Communitygithub.com

Malik-rgb43/Bearbeitungs-Workflow

Hebräische Sprache transkribieren und eingebrannte hebräische Untertitel erstellen: ASR-Route je nach Hardware, Wortzeitstempel, Korrekturlesen, RTL- und gemischte englische/Zahlen-Zeilen, Schriftart für Untertitel, Ein- und Ausblendanimation, Safe Zone, Qualitätssicherung der Untertitel.

Was ist Bearbeitungs-Workflow?

Dieser Skill automatisiert die Transkription hebräischer Sprache und die Erstellung eingebrannter (burned-in) Untertitel. Er wählt die optimale automatische Spracherkennungs-Route (ASR) basierend auf der verfügbaren Hardware (CPU, AMD/NVIDIA GPU, Apple Silicon) und ermöglicht Korrekturlesen, um eine fehlerfreie Ausgabe zu gewährleisten. Die generierten Untertitelkarten unterstützen Rechts-nach-Links (RTL) Layouts, gemischte hebräisch-englische Zeilen sowie Ein- und Ausblendanimationen. Der Skill ist für Claude Code, Cursor und andere KI-Agenten konzipiert und führt Qualitätsprüfungen wie Wortüberlappungsanalysen und Safe-Zone-Kontrollen durch, bevor er die fertigen Untertitel ausgibt.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Malik-rgb43/editing-workflow/tree/HEAD/.agents/skills/hebrew-captions-asr

In Ihrer bevorzugten KI fragen

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

Dokumentation

hebrew-captions-asr

Hebräische Transkription und eingebrannte Untertitel: Wähle eine ASR-Route basierend auf dem Profil, erhalte Wortzeiten, korrigiere manuell, erstelle RTL-korrekte Untertitelkarten mit Ein- und Ausblendung und validiere sie mit caption_qa inklusive einer Coverage-Anweisung.

Regeln, die über den Rest priorisiert werden

  1. Erzwinge language="he". Die integrierte transcribe-Funktion von HyperFrames standardmäßig auf small.en (schlechtes Hebräisch) und init transkribiert automatisch damit: Verwende --skip-transcribe und die lokale ivrit-ai-Route.
  2. Führe niemals ein LLM über ein ganzes Transkript aus. Korrigiere bestimmte Wörter von Hand mit einem projektspezifischen Rechtschreibwörterbuch; entscheide bei mehrdeutigen Wörtern nach Mehrheit über mehrere Durchläufe und höre dann auf zu schwanken. Lieferstandard: null Rechtschreibfehler (Namen, Marken, Zitate); ein Hebräisch-Leser akzeptiert, ein Modell-Kritiker nominiert nur.
  3. Kein Cloud-ASR/TTS-Aufruf ohne datierten Kostenvoranschlag und Genehmigung (paid-generation-gate). Der Standard ist lokal und kostenlos; "lokal = 0 €" schließt Einrichtung, Bauzeit und Korrekturminuten aus.
  4. Kein dir="rtl" auf dem HyperFrames-Root. lang="he" auf <html>; direction: rtl nur bei Textelementen. Dies ist ein engine-/versionsspezifischer Workaround (ein Test mit 0.8.98 reproduzierte den schwarzen Render nicht, E12): Behalte die Regel, teste pro Version neu, lehre niemals "Root-RTL ist ungültiges HTML".
  5. Schriftarten aus Dateien (hf/fonts/ + @font-face); der HyperFrames-Browser findet installierte Schriftarten nicht namentlich und fällt stillschweigend zurück.
  6. Gemessene Zahlen sind maschinenabhängig. Gib die Geschwindigkeit als Audio-Sekunden pro Wand-Sekunde mit benanntem Timer-Bereich an; weise die Lernenden an, auf ihrer eigenen Hardware neu zu messen.
  7. Gesetz vs. Haus-Voreinstellung (Entscheidungsstandard Q5). Gesetze: Ausblendung sowie Einblendung, null Rechtschreibfehler, kein Root-RTL, der Look-alike-Test bevor ein Gesicht gesperrt wird, Rücktranskription nach einem Re-Cut. Haus-Voreinstellung v1 (überschreibbar): Rubik, 1-3-Wort-Karten, Schiene unten <= y 1450, die unten angegebenen Verweildauern.
  8. Whisper-Tools brechen bei nicht-ASCII-Dateipfaden (whisper-cli auf einem hebräischen Pfad): Verwende ein ASCII-Temp-Verzeichnis. Lange ASR-Läufe unter render_lock wie jeder schwere Job.

Eingaben -> Ausgaben

Eingabe: Audio oder Video, DESIGN.md/Marken-Typografie-Kit, der finale Schnitt, wenn Untertitel einem Edit folgen. Ausgabe (projektrelativ): data/words.json ([{"text","start","end"}] Sekunden), transcript.srt, transcript.txt, data/captions.json (Karten), die Untertitelkomponente in der Komposition, _work/qa/captions_report.json mit einer Coverage-Anweisung.

