Communitygithub.com

jiawood2006/hermes-skills

KI-gestützte E-Commerce-Videoanzeigen-Pipeline: Ein Befehl erstellt Produkt-Verkaufsvideos (Produktsperre, Multi-Engine-Auswahl, offizielle Pixel-Produkteinblendungen, automatische Montage).

Was ist hermes-skills?

Dieses Skill automatisiert die gesamte Produktion von Produkt-Verkaufsvideos für E-Commerce. Es kombiniert KI-Videogenerierung (z.B. Wan-Modelle) mit offiziellen Produktbildern, um hochrealistische, verkaufsstarke Clips zu erstellen. Der Benutzer kann einen vollständigen Workflow mit nur einem Befehl starten, von der Planung über die Generierung, Überprüfung bis zur endgültigen Auslieferung auf den Desktop. Das Skill bietet mehrere Pfade für unterschiedliche Anforderungen: den primären Pfad "Produktsperre + Wan3.0" für die beste Produktdarstellung, einen "Offizielle Pixel-Produkteinblendung"-Pfad für 100% originalgetreue Produktaufnahmen (ohne KI-Kosten) und einen Backup-Pfad für reine Live-Action-Szenen. Es enthält eine umfangreiche Skriptsammlung für Aufgaben wie Gesichtssynchronisation, Produktmaßprüfung, Konsistenzchecks, Audio-Postproduktion und Montage. Das Skill ist besonders nützlich für Vermarkter und Content-Ersteller, die schnell konsistente, qualitativ hochwertige Videoanzeigen mit echten Produkten benötigen, ohne manuelle Bearbeitung oder zeitaufwändige Iterationen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/jiawood2006/hermes-skills/tree/HEAD/skills/ai-video-ad-production

In Ihrer bevorzugten KI fragen

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

Dokumentation


name: ai-video-ad-production description: KI-gestützte E-Commerce-Videoanzeigen-Pipeline: Ein Befehl erstellt Produkt-Verkaufsvideos (Produktsperre, Multi-Engine-Auswahl, offizielle Pixel-Produkteinblendungen, automatische Montage). category: ecommerce

KI-generierte Verkaufsvideos (Reale Szenen / Sprachbeiträge)

Wann verwenden

Wenn der Benutzer "Kurzvideos / Verkaufsclips / Sprachclips / Muster-Standards" wünscht oder sich darüber beschwert, dass frühere Ergebnisse "nicht realistisch aussehen, wie eine Bildcollage" wirken. Zuerst eine Pfadentscheidung treffen (siehe unten), nicht einfach Material zusammenkleben und als Lieferung ausgeben.

🚀 Wie ausführen (Ab 2026-09-18: Ein Befehl erstellt das Video)

Hauptskript = scripts/make_ad.py – fasst die früheren 6 manuellen Skripte aus /tmp in einem Befehl zusammen. Alle weiteren Teil-Skripte werden bei Bedarf von diesem aufgerufen.

S=~/.hermes/skills/ecommerce/ai-video-ad-production

# ① Zuerst Prompt ansehen (kostenlos, nichts absenden; Produktsperre + Storyboard bestätigen, bevor Geld ausgegeben wird)
python3 $S/scripts/make_ad.py $S/templates/ad_project.hsq1.json --steps plan

# ② Vollautomatischer Rundumschlag: Absenden → Abfragen → Herunterladen → Frame-Überprüfung → Montage 30s/15s → Auslieferung auf Desktop
python3 $S/scripts/make_ad.py $S/templates/ad_project.hsq1.json --steps all

# ③ Segmente bereits heruntergeladen, nur Postproduktion neu ausführen (Untertitel ändern/Sprache ersetzen/15s neu schneiden – kostet kein Geld, am häufigsten verwendet)
python3 $S/scripts/make_ad.py <projekt.json> --steps assemble,deliver

# ④ Nur bestimmte Segmente verarbeiten / temporär runid, Auflösung ändern
python3 $S/scripts/make_ad.py <projekt.json> --steps fetch,verify --seg 3 --runid v24 --res 720P

Jeder Schritt prüft Exit-Code + Existenz/Größe des Ergebnisses. Wenn nicht bestanden, wird der Fehlertext original ausgegeben und aufgelistet, es wird nicht still weitergemacht.

