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):
| Feld | Beschreibung |
|---|---|
model | Engine (Für Produktaufnahmen wan3.0-video; Standard wan2.7-r2v nur für reine Personenszenen) |
product | Schlüssel, der auf die Produktdatei product_profiles.json verweist – Bild- und Videogenerierung teilen sich dieselbe Datei |
refs | Reihenfolge 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 |
segments | Text für jedes Segment-Storyboard (Nur beschreiben, "was gefilmt wird"; die Produktsperre wird automatisch von make_ad vorangestellt) |
assembly.vo | Voice-Over (edge-tts); Ziel = Untertitel-start, von Natur aus synchron |
assembly.subs/chips/spec/compliance | Untertitel / Textüberlagerungen / Parameterleisten / KI-Generierungs-Kennzeichnung |
assembly.cut15 | 15s-Version: Welche Segmente nehmen, wo im Voice-Over schneiden, neue Zeitfenster für jedes Overlay auf der 15s-Achse |
deliver | Auslieferungsverzeichnis + 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)
| Schritt | Skript | Verwendung |
|---|---|---|
| Hauptskript | make_ad.py | Ein Befehl erstellt das Video (plan / submit / fetch / verify / assemble / deliver) |
| Generierung | videoretalk_submit.py / probe_model_availability.py / compare_video_models.py | Lippen-Sync-Absenden / Modellverfügbarkeitsprüfung (Absenden erfolgreich ≠ einsatzbereit) / Modellvergleich für gleiche Aufgabe |
| Überprüfung·Produkt | product_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.py | 2-fache Produktvergrößerung / Größenkonsistenz über Aufnahmen / Rasterüberprüfung von Wahrheit + Ergebnis / Echtes Produktseitenverhältnis / Referenzbild-Check / Screenshot des Benutzers auf Zeitcode zurückführen / Aufnahmen-Audit |
| Überprüfung·Ton | stt_dialogue_check.py / voice_consistency_check.py / voice_timbre_similarity.py / tts_fit.py | STT-Rückverfolgung des Dialogs (Quelle der Untertitel-Zeitpunkte) / Stimmwechsel-Erkennung / Timbre-Ähnlichkeitsprüfung / TTS-Geschwindigkeitsanpassung an Aufnahmen |
| Überprüfung·Bild | verify_motion.py | Bewegungserkennung – Feststellen, ob das Ergebnis ein "Standbild-Collage" ist |
| Postproduktion | assemble_r2v_overlays.py / build_vo30.py / overlay_anim.py / replace_segment_audio.py / gen_ass.py | Montage (unterstützt vo gesamtes Voice-Over) / Voice-Over-Spur / Textanimations-Overlays / Segment-Audio ersetzen / ASS-Textüberlagerungen |
| Null-Verzerrungs-Pfad | build_official_product_insert.py / compose_official_material_ad.py / cutout_product.py / make_comp_cards.py | Offizielle Pixel-Produkteinblendung (bevorzugt für Produktaufnahmen, 0 Kosten) / Animation offizieller Materialien / Offizielles Bild transparent ausschneiden / Vergleichskarten |
| Personen | gen_character_candidates.py | Generierung männlicher Hauptdarsteller-Kandidaten (erstellt auf einmal 3-4 Collagen zur Auswahl für den Benutzer) |
Pfadentscheidung (Am wichtigsten · Schmerzhafte Lektionen; neu geschrieben 2026-09-19)
| Pfad | Ergebnis | Wann verwenden |
|---|---|---|
① Produktsperre + wan3.0-video ✅ Aktueller Hauptpfad | Gleicher 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 Hauptdarsteller | Die meisten Verkaufsclips (mit offiziellen Produktbildern, Anforderung "Produkt soll wie echt aussehen") |
| ② Offizielle Pixel-Produkteinblendung (0 API-Kosten) ✅ Ultimative Lösung für Produkttreue | Produkt 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 Segment | Keine 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 Umgebungsrealität | Nur 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-r2vfür 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-videoverwendet 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-synthesismodel=wan2.6-t2v, HeaderX-DashScope-Async: enableparameters:size:"720*1280"(9:16) oder"1080*1920"、duration:5|10、shot_type:"multi"、prompt_extend:trueinput.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
- Drehbuch: 3 Segmente × 10 Sekunden (oder 6 × 5 Sekunden): Handlungshaken → Produkt erscheint + echte Verkaufsargumente → Abschluss + CTA
- Voice-Over: edge-tts erzeugt mp3 für jedes Segment →
scp yunvela:/tmp/→sudo mvnach/opt/yunvela-site/dh/→curl -o /dev/null -w '%{http_code}' https://yunvela.com/dh/segN.mp3muss 200 sein - Generierung: Segmente einzeln absenden (parallel möglich), abfragen
GET /api/v1/tasks/<id>,curl -sL --retry 3 --retry-all-errorsherunterladen - Postproduktion: Zusammenfügen + Textüberlagerungen (weißer Text mit schwarzem Rand + gelber Keyword-Rahmen) + Emoji-Sticker + BGM → 9:16 Endvideo
- Überprüfung (darf nicht übersprungen werden):
ffprobefür Dauer/Auflösung/Audiospur +volumedetectum 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 - 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-extractiondie 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 lesen | Dokument |
|---|---|
| Produkt sieht nicht aus / verformt / Farbverlust / Maßstab / Klingenkopf | references/product-fidelity.md |
| Engine auswählen / Modellfelder / Preise | references/engines-and-models.md |
| Auflösung / Abrechnung / Zahlungsverzug-Prüfung / Vorab-Check | references/resolution-cost-and-arrearage.md |
| Hauptpipeline / Montage / Lieferungsqualitätskontrolle | references/pipeline-assembly-and-qc.md |
| Abschlussrate / Haken-Varianten / Werbe-KPIs | references/hooks-and-ad-metrics.md |
| Voice-Over / Untertitel / Timbre | references/voice-and-subtitles.md |
| Persönlichkeitsrechte / Compliance-Rote Linie / Referenzbild-Standards | references/compliance-portrait-and-references.md |
| Szenendrama / Realistischer Filmstil / Storyboard-Formulierungen | references/scene-drama-and-candid-style.md |