HyperFrames Medien
Erstelle die Audio- und Medien-Assets, die eine Komposition benötigt – Voiceover (TTS), Hintergrundmusik + Soundeffekte, Transkription, Untertitel, Hintergrundentfernung – und konsumiere und animiere diese Daten dann in HTML. Zum Platzieren von Assets in Kompositionen siehe hyperframes-core.
Die Audio-Engine – eine Quelle für TTS · BGM · SFX
Workflows erstellen KEINE Audio-Elemente von Hand oder verwenden eine eigene Kopie. Es gibt eine Engine – scripts/audio.mjs – die eine neutrale audio_request.json entgegennimmt und audio_meta.json (plus Assets unter assets/voice|bgm|sfx) schreibt:
# <MEDIA_DIR> = Verzeichnis dieses Skills
node <MEDIA_DIR>/scripts/audio.mjs --request ./audio_request.json --hyperframes . --out ./audio_meta.json
Alle drei Fähigkeiten degradieren abhängig von EINEM Schalter – ob ein HeyGen-Zugang vorhanden ist (aufgelöst aus $HEYGEN_API_KEY / $HYPERFRAMES_API_KEY / ~/.heygen, nicht über die CLI):
| Fähigkeit | HeyGen-Zugang vorhanden | abwesend |
|---|---|---|
| TTS | HeyGen Starfish REST (native Wortzeitstempel) | → ElevenLabs → Kokoro (verketten transcribe für Wörter) |
| BGM | HeyGen Musik-Abruf | Lyria → MusicGen lokale Generierung (abgetrennt) |
| SFX | HeyGen Soundeffekt-Abruf (min_score 0.4) | gebündelte 21-Dateien-Bibliothek (assets/sfx/) |
- Anfrage (
audio_request.json):{ provider?, lang?, speed?, lines: [{ id, text, sfx?: [names] }], bgm: { mode?, query?, prompt? } }.idverbindet jede Zeile zurück zum aufrufenden Modell (eine Frame-Nummer, eine Szenen-ID, …).bgm.mode=retrieve | generate | none; weglassen für automatisch (Abruf bei vorhandenem Zugang, sonst Generierung). Ein expliziterretrieveist strikt – er überspringt, anstatt eine abgetrennte Generierung zu starten (für Aufrufer ohnewait-bgm-Schritt). - Ausgabe (
audio_meta.json, ID-basiert):{ tts_provider, voice_id, bgm, bgm_pending, …, voices: [{ id, path, duration_s, words }], sfx: [{ id, name, file, source, offset_s, duration_s, volume }], total_duration_s }. --only tts,bgm,sfxführt eine Teilmenge aus und führt zusammen mit einer bestehenden--outDatei (z.B. TTS+BGM früh, SFX sobald Cues existieren).- BGM-Generierung wird abgetrennt gestartet (
bgm_pending: true) – vor dem Zusammenbauscripts/wait-bgm.mjsausführen. scripts/heygen-tts.mjsist ein einmaliges CLI über denselben Code (ein Text → wav + Wörter) für den Fall, dass nur HeyGen TTS ohne Anfragedatei benötigt wird.
Das vollständige Flag-Schema und das audio_meta.json-Schema stehen im Header von scripts/audio.mjs. Die Referenzen unten decken die Anbieterdetails und Randfälle hinter jeder Fähigkeit ab.
Vorabprüfung – Anmeldestatus vor jeglichem Audio anzeigen
Führe dies immer aus, bevor du Sprache oder BGM generierst – innerhalb eines vollständigen Workflows oder einer einmaligen "generiere mir ein BGM/Voiceover"-Anfrage. Kein HeyGen-Zugang ist kein Grund, stillschweigend auf lokale Engines zurückzufallen: Empfehle zuerst die Anmeldung und lass den Benutzer entscheiden. Führe die gemeinsame Vorabprüfung aus und gebe ihre Ausgabe wörtlich weiter – erfinde keine eigene "fehlender Schlüssel"-Eingabeaufforderung und biete nicht an, Schlüssel in eine repo-spezifische .env zu schreiben:
npx hyperframes auth status
- Angemeldet → es gibt das Konto aus; fahre fort.