Projektkonfiguration (templates/ad_project.hsq1.json ist ein direkt ausführbares Beispiel; Änderungen erzeugen neue Videos):

FeldBeschreibung
modelEngine (Für Produktaufnahmen wan3.0-video; Standard wan2.7-r2v nur für reine Personenszenen)
productSchlüssel, der auf die Produktdatei product_profiles.json verweist – Bild- und Videogenerierung teilen sich dieselbe Datei
refsReihenfolge der Referenzbilder = Bild 1..Bild N, muss eins zu eins mit der Bildnummernbeschreibung in der Produktsperrenvorlage übereinstimmen; lokale Bilder werden automatisch per scp auf eine öffentliche URL hochgeladen
segmentsText für jedes Segment-Storyboard (Nur beschreiben, "was gefilmt wird"; die Produktsperre wird automatisch von make_ad vorangestellt)
assembly.voVoice-Over (edge-tts); Ziel = Untertitel-start, von Natur aus synchron
assembly.subs/chips/spec/complianceUntertitel / Textüberlagerungen / Parameterleisten / KI-Generierungs-Kennzeichnung
assembly.cut1515s-Version: Welche Segmente nehmen, wo im Voice-Over schneiden, neue Zeitfenster für jedes Overlay auf der 15s-Achse
deliverAuslieferungsverzeichnis + Dateiname (Standard: ~/Desktop/电商素材/<Produkt>/Video/)

Produktsperre (wird von allen Produkten gemeinsam genutzt, nicht neu erstellen): templates/product_lock_head.txt + das Feld video_lock in der Produktdatei. "Anteil ≤ 1/6 der Bildhöhe, Düsendurchmesser als Lineal für 1,9-fache Berechnung, untere Endfläche ist ein flacher Kreis, Linie entlang der Achse einfädeln, niemals direkt in die Kamera schauen…" Diese sorgfältig erarbeiteten Formulierungen sind dort – im Storyboard nicht wiederholen, auch keine neue Vorlage manuell schreiben.

Praktischer Beweis (2026-09-18): Das mit ad_project.hsq1.json und --steps assemble,deliver reproduzierte Endergebnis stimmt md5-mäßig exakt mit der manuell erstellten Version vom 2026-09-17 überein (30s 86f3da96…, 15s 0b67686b…); --steps plan,submit,fetch,verify als Einzelsegment-Smoke-Test erfolgreich durchlaufen (Absenden → Abfragen → Herunterladen → Frame-Überprüfung).

Teileliste (26 Skripte in scripts/, nach Verwendungszweck gruppiert)

SchrittSkriptVerwendung
Hauptskriptmake_ad.pyEin Befehl erstellt das Video (plan / submit / fetch / verify / assemble / deliver)
Generierungvideoretalk_submit.py / probe_model_availability.py / compare_video_models.pyLippen-Sync-Absenden / Modellverfügbarkeitsprüfung (Absenden erfolgreich ≠ einsatzbereit) / Modellvergleich für gleiche Aufgabe
Überprüfung·Produktproduct_fidelity_zoom.py / scale_consistency_check.py / scale_panel_check.py / measure_product_truth.py / check_reference_image.py / locate_reported_frame.py / audit_shots.py2-fache Produktvergrößerung / Größenkonsistenz über Aufnahmen / Rasterüberprüfung von Wahrheit + Ergebnis / Echtes Produktseitenverhältnis / Referenzbild-Check / Screenshot des Benutzers auf Zeitcode zurückführen / Aufnahmen-Audit
Überprüfung·Tonstt_dialogue_check.py / voice_consistency_check.py / voice_timbre_similarity.py / tts_fit.pySTT-Rückverfolgung des Dialogs (Quelle der Untertitel-Zeitpunkte) / Stimmwechsel-Erkennung / Timbre-Ähnlichkeitsprüfung / TTS-Geschwindigkeitsanpassung an Aufnahmen
Überprüfung·Bildverify_motion.pyBewegungserkennung – Feststellen, ob das Ergebnis ein "Standbild-Collage" ist
Postproduktionassemble_r2v_overlays.py / build_vo30.py / overlay_anim.py / replace_segment_audio.py / gen_ass.pyMontage (unterstützt vo gesamtes Voice-Over) / Voice-Over-Spur / Textanimations-Overlays / Segment-Audio ersetzen / ASS-Textüberlagerungen
Null-Verzerrungs-Pfadbuild_official_product_insert.py / compose_official_material_ad.py / cutout_product.py / make_comp_cards.pyOffizielle Pixel-Produkteinblendung (bevorzugt für Produktaufnahmen, 0 Kosten) / Animation offizieller Materialien / Offizielles Bild transparent ausschneiden / Vergleichskarten
Personengen_character_candidates.pyGenerierung männlicher Hauptdarsteller-Kandidaten (erstellt auf einmal 3-4 Collagen zur Auswahl für den Benutzer)

