Was macht render-cartoon-music-video?
Erstelle aus einer Konfiguration ein animiertes Musikvideo-Werbeformat: eine animierte / illustrierte / handgefertigte Geschichte (Stop-Motion aus Filz und Schaumstoff, Knetanimation, 2D-Cartoon, Cut-Out), in der ein gesungener Song das gesamte Skript ist und eine einzige wiederkehrende animierte Figur jede Einstellung trägt – geschnitten auf den Takt mit der Höhepunktszeile auf dem Drop. Diese Fähigkeit ist die KOSTENLOSE, deterministische Montage – Takt-Schnitt, Hard-Concat, Logo-Bug + Untertitel-Einblendung und die einfarbige Endcard.
scripts/config.example.json enthält das ausgearbeitete Beispiel (Coinbase „Bet on anything“, ~55 s 1080×1920 9:16, 16 Körper-Takte + eine 3 s Endcard – deren Filz-Look, Figur, Geschichte und Song sind die Wahl des Demos, niemals Voreinstellungen); scripts/PIPELINE.md ordnet jeden Konfigurationsblock seinem Quellschritt zu und scripts/README.md dokumentiert die kostenlose Montage.
Entscheidungen
Die kreativen Entscheidungen liegen beim Aufrufer (das Videoformat-Rezept fragt den Benutzer); diese Montage trifft sie nie. Der Wert des Demos ist lediglich ein Beispiel:
- Kunststil / Look-Paket (Filz-Stop-Motion, Knetanimation, 2D-Cartoon, Cut-Out…) – Demo: Filz-und-Schaumstoff-Diorama.
- Figur – DIE eine wiederkehrende animierte Figur – Demo: eine geschlechtsneutrale Filzfigur in einem markenblauen Trikot.
- Handlungsbogen – Demo: Außenseiter-Lohn.
- Song-Stil + Hauptgesang – Demo: Hype-Dance-Pop / EDM-Trap, männlicher halb gerappter Lead.
Ausführung
Dies ist die KOSTENLOSE, deterministische Montagephase – sie kostet nichts. Die kostenpflichtigen Eingaben sind separate Fähigkeiten: der gesungene Song (create-music-elevenlabs oder eine vom Benutzer bereitgestellte mp3 + Whisper-Wort-Zeitstempel), beat-getrackt mit librosa, sodass das BAR-GITTER die Zeitachse setzt; eine festgelegte wiederkehrende Figur + ein Keyframe pro Takt in einem Look-Paket (create-image-fal, Nano Banana); und ein Seedance i2v-Clip pro Takt (create-video-fal). Mit dem Song + word-timestamps.json + bars.json + einem Clip pro Takt + dem Marken-Wortmarken-SVG schneidet render-cartoon-music-video jeden Clip auf sein Takt-Fenster zu, concataniert hart auf dem Takt, brennt den Logo-Bug + Untertitel ein, hängt die einfarbige Endcard an und muxed den Song darunter → das Master. Nachschnitte verwenden den vorhandenen Song / die Keyframes / Clips und kosten $0.
Vertrag (die kostenlose Montage)
- Der gesungene Song trägt die Erzählung – kein separater Voice-Over. Die generierte/bereitgestellte Spur IST das Bett (kein VO, das darunter gemischt werden muss); füge keinen gesprochenen Voice-Over oder ein zweites Bett hinzu.
- Plane die Zeitachse UM das gelieferte BAR-GITTER des Songs herum. Beat-Tracke den Song mit librosa (gehe von 4/4 aus); ein Takt = eine Einstellung (Standard). Raste jedes Tableau-Fenster an den Taktgrenzen ein – schneide den Song niemals auf ein vorab geplantes Gitter zu.
- Untertitel aus den Wort-Zeitstempeln des Songs, neu buchstabiert gegen den gesperrten Liedtext. Whisper hört schreiende Akzente falsch („BETS“ → „Hearts“); buchstabiere die zeitgestempelten Token gegen die gesperrte Liedtext-Datei neu (bearbeite niemals den Liedtext, um Whisper zu entsprechen). VEED-Whisper weißes fettgedrucktes Sans im unteren Drittel (Alignment 2,
margin_vüber dem unten links platzierten Logo-Bug), ~4–5 Wörter pro Hinweis, KEINE Hintergrund-Pille; Untertitel HÖREN an der Endcard-Grenze auf. Niemals mittendrin – es bedeckt die Figur (festgelegt 2026-07). Wenn dem Host-ffmpeg libass fehlt, rendere die Hinweise als zeitgesteuerte PIL-PNG-Overlays (ffmpegoverlay=…:enable='between(t,st,en)') an derselben unteren Position. - Setze die Höhepunktszeile auf den Drop. Das Höhepunkt-Tableau wird so getimt, dass die Lohnzeile auf dem Sub-Bass-Drop sitzt; betone diese Zeile.
- Persistenter Logo-Bug, unterdrückt auf der Endcard. Brenne ein weißes Marken-Wortmarke unten links über die Körper-Takte (cairosvg → PIL aus dem echten SVG), unterdrückt auf der Endcard, wo die große Wortmarke dominiert.
- Endcard via cairosvg + PIL aus der echten Wortmarke – niemals KI-rendere Markentext. Einfarbige Markenfarbe-Karte + weiße Wortmarke + Untertitel, etwa 3 s haltend MIT dem Song, der noch darunter läuft (afade-out über den Ausklang – kein stummer Ausklang). Ein Diffusionsmodell verunstaltet eine Wortmarke.
- FFmpeg-Komposit, deterministisch, KOSTENLOS. Schneide jeden Clip auf sein Takt-Fenster zu, hard-concatane, brenne den Logo-Bug + Untertitel ein, hänge die Endcard an, muxed den Song über das gesamte Video mit einem 0,5 s afade-Ausklang,
loudnorm I=-14→ ein 1080×1920 h264+aac Master. Keine kostenpflichtigen Aufrufe, keine Schlüssel. Wenn dem Host-ffmpeg libass/drawtext fehlt, sind sowohl die Untertitel als auch der Logo-Bug zeitgesteuerte PIL-PNG-Overlays (overlay=x:y:enable='between(t,st,en)'), kein ASS-Brand. - QC PRO SZENE, niemals nur das Master – die beiden Fehlermodi sind Inhalt, nicht Montage. Die vorgelagerten Keyframe/i2v-Schritte können (a) die Figur aus ihrem Look treiben lassen (Filz → glatt-3D „Mann“ im Demo) teilweise durch (weg vom gewählten Look – im Filz-Demo: Filz → glatt-3D) und (b) Hände halluzinieren – realistische Finger in einer Hand-Makroaufnahme, ein zeigender Finger bei einer „tippe auf das Telefon“-Einstellung oder eine körperlose Hand, die vom Bildrand hereingleitet. Beide verstecken sich in der Daumengröße. Extrahiere ein 2 fps Kontaktblatt + einen GESICHTS-Ausschnitt pro Takt und einen HAND-Ausschnitt pro Takt (über die gesamte Dauer jedes Clips), bestätige, dass jeder Takt den EINEN gewählten Look (im Demo: mattes Filz) mit der EINEN Figur und keine menschlichen/schwebenden Hände enthält, und überprüfe die ausgelieferten Bytes nach der Veröffentlichung erneut. Ein abgedrifteter Takt bedeutet, dass der KEYFRAME dieses Takts neu generiert werden muss (nicht neu schneiden) – siehe Rezept SCHRITT 3/6.