Communitygithub.com

Aseel1600/Edit01

Erzeuge ausdrucksstarke, mehrsprachige Erzählungen mit fish.audio (S1 / S2-Generierungsmodelle) und verwende geklonte Stimmen über reference_id wieder. Nutze dies, wenn der Benutzer fish.audio/Fish Audio TTS bevorzugt, ein bestimmtes Playground-Sprachmodell wünscht oder eine emotionsstarke Stimmklon-Erzählung benötigt.

Was ist Edit01?

Diese Fertigkeit für KI-Agenten integriert die fish.audio Text-to-Speech (TTS) API und ermöglicht die Erzeugung natürlicher, ausdrucksstarker Erzählungen in über 80 Sprachen. Sie unterstützt die neuesten Backend-Modelle von fish.audio, darunter s2.1-pro (beste Qualität mit Inline-Emotion-Tags), s2-pro (stabile Qualität) und s1 (vorheriges Flaggschiff). Benutzer können zuvor im fish.audio Playground erstellte Stimmmodelle über die `reference_id` wiederverwenden, ohne jedes Mal Referenzaudio hochladen zu müssen. Die Fertigkeit bietet detaillierte Steuerung über Parameter wie Latenz, Normalisierung, Prosodie, MP3-Bitrate und Temperatur, um den gewünschten Erzählstil zu erzielen. Ein besonderes Merkmal ist die Unterstützung von Inline-Emotion-Tags (nur S2-Modelle), die eine lebendige, kontextabhängige Sprachausgabe ermöglichen. Die Fertigkeit ist für die Verwendung in OpenMontage optimiert, kann aber auch direkt über ihre Python-Klasse aufgerufen werden. Sie enthält eine Kostenabschätzung basierend auf der UTF-8-Bytezahl des Eingabetextes und warnt vor der Verwendung des kostenlosen s2.1-pro-free Modells für Produktions- oder Kundenerzählungen. Die Integration erfordert einen gültigen FISH_AUDIO_API_KEY und bietet eine klare Fehlerbehebung für häufige API-Probleme.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Aseel1600/Edit01/tree/HEAD/.agents/skills/fish-audio-tts

In Ihrer bevorzugten KI fragen

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

Dokumentation

fish.audio TTS (Text-to-Speech)

Erfordert FISH_AUDIO_API_KEY in .env (einen erstellen unter https://fish.audio/go-api/api-keys/). Erstelle Sprachmodelle im fish.audio Playground und übergib deren ID als reference_id, um eine geklonte Stimme wiederzuverwenden.

Aktuelle API

Ein einzelner synchroner Aufruf, der rohe Audio-Bytes zurückgibt:

POST https://api.fish.audio/v1/tts
Authorization: Bearer ${FISH_AUDIO_API_KEY}
Content-Type: application/json
model: <Backend-Modell>     # HTTP-Header wählt das Backend aus, z.B. s1

Das Backend-Modell wird mit dem model HTTP-Header ausgewählt, nicht als Feld im Body. In OpenMontage wird dies auf den model-Input des Tools abgebildet.

Backend-Modelle

model ist erforderlich – es gibt keinen Standard. Übergib eines von:

  • s2.1-pro — neueste Generation. Beste Qualität: Inline-Emotion-Tags, 80+ Sprachen, Multi-Speaker. Helden-Erzählung.
  • s2.1-pro-free — kostenloser Werbe-Zugang zu s2.1-pro. Entwürfe, Samples und Validierungsläufe für 0 $ während des Aktionszeitraums. Laut der fish.audio Ankündigung: kostenlos bis zum 31. August 2026, vorbehaltlich Fair Use, keine SLA/Latenz-Garantie, Anfragen können gespeichert werden und kommerzielle Nutzung ist eingeschränkt. Leite niemals Produktions- oder Kunden-Erzählungen darüber.
  • s2-pro — erste S2-Generation. Stabile hohe Qualität mit Emotion-Tag-Unterstützung.
  • s1 — vorheriges Flaggschiff. Zur Kompatibilität mit bestehenden Integrationen beibehalten.