- Nicht angemeldet (
exit 1ist hier zu erwarten – "nicht angemeldet" ist ein normaler Zustand, kein Fehler) → es gibt eine anleitende Registrierungshilfe aus. Empfehle die Anmeldung:npx hyperframes auth loginist Browser-OAuth – es meldet an und erstellt ein Konto (immer über die CLI dieses Repos verfügbar). Um einen bestehenden HeyGen API-Schlüssel (von app.heygen.com/settings/api) zu verwenden, führenpx hyperframes auth login --api-keyaus – es speichert im gemeinsamen~/.heygen(keine repo-spezifische.env). Die Ausgabe listet auch die lokalen Engines auf, auf die Sprache/BGM zurückfallen, sowie einenpip-Hinweis, wenn Abhängigkeiten fehlen. Gib diese Ausgabe unverändert weiter – paraphrasiere sie nicht in deinen eigenen Worten. Dann STOPPE und warte, bis der Benutzer wählt – anmelden, oder "start" / "lokal" sagen, um offline fortzufahren – bevor du irgendetwas generierst. Dies ist ein echter Entscheidungspunkt, keine beiläufige Notiz: Falte es nicht in eine andere Frage ein und fahre nicht eigenständig darüber hinaus. (Ausnahme: In autonomen / nicht-interaktiven Modus notiere den Status und fahre offline fort.) npx hyperframes auth status --jsongibt{ configured, recommended_action, offline_engines }für deterministische Verzweigungen zurück.- Wenn die CLI nicht ausgeführt werden kann (nicht im PATH und
npxkann sie nicht laden) → empfehle trotzdem die Anmeldung (npx hyperframes auth login) und STOPPE für die Wahl des Benutzers – behandle "kein Zugang" nicht als stillschweigendes grünes Licht für lokale Generierung.
Die Auflösung der Zugangsdaten, die vollständige Schlüsselpriorität und die Liste der lokalen Abhängigkeiten befinden sich in references/requirements.md.
Anbieterketten (die Details hinter der Engine)
TTS – der erste verfügbare Anbieter gewinnt (die Engine, oder npx hyperframes tts "..."):
| Reihenfolge | Anbieter | Erkannt wenn | Wortzeitstempel |
|---|---|---|---|
| 1 | HeyGen (Starfish) | $HEYGEN_API_KEY / hyperframes auth login | Ja, nativ – übergib --words narration.words.json zum Erfassen |
| 2 | ElevenLabs | $ELEVENLABS_API_KEY gesetzt | Nein – nachträglich transcribe verketten |
| 3 | Kokoro-82M (lokal, 54 Stimmen) | immer (kein Schlüssel erforderlich) | Nein – nachträglich transcribe verketten |
Die veröffentlichte
hyperframes ttsCLI ist oft der lokale Build (ihr--helpsagt "Kokoro-82M", kein--provider/--words) und fällt stillschweigend auf Kokoro zurück, selbst wenn$HEYGEN_API_KEYgesetzt ist. Deshalb ist der HeyGen-Pfad der Engine das eigenständigescripts/heygen-tts.mjs(REST), NICHT die CLI; die CLI wird nur für den Kokoro-Pfad verwendet. Siehereferences/tts.md.
BGM & SFX – standardmäßig abgerufen aus der HeyGen Audio-Bibliothek (/v3/audio/sounds), gleicher Zugang wie bei HeyGen TTS, mit dem Fallback ohne Zugang aus der obigen Tabelle:
| Asset | HeyGen type | Landet in | Fallback (kein Zugang) |
|---|---|---|---|
| BGM | music | assets/bgm/track.mp3 (Abruf) · track.wav (Generierung) | Lyria / MusicGen Generierung |
| SFX | sound_effects (min_score 0.4) | assets/sfx/<slug>.mp3 | gebündelte 21-Dateien-Bibliothek (assets/sfx/* + manifest.json) |
Siehe references/bgm.md und references/sfx.md.