Pfadentscheidung (Am wichtigsten · Schmerzhafte Lektionen; neu geschrieben 2026-09-19)

PfadErgebnisWann verwenden
① Produktsperre + wan3.0-video ✅ Aktueller HauptpfadGleicher Prompt, gleiche 5 Referenzbilder: Produkt auf Anhieb richtig, kein Detailverlust im ganzen Segment; realistischer Alltagskontext. Referenzbilder = Naheinstellung Klingenkopf/ganze Person vorne/wahre Hand Proportionen/untere Endfläche/männlicher HauptdarstellerDie meisten Verkaufsclips (mit offiziellen Produktbildern, Anforderung "Produkt soll wie echt aussehen")
② Offizielle Pixel-Produkteinblendung (0 API-Kosten) ✅ Ultimative Lösung für ProdukttreueProdukt 100% gleich dem echten Gerät (offizielle Pixel, nicht KI-generiert)Wenn KI das Produkt immer falsch darstellt; oder das Produkt im Clip sofort erkennbar sein soll
③ Text-zu-Video (wan2.6-t2v, Dialog via input.audio_url)Echte Person + Szene + chinesischer Lippen-Sync, aber das Produkt verändert sich etwas pro SegmentKeine offiziellen Materialien oder reine Personenhandlung
④ Material-Collage (clipforge / MoneyPrinterTurbo)❌ Benutzerurteil = "Bildcollage, fehlende Realitätsnähe, großer Unterschied zum Muster"Nur als Rohskizze, darf nicht als Lieferung verwendet werden
⑤ Digitaler Double-Lippen-Sync (wan2.2-s2v / EMO / videoretalk)Einzelner Sprachbeitrag, schwache UmgebungsrealitätNur reiner Sprachbeitrag

Empfohlene Kombination: Personen-/Alltagsszenen → ①; Produktauftritt/Nahaufnahme → ②. Endstruktur = „Haken 5s (KI) + Offizielles echtes Produkt 3s (echte Pixel) + Hauptteil 7s (KI)" = 15s; Skript scripts/build_official_product_insert.py (offizielles Bild zuschneiden, 3s vertikales Produktaufnahme-Bild komponieren, Untertitel/Textüberlagerungen +3s).

Eiserne Regeln:

  • ❌ wan2.7-r2v für Produktaufnahmen ist ausgemustert (Produkt klein/schwer erkennbar/wird leicht silbrig-weiß = Grundursache für wiederholte Nacharbeiten), nur für Personen-Szenen behalten
  • Generierung immer in 720P (native 1080P-Generierung = erneutes Sampling, kein Upgrade; getestet: Produkt verformt sich/verliert Details/wird nicht schärfer) → Endvideo wird bei Montage auf 1080 hochskaliert
  • wan3.0-video verwendet Referenzbild 1 als erstes Frame der Szene (Eröffnung kontrollieren, indem Bild 1 getauscht wird)
  • Wenn der Benutzer ein "Muster-Standard" aus einer echten Personen-Dialogsituation zeigt, nicht behaupten "das kann nur live gefilmt werden" (Benutzer hat explizit korrigiert: Sein Muster wurde selbst mit KI erstellt)
  • Material-Collage (④) wird niemals die Realitätsnähe von ① erreichen, nicht als KI-Video-Lieferung ausgeben; direkt ①/② verwenden, mit den eigenen Texten und Voice-Over des Benutzers

Backup-Route-Rezept: wan2.6-t2v (Echte Personen-Szenen · Produkt ändert sich)

Vollständige Parameter, JSON, Abrechnung, Voice-Over-Hosting, Überprüfungsbefehle siehe references/scene-drama-and-candid-style.md.