ASR-Route nach Profil (nur auf dem Rechner des Besitzers gemessen)

ProfilRouteBeweis und Grenze
Jede CPU (tragbare Basislinie)faster-whisper + ivrit turbo CT2, int8, 8 physische Kerne Threads731,4 s für 614,22 s Audio = 0,84 Audio-s pro Wand-s (E08)
AMD/Windows mit Vulkan-Treiberwhisper.cpp gebaut mit -DGGML_VULKAN=ON + das ivrit GGML-Modell105,6 s für dasselbe Audio = 5,82 Audio-s pro Wand-s; derselbe Build auf CPU 1.033,0 s (9,78x langsamer); RX 7600S benötigte GGML_VK_DISABLE_COOPMAT=1 (nur lokal: setze es nur, wenn der Lauf mit Exit 127 abstürzt)
NVIDIAfaster-whisper CUDA 12 / cuDNN 9 oder whisper.cpp CUDAnicht gemessen
Apple Siliconwhisper.cpp Metalnicht gemessen
Korpus: 68 FLEURS he_il Clips, 614,22 s vorgelesene Sprache, ein Durchlauf, inaktiver Rechner, gesamte Wrapper-Sekunden. WER auf diesem Korpus (NFC, Kleinbuchstaben, Satzzeichen -> Leerzeichen): whisper.cpp CPU 18,09 %, Vulkan 18,26 %, CT2 plain 17,74 %, CT2 + VAD 19,38 % (4-19 Wortbearbeitungen von 1.161: nahe Werte, aber keine Äquivalenz). Echte Dialoge, verrauschtes Telefon-Audio und manuelle Wortgrenzengenauigkeit wurden nicht gemessen. Vollständige Tabellen, Build-Rezept und Grenzen: references/asr-routes.md; datierte Fakten: references/volatile-facts.md.

Vorgehen

  1. Route. Untersuche den Rechner (doctor), wähle die obige Route, schreibe asr_route.json (Modellpfad/Revision/Hash, Gerät, Präzision, Threads, Backend-Log-Zeile). Gewichte sind festgepinnt, niemals "neueste".
  2. VAD-Entscheidung (optional pro Clip, Entscheidungsstandard Q8). Ohne VAD lieferte Whisper nicht-leeren hebräischen Text für 3 s digitale Stille und für 3 s niedrigen Rauschens (E02); der explizite Span-VAD-Lauf in E08 war langsamer und ungenauer als einfaches CT2 (225 vs. 206 Wortbearbeitungen). Also: A/B auf einer 60-s-Stichprobe DIESES Audios, behalte den niedrigeren WER, und führe immer die Stille-Kontrolle durch, wenn das Audio lange Nicht-Sprach-Phasen enthält.
  3. Transkribiere mit Wortzeitstempeln; konsumiere jedes Segment innerhalb der zeitlich begrenzten Region. Speichere words.json, .srt (--words-per-cue 3 Wort-Pop, 6 Satzmodus), .txt. Gesungenes oder Musikbett-Audio: ein "Lyrik-Durchlauf" ohne VAD mit den Konfidenzfiltern in references/asr-routes.md.
  4. Korrigiere den gesamten Text: Namen, Marken, Zahlen (Ziffern, keine Zahlwörter), das Rechtschreibwörterbuch, mehrdeutige Wörter per Mehrheit. Markiere Füllwörter („אה/אממ" fehlen normalerweise in Whisper-Ausgabe: finde stimmhafte Lücken) und lösche niemals Diskurswörter automatisch.
  5. Nach jedem Re-Cut ASR das VOLLSTÄNDIGe zusammengesetzte VO und vergleiche mit dem beabsichtigten Text (join_diff); isolierte Join-Ausschnitte sagten „sauber", während die vollständige Datei Rückstände hörte. Rücktranskribiere TTS-Ausgabe auf die gleiche Weise.
  6. Baue Karten (references/caption-timing.md): 1-3 Wörter, Schlüsselwörter in der Schlüsselwortfarbe, bidi-Isolate, Ein- + Ausblendung, 2-Frames-frühe Swaps, führe die Stimme um 0,08-0,1 s an, klemme Starts auf 0; Schriftart-Test pro references/hebrew-typography.md; Layout und bidi pro references/rtl-and-bidi.md.
  7. QA. scripts/caption_lint.py auf captions.json, caption_qa --band <oben>:1450 auf dem Render, hf_preflight, Schnappschüsse bei jedem Schlüsselwort-Frame (--describe false), frame_qa; schreibe die Coverage-Anweisung (dekodierte Frames der erwarteten, Band, angenommene fps, was NICHT geprüft wurde).