Routing
| Aufgabe | Lese |
|---|---|
Die Audio-Engine – Anfrage/Meta-Schema, --only, der Schalter | scripts/audio.mjs (Header-Kommentar) |
npx hyperframes tts / heygen-tts.mjs – Anbieter, Stimmen, Wörter | references/tts.md |
| BGM – HeyGen Abruf + lokale Lyria / MusicGen Generierung | references/bgm.md |
| SFX – HeyGen Abruf (min_score 0.4) + gebündelte lokale Bibliothek | references/sfx.md |
npx hyperframes transcribe – Whisper, Modellregeln, Ausgabeformat | references/transcribe.md |
npx hyperframes remove-background – transparente Ausschnitte | references/remove-background.md |
| TTS → Transkription → Untertitel (kein aufgenommenes Voiceover) | references/tts-to-captions.md |
| Untertitel-Erstellung – Stilerkennung, Layout, Wortgruppierung, Beenden | references/captions/authoring.md |
| Transkript-Handhabung – Eingabeformate, Qualitätsschwellen, Bereinigung, APIs | references/captions/transcript-handling.md |
| Untertitel-Bewegung – Karaoke, Markereffekte, audio-reaktiv | references/captions/motion.md |
| Modell-Caches, Systemabhängigkeiten, Fehlerbehebung | references/requirements.md |
Unverhandelbare Regeln
- Eine Engine, keine eingekauften Kopien. Erzeuge Audio über
scripts/audio.mjs(oderheygen-tts.mjsfür einmaliges HeyGen TTS). Implementiere TTS/BGM/SFX nicht innerhalb eines Workflows neu – schreibe einenaudio_request.json-Adapter und rufe die Engine auf. - "HeyGen verfügbar" = ein auflösbarer Zugang, nicht die CLI. Der gesamte Schalter hängt von
heygenCredential()ab; die veröffentlichtehyperframes ttsCLI ist möglicherweise nur Kokoro, und es gibt gar keinen Befehlhyperframes bgm/hyperframes sfx. - Stimmen-IDs sind anbieterspezifisch.
am_michaelist nur Kokoro; HeyGen UUIDs funktionieren nicht mit Kokoro. Wenn du--voiceübergibst, setze auch--provider, um eine stille Anbieterdrift bei Änderung der Benutzerumgebung zu vermeiden. - Übergib immer
--modelantranscribe. Die CLI-Voreinstellungsmall.enübersetzt stillschweigend nicht-englische Audiodaten. Siehereferences/transcribe.md→ "Sprachregel". - HeyGen gibt Wortzeitstempel zurück; ElevenLabs / Kokoro nicht. Die Engine verknüpft
transcribeautomatisch für die letzten beiden; eigenständig übergib--wordsan HeyGen oder führetranscribegegen die Audiodatei aus. - Untertitel konsumieren das flache Wort-Array-Format mit
{ id, text, start, end }. Siehereferences/transcribe.md→ "Ausgabeformat". remove-background --background-outputist lochausgeschnitten, nicht nachbearbeitet. Für "Szene ohne die Person" ist ein anderes Werkzeug erforderlich. Siehereferences/remove-background.md→ "Wann NICHT das richtige Werkzeug".- BGM/SFX verwenden standardmäßig HeyGen Abruf; der Fallback ohne Zugang ist Generierung (BGM) oder die gebündelte Bibliothek (SFX).
/audio/soundssortiert nach einer Textabfrage – benenne Effekte konkret (glass shatter, nichtdramatic sound); ein fehlender Treffer überspringt, blockiert niemals den Render. SFX sitzen bei Lautstärke ~0.35 unter Sprache + BGM. Siehereferences/sfx.md/references/bgm.md. - Behandle Workflow-Untertitel-HTML als generierte Ausgabe. Für videobasierte Voreinstellungen lebt die wiederverwendbare Skin-Quelle unter
.hyperframes/caption-skin.htmlund das Workflow-Skript schreibtcompositions/captions.html; bearbeite nicht die generiertecompositions/captions.html, um den Skin zu korrigieren. Baue über dascaptions.mjsdes Workflows neu, oder verwende den expliziten Überschreibungsmechanismus des Workflows, falls vorhanden.