Die Abrechnung erfolgt pro UTF-8-Byte des Eingabetextes (nicht pro Zeichen). CJK-Text und Emojis kosten das 3- bis 4-fache eines ASCII-Zeichens gleicher sichtbarer Länge. Aktuelle Listenpreise: s1 / s2-pro / s2.1-pro = 15 $ pro 1 Mio. Bytes, s2.1-pro-free = 0 $ nur während des Aktionszeitraums (das Tool estimate_cost() wechselt nach dem 31. August 2026 zum kostenpflichtigen s2.1-pro-Tarif). Überprüfe die aktuellen Preise unter https://docs.fish.audio/developer-guide/models-pricing/pricing-and-rate-limits vor großen Stapelverarbeitungen.

Inline-Emotion-Tags (nur S2-Modelle)

s2-pro / s2.1-pro / s2.1-pro-free interpretieren Inline-Emotion-Tags, die in den Text eingebettet sind:

  • Tags wie [laugh], [whispers] ändern die Sprechweise mitten im Satz.
  • Beispiel: "Das ist ja zum Lachen [laugh] aber lassen Sie mich das ernsthaft erklären."
  • s1 interpretiert Emotion-Tags nicht – sie können als Klartext vorgelesen werden. Entferne sie daher, wenn du s1 verwendest.

Stimmauswahl (reference_id)

  • Erstelle oder wähle eine Stimme im fish.audio Playground aus und kopiere dann ihre Modell-ID.
  • Übergib sie als reference_id. Der generische voice_id des Selektors wird als Alias akzeptiert, wenn reference_id fehlt.
  • Ohne eine reference_id verwendet fish.audio seine Standardstimme für das gewählte Modell.

Inline-Cloning on-the-fly (Hochladen von Referenzaudio + Text pro Anfrage) wird von diesem Tool nicht unterstützt – erstelle zuerst ein Sprachmodell im Playground.

OpenMontage Verwendung

Generiere mit dem TTS-Selektor:

from tools.audio.tts_selector import TTSSelector

result = TTSSelector().execute({
    "preferred_provider": "fish_audio",
    "text": "Hier ist, warum Zinseszins ruhig jeden Schnell-reich-werden-Plan schlägt.",
    "model": "s1",
    "reference_id": "<Playground-Sprachmodell-ID>",
    "output_path": "projects/mein-video/assets/audio/erzaehlung.mp3",
})

Oder rufe den Anbieter direkt auf:

from tools.audio.fish_audio_tts import FishAudioTTS

result = FishAudioTTS().execute({
    "text": "Kurze Beispielzeile zur Freigabe.",
    "model": "s1",
    "reference_id": "<Playground-Sprachmodell-ID>",
    "output_path": "projects/mein-video/assets/audio/fish_sample.mp3",
})

Der Anbieter schreibt das Audio in den output_path und gibt data.output sowie das aufgelöste model und reference_id zurück.

Qualitäts- & Latenzoptimierung

  • latency: normal (Standard, beste Qualität), balanced (etwas schneller) oder low (am schnellsten, geringer Qualitätsverlust).
  • normalize: Standard true; lasse es eingeschaltet, damit Zahlen, Daten und Währungen natürlich gelesen werden.
  • prosody: optional { "speed": 1.0, "volume": 0 }, um Tempo/Lautstärke anzupassen.
  • mp3_bitrate: 128 ist ein guter Standard; erhöhe auf 192 für Mischungen mit vielen Musikbetten.
  • temperature: Standard 0.7. Erhöhe auf 0.9 für ausdrucksstärkere Lesungen (empfohlen bei Verwendung von Emotion-Tags); niedriger für eine gleichmäßigere, vorhersehbarere Ausgabe.
  • top_p / repetition_penalty: normalerweise bei den Standardwerten (0.7 / 1.2) belassen.

Empfohlener Arbeitsablauf

  1. Generiere ein 10-15 Sekunden langes Sample mit dem gewählten model + reference_id, bevor du eine vollständige kostenpflichtige Erzählung erstellst.
  2. Frage den Benutzer nach Genehmigung von Stimmnatürlichkeit, Emotion und Tempo.
  3. Generiere die vollständige Erzählung erst nach Genehmigung.
  4. Für Stapel-/Lokalisierungsvarianten, bei denen die Kosten eine Rolle spielen, prototypisiere mit s2.1-pro-free (Aktionszeitraum 0 $; nur nicht-kommerzielle Entwürfe) und upgrade die finale Version auf s2.1-pro.