Gates

Zustände: pass | fail | blocked | n/a mit Begründung; ein Timeout, eine leere Kartenliste oder eine fehlende Datei ist blocked.

GatePrädikatBeweisWenn falschEigentümerErneut prüfen bei
G1 ASR-RouteRoute aus einer Fähigkeitsprüfung gewählt; Modell + Gewichte festgepinnt; language=he erzwungenasr_route.json (Pfad, Revision, Gerät, Präzision, Threads, Timer-Bereich)Fallback auf CPU CT2 int8dieser Skillneuer Rechner, Treiber, Modell
G2 VADVAD ein/aus entschieden durch A/B auf einer 60 s echten Stichprobe; die Stille-Kontrolle durchgeführt, wenn das Audio lange Nicht-Sprach-Phasen hatbeide WERs (scripts/wer.py) + Kontrollausgabe aufgezeichnetVAD ausschalten, wenn WER schlechter; Filter hinzufügen, wenn Halluzinationen auftretendieser Skillneuer Audiotyp
G3 Transkriptjeder Name/jede Marke/jede Zahl korrigiert; Rechtschreibwörterbuch angewendet; 0 Rechtschreibfehler von einem Hebräisch-Leser genehmigtgenehmigtes Transkript + Wörterbuch; wer.py gegen den korrigierten Text auf einer StichprobeWörter von Hand korrigieren; niemals ein LLM über den gesamten Textdieser Skill + Menschjede Textänderung
G4 Zusammengesetzter SchnittASR des VOLLSTÄNDIGEn zusammengesetzten VO stimmt mit den beabsichtigten Wörtern überein; kein zusätzliches Token; erste/letzte 2 Wörter jedes Satzes vorhandenjoin_diff JSONJoin korrigieren, neu schneiden, neu ASRedit-talking-head G2jeder Re-Cut
G5 RTL / bidikein Root dir=rtl; lang="he"; Latein, Ziffern, Währungen, URLs isoliert; keine bidi-Steuerzeichen; der letzte Frame betrachtetscripts/caption_lint.py bidi-Block + hf_preflight + betrachteter Frameden Span isolieren; Steuerzeichen entfernendieser Skilljede Untertiteltextänderung
G6 Look-alikes / Schriftartjedes Schlüsselwort in endgültiger Größe und bei 360x640 gerendert; ו/ז, ד/ר, ה/ח können nicht als ein anderes Wort gelesen werden; Schriftart aus einer Datei geladenMusterdatensatz in hf/QA.md (Schriftartdatei, Hash, Größe, Frame) + Schnappschuss, der keinen Fallback zeigtdie Schriftart für dieses Wort austauschen (Karantina "לבזבז" gelesen als "לבובו")dieser Skilljede Schriftart-, Größen- oder Schlüsselwortänderung
G7 Timing + AnimationWort >= 0,25 s, Karte >= 0,9 s, letztes Wort >= 0,25 s; Ausblendung vorhanden; Swap-Überlappung 1-2 Frames; kein negativer Startcaption_lint-Bericht + caption_qa + Frame-Prüfungneu takten; Ausblendung hinzufügendieser Skilljeder Re-Cut oder Retime
G8 Safe Zone + Kontrast + CoverageUntertitel unten <= y 1450 (Haus-Voreinstellung); Markenfarb-Schlüsselwort >= 4,5:1 auf dem Streifen; caption_qa gibt seine Coverage ancaption_qa-Bericht mit Coverage-Anweisung + Kontrastzahlenverschieben, Farbe ändern oder Hintergrund hinzufügendieser Skilljede Layoutänderung; neues Verhältnis

Haus-Voreinstellung v1 Zahlen (jede überschreibbar; Quellen in den Referenzen datiert)

Rubik: Black (900) Schlüsselwörter, Regular/600 kleine Wörter; 54-66 px bei 1080x1920 (E03 vorläufiger Standard; Alef 700 und Noto Sans Hebrew 600 gleichwertig; Karantina erzielte 1,8 vs. 4,2 in einer Einzelmodell-Statikprüfung, ohne menschliches Panel, ohne Telefon, ohne Animation). Wort-Pop 1-3 Wörter, 0,35-0,7 s pro Karte; Einblendung gespiegelt durch Ausblendung (blur-out-up, etwa 4 Frames, Anstieg 10 px, Unschärfe 6 px); Untertitelschiene y 900-1240 bei A-Roll, unten <= 1450; Schlüsseltext y <= 1248. Die 9:16-Plattformtabelle ist auf 2026-09 datiert und als Gesetz unbestätigt: Führe den Overlay-Test auf einem Telefon durch.