Kurzbeschreibung:

  • POST https://dashscope.aliyuncs.com/api/v1/services/aigc/video-generation/video-synthesis model=wan2.6-t2v, Header X-DashScope-Async: enable
  • parameters: size:"720*1280"(9:16) oder "1080*1920"、duration:5|10、shot_type:"multi"、prompt_extend:true
  • input.audio_url: Unser selbst geschriebenes Dialog-Voice-Over (3~30s mp3/wav öffentliche URL) → Modell macht Lippen-Sync dazu; wenn nicht gesendet, erzeugt Modell automatisch Soundeffekte und schreibt eigenen Dialog (unkontrollierbar, Verkaufsargumente können abweichen)
  • Preis: 720P 0,6 Yuan/Sekunde, 1080P 1 Yuan/Sekunde; Konto hat 50 Sekunden kostenloses Kontingent → Erstes 30s-Video kann mit 0 Kosten laufen
  • Voice-Over-Timbre: edge-tts zh-CN-XiaoyiNeural (junge Frau) / zh-CN-XiaoxiaoNeural (ältere Frau) / zh-CN-YunxiNeural (Mann)
  • Im Prompt Erstes Shot[0-4 Sekunden]…Zweites Shot[4-10 Sekunden]… verwenden, um mehrere Aufnahmen zu beschreiben; am Ende "Im Bild erscheinen keine Texte, Untertitel oder Wasserzeichen" hinzufügen

Standard-Produktionsprozess

  1. Drehbuch: 3 Segmente × 10 Sekunden (oder 6 × 5 Sekunden): Handlungshaken → Produkt erscheint + echte Verkaufsargumente → Abschluss + CTA
  2. Voice-Over: edge-tts erzeugt mp3 für jedes Segment → scp yunvela:/tmp/ → sudo mv nach /opt/yunvela-site/dh/ → curl -o /dev/null -w '%{http_code}' https://yunvela.com/dh/segN.mp3 muss 200 sein
  3. Generierung: Segmente einzeln absenden (parallel möglich), abfragen GET /api/v1/tasks/<id>, curl -sL --retry 3 --retry-all-errors herunterladen
  4. Postproduktion: Zusammenfügen + Textüberlagerungen (weißer Text mit schwarzem Rand + gelber Keyword-Rahmen) + Emoji-Sticker + BGM → 9:16 Endvideo
  5. Überprüfung (darf nicht übersprungen werden): ffprobe für Dauer/Auflösung/Audiospur + volumedetect um sicherzustellen, dass Ton vorhanden + Frame-Extraktion zur visuellen Prüfung + STT-Rückverfolgung des Dialogs (~/.hermes/scripts/voice_stt_local.py) um zu bestätigen, dass unser Text gesprochen wird
  6. Auslieferung: Großes Video per WeChat senden wird von iLink eingeschränkt → ~/.hermes/scripts/feishu_send_media.py <video> "Beschreibung"

Benutzerpräferenzen (innerhalb dieses Projekts bestätigt)