Fehlerbehebung

  • 401 Unauthorized: falscher oder fehlender FISH_AUDIO_API_KEY.
  • 402 / Zahlungsfehler: Kontoguthaben aufgebraucht.
  • 404 / Ungültige Stimme: Die reference_id ist falsch oder gehört nicht zu diesem Konto.
  • Leeres/zu kurzes Audio: Prüfe, dass text nicht leer ist und normalize nicht die gesamte Eingabe entfernt.

Sicherheit

Gib den API-Key niemals in Logs, Metadaten, Patches oder Projektartefakten aus oder schreibe ihn dort fest. .env.example sollte nur leere Variablennamen enthalten.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

Aseel1600/Edit01

Generate AI videos from text prompts using multiple provider gateways. Use when: (1) Generating videos from text descriptions, (2) Creating AI-generated video clips for content production, (3) Image-to-video generation with a reference image, (4) Choosing between video generation providers (VEO, Kling, Sora, Runway, Seedance, MiniMax, Gemini Omni). Supports gateways: HeyGen API, fal.ai API, Kling official direct API, and the Gemini API (Gemini Omni Flash).

Aseel1600/Edit01

Create AI avatar videos with precise control over avatars, voices, scripts, scenes, and backgrounds using HeyGen's v2 API. Use when: (1) Choosing a specific avatar and voice for a video, (2) Writing exact scripts for an avatar to speak, (3) Building multi-scene videos with different backgrounds per scene, (4) Creating transparent WebM videos for compositing, (5) Using talking photos as video presenters, (6) Integrating HeyGen avatars with Remotion, (7) Batch video generation with exact specs, (8) Brand-consistent production videos with precise control.

Aseel1600/Edit01

Use p5.js/canvas for local procedural character effects: particles, weather, squash/stretch, walk cycles, and environmental motion.

Aseel1600/Edit01

Review local character animation with schema checks, Playwright browser previews, frame sampling, and FFmpeg/ffprobe final output checks.

Aseel1600/Edit01

Create videos from a text prompt using HeyGen's Video Agent. Use when: (1) Creating a video from a description or idea, (2) Generating explainer, demo, or marketing videos from a prompt, (3) Making a video without specifying exact avatars, voices, or scenes, (4) Quick video prototyping or drafts, (5) One-shot prompt-to-video generation, (6) User says "make me a video" or "create a video about X".

Aseel1600/Edit01

Generate Mandarin and multilingual narration with Volcengine Doubao Speech 2.0. Use when creating Chinese voiceovers, when the user prefers Doubao/Volcengine/火山引擎/豆包 TTS, or when narration needs character-level timestamp metadata for subtitles.

Aseel1600/Edit01

Video and audio processing with FFmpeg. Use for format conversion, resizing, compression, audio extraction, and preparing assets for Remotion. Triggers include converting GIF to MP4, resizing video, extracting audio, compressing files, or any media transformation task.

Aseel1600/Edit01

Use when implementing Disney's 12 animation principles with Framer Motion in React applications

Aseel1600/Edit01

All animation knowledge for HyperFrames — atomic motion rules, multi-phase scene blueprints, scene transitions, broader motion-design techniques, AND the seven runtime adapters (GSAP default, plus Lottie, Three.js, Anime.js, CSS keyframes, Web Animations API, TypeGPU). Use for any motion or animation task: pick 2-4 rules and compose, or load a blueprint, or look up runtime-specific API (e.g. GSAP eases / Lottie player / Three.js mixer). HyperFrames-native: single paused timeline, seek-safe, deterministic.

Aseel1600/Edit01

HyperFrames CLI dev loop. Use when running npx hyperframes init, add, catalog, capture, lint, validate, inspect, layout, snapshot, preview, play, render, publish, lambda, doctor, browser, info, upgrade, skills, compositions, docs, benchmark, telemetry, transcribe, tts, or remove-background, or when troubleshooting the HyperFrames build/render environment. Entry point for AWS Lambda cloud rendering (`hyperframes lambda deploy / render / progress / destroy / policies`).

