Video-Motion — Standardablauf für Sprachvideos via Chat
Übergeordneter Workflow. Drei Quellen mit jeweils eigener Rolle — nicht jedes Projekt alle lesen, sondern je nach Phase aufrufen:
| Phase | Quell-Regeln | Skill |
|---|---|---|
| Brief, Stil, Skript, VO, Chat-Workflow | motion-format | skill_view('motion-format') |
| Design- & Filmgesetze (Video≠Slide, deterministisch, Stil aus Thema, Fallstricke) | bang-motion | skill_view('bang-motion') |
| Technische Render-Pipeline (Whisper, SFX, CDP-Frames, Audit, sichere Untertitel) | html-motion-pipeline | skill_view('html-motion-pipeline') |
Wann welche verwenden
- Spezifischer Stil hat ein Rezept (isometrisch, Cel-Cartoon, 3D-Historie, Produkt-Promo, usw.)
→ verwende die motion-format Engine (
mf.py) + das Stil-Rezept. - Flat-Motion-2D-Erklärvideo / Staffetten-Diagramm / Tech-Erklärvideo (wie das Function Calling Video) → verwende html-motion-pipeline (GSAP-Architektur + CDP-Render), befolge die Designgesetze von bang-motion.
- Promo/Opener/Bumper/Kinetic Type → bang-motion als Rechtsgrundlage + Architektur.
HIER STARTEN — Einstiegstor (nicht überspringen)
Bevor du EINE EINZIGE ZEILE (HTML, Skript, VO) für eine Videoaufgabe schreibst:
0. LIES ZUERST USER.md UND style-reference/STYLE.md (in diesem Skill-Ordner) —
USER.md = Hasbis Vorlieben & Standards (frage nicht erneut, was bereits geschrieben steht);
STYLE.md = goldener visueller Stil + Referenzframes. vision_analyze die Frames in
style-reference/, bevor du HTML schreibst, damit du das visuelle ZIEL SIEHST, nicht
nur aus der Beschreibung heraus imaginierst. Diese Dateien sind bewusst vom SOP getrennt, damit sie ohne Workflow-Änderungen aktualisiert werden können.
- Zuerst
skill_view('video-motion')— dann den Sub-Skill entsprechend der Phase (Tabelle oben). - RECHERCHE ZUERST, wenn das Thema Fakten/echte Inhalte erfordert (Bildungsthemen, „Wie geht X“, Vergleiche, Nachrichten): Sammle Kernpunkte + starken Hook aus echten Quellen (
web_search/web_extract) BEVOR du das Skript schreibst — erfinde keine Inhalte aus dem Gedächtnis. Siehereferences/topik-riset.mdfür die Auswahl und Variation von Blickwinkeln. - DER ARBEITSABLAUF FOLGT DEM NUTZER, nicht der Phasentabelle oben. Die Standard-Reihenfolge des Dokuments ist Brief→Stil→Skript, ABER der Nutzer Hasbi kehrt sie oft absichtlich um: Themenrecherche → Thema auswählen → Skript → DANN Brief/Stil. Wenn der Nutzer sagt: „Fang mit dem Thema/Skript an, dann erst der Brief“, dann befolge das — biete keinen Stil an und zeige keinen Skript-Entwurf, bevor das Thema abgestimmt ist. Bestätige jede Phase durch ACC des Nutzers (wähle 1 aus Optionen), bevor es weitergeht.
- Szene 1 visuell testen + ACC zuerst, dann VO & restliche Szenen. Baue niemals das gesamte Video (alle Szenen + MP4-Render), bevor Szene 1 vom Nutzer genehmigt ist.
- Übernimm keine Altlasten aus früheren Projekten. Jedes Video = neuer Ordner & Beginne mit einem sauberen Brief; der Nutzer bittet oft: „Vergiss das vorherige Projekt, recherchiere von Null.“
FALLSTRICK (teuer): Aus dem Gedächtnis/Instinkt zu bauen, anstatt die Sub-Skills zu lesen, erzeugt eine Slide-Deck — jede Szene wird zu einem <section>, der ein-/ausgeblendet wird. Das verstößt gegen Gesetz Nr. 1 und erfordert einen vollständigen Render (~9 Minuten), bevor man sieht, dass es „miserabel“ aussieht. LIES zuerst bang-motion; starte mit index.fc-reference.html, schreibe nicht von Null.
SOP POSITIONIERUNG & ARBEITSABLAUF (Standard für Konsistenz zwischen Sitzungen)
Quelle: Projekt #11 „Unternehmen ohne Mitarbeiter“ (7 Szenen, 55,8 Sek.), das ohne eine einzige Layout-Überarbeitung abgeschlossen wurde. Dies ist die richtige Methode, die beim ersten Versuch ein sauberes Ergebnis liefert. Befolge die Reihenfolge genau — ein übersprungener Schritt = gesamter Render von vorne.