  • 🔴 Produkt-Nahaufnahme nicht der KI überlassen – offizielle Produktbilder für Animationen verwenden (2026-09-15 praktische Schlussfolgerung): In KI-generierten Personen-Szenen ändert sich das Produkt jedes Segment "ein bisschen" (Projektgetestet: Ein Segment war ein gleichdicker Zylinder, ein anderes wurde zu einem konischen Stab mit Netzaufsatz, auch wiederholtes Logo erscheint). Richtige Vorgehensweise: Personen-Szenen der KI überlassen, Produkt-Nahaufnahme mit offiziellen Produktbildern mittels Ken Burns langsam hereinzoomen (scale=1080:-1,pad=1080:1920:(w-h)/2:(w-h)/2:white,zoompan=z='min(zoom+0.0007,1.10)':d=<frame>), und das Original-Voice-Over dieses Segments auf die offizielle Bildanimation legen (nicht unterbrechen). So ist das Produkt 100% identisch mit dem echten Gerät und erfüllt die rote Linie des Auftraggebers "Produkt muss echt integriert sein".
  • 🔴 Zwei Referenzbilder müssen "gleiche Ausrichtung, gleiche Form" haben: Die 2 Produkt-Referenzbilder für r2v müssen beide in aufrechter Perspektive sein (Projektgetestet: Wenn ein „Bodenquerschnitts-Kreisbild" als Referenzbild 2 verwendet wurde, mittelte das Modell zwischen lang und schlank und dick und rund und erzeugte ein gedrungenes, becherförmiges Produkt). Verboten: Aufsicht/Untersicht/Querschnittsbilder als Referenz zu mischen. Vorgehen für Referenzbilder: Auf das äußere Rechteck des Motivs zuschneiden → auf weißen quadratischen Hintergrund setzen, Motiv ~60% der Bildhöhe einnehmen.
  • ⚠️ KI brennt selbst Untertitel ein: wan2.6-r2v-flash hat oft eingebaute untere Untertitel, selbst wenn der Prompt "kein Text" sagt. Deshalb unsere Textüberlagerungen oben platzieren (Alignment=8 + großer MarginV), keine weitere Schicht unten hinzufügen → sonst doppelte Untertitel-Überlappung.
  • Maße basierend auf echten Größen berechnen, nicht schätzen (2026-09-15 praktische Lektion): Das Verhältnis "Höhe:Durchmesser" im Prompt muss aus offiziellen Maßen berechnet werden (HSQ1 = 74×39mm → Höhe:Breite 1,93:1 schlanker Zylinder; Ich habe einmal geschätzt "gedrungene Becherform 1,2:1" und das Ergebnis wurde vom Kunden als "immer noch ungenau" bewertet). Schreibbeispiel: Der Körper ist ein schlanker Zylinder, etwa 74 mm hoch, etwa 39 mm Durchmesser (Höhe etwa das 1,9-fache des Durchmessers), schwarze matte Satinoberfläche…
  • Eiserne Sprachregelung (2026-09-15 Benutzerkorrektur): Dialog/Voice-Over/Textüberlagerungen dürfen nur den offiziellen Werbetext zitieren (von Ausklappseiten, Hauptbildern). ❌ Das Feld "Verkaufsargumente" in der Attributtabelle ≠ Sprachregelung (interne Beschreibung); ❌ Hörsätze aus Referenz-/Konkurrenzclips dürfen nicht als Sprachregelung verwendet werden (HSQ1 getestet: "Eigröße" ist verboten); 🟡 Größenvergleichsbegriffe (wie "Daumenhöhe") nur für Bildproportionen/Vergleichsobjekte, nicht in die Sprachregelung einfließen lassen. → Vor dem Schreiben des Dialogs zuerst mit product-spec-extraction die Sprachregelung holen, Verkaufsargumente nicht aus dem Gedächtnis schreiben.
  • Ergebnispriorität (2026-09-15 Benutzer festgelegt): Videoproduktion nach Ergebnis, nicht sparen auf Kosten der Optik
  • Bei Ergebnissen muss proaktiv berichtet werden; bei langen Prozessen in Segmenten Fortschritt melden, nicht auf Rückfragen warten
  • In der Designphase alle echten Verkaufsargumente vollständig nennen, nicht wegen "kein Beweis" löschen (Beweis ist Sache der Auslieferungsphase); Extremwörter/Wirkungen nur hinweisen, nicht blockieren
  • Kostenbewusst: Kostenloses Kontingent/günstige Preise zuerst durchspielen, dann hochskalieren; vor Geldausgeben Preis pro Einheit erklären

Verwandte Skills

  • clipforge-video-pipeline: Vollständiges Rezept für Material-Collage (clipforge / MoneyPrinterTurbo) = Pfad ②, inklusive Umgebungsinstallations-Fallstricke, Bildzuordnung pro Aufnahme, lokales Material-Modell und „Echtes Gerät-Dynamik-Clip-Bibliothek" für 0 Kosten

📚 Wissensdatenbank-Index (8 Hauptdokumente)

Wann lesenDokument
Produkt sieht nicht aus / verformt / Farbverlust / Maßstab / Klingenkopfreferences/product-fidelity.md
Engine auswählen / Modellfelder / Preisereferences/engines-and-models.md
Auflösung / Abrechnung / Zahlungsverzug-Prüfung / Vorab-Checkreferences/resolution-cost-and-arrearage.md
Hauptpipeline / Montage / Lieferungsqualitätskontrollereferences/pipeline-assembly-and-qc.md
Abschlussrate / Haken-Varianten / Werbe-KPIsreferences/hooks-and-ad-metrics.md
Voice-Over / Untertitel / Timbrereferences/voice-and-subtitles.md
Persönlichkeitsrechte / Compliance-Rote Linie / Referenzbild-Standardsreferences/compliance-portrait-and-references.md
Szenendrama / Realistischer Filmstil / Storyboard-Formulierungenreferences/scene-drama-and-candid-style.md

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Verwandte Skills