Aseel1600/Edit01

The HyperFrames composition contract — build one renderable project. Use for composition structure, the `data-*` timing attributes, `class="clip"`, tracks, sub-compositions, variables, framework-owned media playback, deterministic-render rules, and validation. Read before writing composition HTML.

Aseel1600/Edit01

Non-animation creative direction for HyperFrames videos. Use for design spec (frame.md / design.md) handling, palettes, typography, narration, beat planning, audio-reactive visuals, composition patterns, and brand / style decisions. For atomic motion patterns and scene blueprints, use `hyperframes-animation`.

Aseel1600/Edit01

Audio and media assets for HyperFrames compositions, produced by one shared audio engine (`scripts/audio.mjs`) — multi-provider TTS (HeyGen / ElevenLabs / Kokoro local), background music + sound effects (HeyGen audio-library retrieval by default, with local Lyria / MusicGen BGM generation and a bundled SFX library as the no-credential fallback), Whisper transcription, background removal, and caption authoring. Use for voiceover / TTS, BGM, SFX / sound effects, transcription, captions / subtitles / lyrics / karaoke / per-word styling, voice + provider selection, and music-mood prompting.

Aseel1600/Edit01

Install and wire registry blocks and components into HyperFrames compositions. Use when running hyperframes add, installing a block or component, wiring an installed item into index.html, or working with hyperframes.json. Covers the add command, install locations, block sub-composition wiring, component snippet merging, registry discovery, and authoring a new block or component to contribute upstream (idea → scaffold → validate → PR).

Aseel1600/Edit01

Use when the user wants a short, design-led motion graphic where motion is the message: kinetic typography, stat or number count-up, chart/data-viz hit, logo sting, brand lockup, lower-third, callout, social overlay, animated headline/tweet/news item, motion poster, or quick captured-page highlight. Usually under 10s and up to ~30s, with no narration arc, voice-over, or live-action subject. Can render to MP4 or transparent overlay. Not for longer, multi-scene, narrated, or brand-reel pieces (use general-video), narrated website videos (website-to-video), topic explainers (faceless-explainer), product promos (product-launch-video), PR videos (pr-to-video), or captions on existing footage (embedded-captions). When unsure whether it's a quick motion-first piece or a longer / narrated treatment, see /hyperframes.

Aseel1600/Edit01

Use when the user has a music track (an audio file, or a video to pull audio from) and wants a beat-synced HyperFrames video, calm to hard-hitting. The music drives everything: one analyzer reads it once, the orchestrator lays out the frames and fills a per-frame plan, and one sub-agent builds each frame. Typography and templates are the floor — a complete video needs zero assets — but any images or videos the user supplies are cut into the frames on the same beat grid (beat-cut / ken-burns). The genre (lyric video, slideshow, kinetic promo) falls out of the per-frame choices; the pipeline never branches on it.

Aseel1600/Edit01

Best practices for Remotion - Video creation in React

Aseel1600/Edit01

Toolkit-specific Remotion patterns — custom transitions, shared components, and project conventions. For core Remotion framework knowledge (hooks, animations, rendering, etc.), see the `remotion-official` skill.

Aseel1600/Edit01

Port an existing Remotion (React) composition to HyperFrames HTML. Use ONLY when the user explicitly asks to port/convert/migrate/translate a Remotion source. Do NOT use: (a) authoring a new HyperFrames composition; (b) Remotion mentioned in passing; (c) Remotion code shared as reference only; (d) "same video as my Remotion one" without explicit migrate request — treat as fresh build. Doubt → `/general-video`. One-way, Remotion-only: no reverse export (HyperFrames→Remotion or any framework), no non-Remotion source (After Effects, Framer Motion, plain React/CSS) → out of scope, re-create via `/general-video`. Flags unsupported patterns (useState, useEffect, async calculateMetadata, third-party React libs, `@remotion/lambda`) and recommends runtime interop over lossy translation. Unsure whether to port vs. build fresh, or only a passing Remotion mention? → /hyperframes.

Aseel1600/Edit01

Animate SVG character rigs with GSAP, CSS transforms, Remotion frame control, and HyperFrames-compatible browser previews.

Verwandte Skills