Referenzen (lade bei Bedarf)

  • references/asr-routes.md - Auswählen/Bauen einer ASR-Route, WER-Protokoll, VAD, Lyrik-Durchlauf, Cloud-Optionen (keine ausgeführt).
  • references/hebrew-typography.md - Auswählen einer Schriftart, der Look-alike-Test, E03-Tabelle, Lizenzen.
  • references/rtl-and-bidi.md - Gemischte Hebräisch/Englisch/Zahlen-Zeilen, HyperFrames und After Effects RTL-Fallen.
  • references/caption-timing.md - Modi, genaues Timing-Rezept, Safe Zones, Kontrast-Skript.
  • references/volatile-facts.md - Vor dem Zitieren von Geschwindigkeiten, WER, Pins, Lizenzen, Safe-Zone-Zahlen.
  • Skripte: scripts/caption_lint.py (Karten-Timing/bidi/Schienen-Lint), scripts/wer.py (WER/CER mit deklarierter Normalisierung); beide stdlib, --self-check; Skriptpfade sind relativ zum Ordner dieses Skills.
  • Repository-weite datierte Module (anderweitig verwaltet): agent-content/references/asr-routes.md, agent-content/references/hebrew-rtl-captions.md, agent-content/references/platform-specs.md, agent-content/techniques/caption-collision.md; lade sie, wenn du die datierten Tabellen oder die Box-Kollisionsmethode benötigst.
  • Geschwister: edit-talking-head, render-qa-deliver, video-analysis (Analyseberichte, keine Untertitel).

Beweisstatus

ASR aus Experimenten E02/E08 (Maschine des Besitzers); Schriftarten aus E03; Timing- und Ausblendungsregeln aus den Projekten des Besitzers. Keine menschliche Timing-Grundwahrheit, kein Cloud-ASR-Lauf, keine Modell-Lizenzklärung für ONNX-Konvertierungen. Spezifiziert; nur deterministische Prüfungen; Modell-Evaluierung nicht ausgeführt (Q4).

Individual skills in this repo

This repo contains 5 individual skills — each has its own dedicated page.

Malik-rgb43/editing-workflow

>- Script, edit or review a paid-social ad, sponsored post or brand promo for a business, product, app or store (Meta, Instagram, TikTok, 15-60 s): exact offer and CTA, ranked hooks, hook variants, end card, blocking compliance table, licence checks. Triggers: ad, promo, sponsored, campaign; מודעה, פרסומת, קמפיין, ממומן, פרומו, מבצע, הנחה, הוק. NOT for testimonials (edit-testimonial), organic expert reels (edit-talking-head), AI-only films (edit-ai-generated), ratio exports (multi-video-variants).

Malik-rgb43/editing-workflow

>- Design, build and review a motion-graphics piece in HyperFrames/GSAP: product or app launch, feature announcement, kinetic typography, logo reveal, UI explainer, animated screenshots. Triggers: מושן גרפיקס, אנימציה, השקה, טיפוגרפיה קינטית, לוגו אנימציה, "like a Higgsfield / Linear launch". Not for a speaker-to-camera reel (edit-talking-head), AI-generated shots (edit-ai-generated), caption-only work (hebrew-captions-asr) or ad compliance (edit-ad-promo).

Malik-rgb43/editing-workflow

>- Deliver one approved video as several outputs (other aspect ratios, hook variants, platform versions, no-music/no-captions versions) or run several videos in parallel, with one shared mix, strict naming and a manifest that blocks stale derivatives. Triggers: export as 9:16 and 1:1, hook variants, variants batch; גרסאות, וריאציות הוק, כמה סרטונים יחד, 9:16 ו-16:9. NOT for a single deliverable (render-qa-deliver) or designing the master (the type skill).

Malik-rgb43/editing-workflow

>- Turn a video the user sends or links (file, or YouTube/TikTok/Instagram URL) or a folder of clips into measurements (cuts, pacing, per-frame data), keyframe sheets, a Hebrew transcript and sound analysis (SFX, BPM, key, beats, song ID). Triggers: watch, analyse, break down, transcribe this video/reel/ad; תנתח, תעבור על, תמלל, מה קורה בסרטון, קאטים, BPM. NOT for cutting or rendering (type skills), applying a style (reference-style-transfer), or captions for a final render (hebrew-captions-asr).

Malik-rgb43/editing-workflow

Turn a new video idea, brief or list of specifics into a checkable Concept Ledger and ask questions until every parameter is precise, before any concept, prompt or build. Use at the start of any new video, with or without footage, or when the user pastes a concept with specifics. Hebrew - סרטון חדש, בריף, יש לי רעיון, קונספט, תכין לי סרטון, בוא נתחיל פרויקט. NOT for notes on an existing draft (revision-round), analysing a reference (video-analysis) or paid generation (paid-generation-gate).

Verwandte Skills