KI-generierte Sprache auf der jeweiligen Plattform/Region prüfen (z.B. „KI-generiert“ Kennzeichnung)

Häufige Probleme und Behebungen

Problem	Behebung
`edge-tts failed` / Timeout	Netzwerkproblem; Skript hat bereits 3 Wiederholungen; Netz wechseln oder später erneut versuchen; offline mit `assemble.py --tts none` zur Vorschau
Falsche Aussprache	In `line` phonetische/umgeschriebene Form notieren, `sub` behält Original
Zu lange Pausen zwischen Sätzen	Stille automatisch entfernt; `pad` im Storyboard anpassen (Standard 0,25s)
Tonfall zu monoton	Zu `YunjianNeural`/`XiaoyiNeural` wechseln; `--pitch "+5Hz"`; Satzenden mit Frage-/Ausrufezeichen
Authentischere Stimme benötigt	edge-tts ist synthetisch; bei hohen Ansprüchen echte Aufnahmen verwenden – die Pipeline funktioniert weiterhin (Aufnahmen in `build/tts/lXX.wav` legen)

edge-tts wird von der Community gepflegt (rany2/edge-tts, LGPL-3.0) und greift auf den Online-Dienst von Microsoft zurück; dieses Repository installiert es lediglich als Abhängigkeit und enthält keinen eigenen Quellcode.