Phase A — VORBEREITUNG (bevor du HTML anfasst)
- VO zuerst, nicht das Visuelle. Sobald der Nutzer eine VO-Datei sendet → sofort verarbeiten:
(loudnorm ist PFLICHT — verhindert Whisper-Halluzinationen).ffmpeg -i vo_raw.mp3 -af loudnorm=I=-16:TP=-1.5:LRA=11 -ar 16000 -ac 1 vo_norm.wav - Wortweise Transkription (Modell
small,language="id",word_timestamps=True,vad_filter=True,temperature=0,beam_size=5, int8). Manuelle Dekodierung viasoundfile→numpy (vermeideav-Bug). Ergebnis:vo_words.json= Quelle der Wahrheit für ALLE Timings. - Szenengrenzen aus den Zeitstempeln ableiten, nicht aus dem Skript. Echtes Beispiel:
VO #11 fällt in 8 Szenen →
0/7.7/16.3/22.4/29.1/36.4/41.6. Jeder Szenenstart =startdes ersten Wortes des Eröffnungssatzes. Das Visuelle erscheint GENAU in dem Moment, in dem die Phrase gesprochen wird.
Phase B — POSITIONIERUNG (Schlüssel zur Sauberkeit)
Sauberkeit = diszipliniertes Gitter + eine Szene, ein Fokus. Konkrete Regeln (Beweis aus #11):
- Eine vertikale Zone pro Rolle. Bei 1080×1920: Kicker/Titel im oberen Band (y≈300), Hauptvisual im mittleren Band (y 560–1250), Abschluss-Caption im unteren Band (y≈1330), Untertitel BLEIBEN bei y≈1460. Keine Vermischung der Rollen über die Bänder hinweg.
- Symmetrische Knoten/Spalten mit links–mitte–rechts:
left:250/540/830px(Zentrum 540). Die Mitte darftopetwas höher sein als die Ränder, um die Komposition lebendig zu halten, ABER der horizontale Abstand aller drei ist gleich. - Ausgeglichene Karten (A-vs-B-Vergleich):
width&top& padding sind bei beiden Karten GLEICH; nur der Inhalt unterscheidet sich. Keine fette und eine magere. - Untertitel außerhalb von
#world(Kind von#stage, nicht von#world), damit sie nicht von der Kamera mitbewegt werden. - Messen, nicht raten. Jeder Text muss die
audit_overlap-Prüfung (0 Kollisionen) &audit_center(Zentrumsabweichung <250px) bestehen. Bounding-Box, nicht Augenmaß.
Phase C — ANIMATION (Schlüssel zu „lebendig aber ruhig“)
- Total deterministisch. Alles = reine Funktion von
t. NullMath.random(). Ambient-Effekte (Matrix-Regen, Partikel) verwenden geseedeten RNG (mulberry32(seed)), damit jeder Render identisch ist. - rAF = Render-Feind. Deaktiviere
window.requestAnimationFrameviapage.evaluateOnNewDocument(()=>{window.requestAnimationFrame=()=>0;})VORgoto— sonst überschreibt die Autoplay-Schleife__seekund die Frames werden zufällig. (Muster: rAF NUR für die Browser-Vorschau, nicht für den Headless-Render.) - Phrasen-Synchronisation. Jeder visuelle Beat verwendet den Wort-Zeitstempel aus
vo_words.jsonals Tween-Anker (Beispiel: der Knoten RECHERCHE erscheint beimstartdes Wortes „RECHERCHE“). - Kontinuierliche Bewegung: sanfte vertikale Kamera-Drifts pro Szene (
y:-55→0), Ring-Pulsieren (scale 1↔1.06 yoyo), Zahlen-Counter, Münzregen. Alle bestehen die Mean-Diff-Bewegungsschwelle (Gotcha #12). - Hook = set, nicht fade-in. Frame 0 = TikTok-Thumbnail → Der Hook-Text ist bei t=0 bereits voll sichtbar (
tl.set, nichtfromToopacity 0). Lasse keinen leeren ersten Frame zu.
Phase D — VERIFIKATION VOR DEM VOLLRENDER
node snap.mjs→ 15+ Keyframes aufnehmen → via Vision prüfen (nicht nur DOM-Audit). Snapshot-Dateiname = SEKUNDE, nicht Szenen-Index (snap_00003= t≈0.3s, NICHT Szene 3). Bevor du via Vision beurteilst, ordne zuerst die Audit-Punkte der richtigen Szenennummer zu — überprüfe den Frame für „Szene Hexagon“ im Hook-Frame; er wird leer erscheinen und dich fälschlicherweise glauben lassen, die Szene sei bereits korrekt.- Deaktiviere rAF im Snapshot (genau wie beim Render) → Snapshot ist dann deterministisch.
- Szene für Szene prüfen: Text abgeschnitten? Überlappungen? Übermäßiger Leerraum? Symbole lesbar?
- Erst dann vollständig rendern (
--sampai 3zuerst testen, dann vollständig + Resume gegen OOM). - Falle bei Neubethemung (dunkel↔hell): Der Hintergrund kann dunkel bleiben, auch wenn die Hauptfarbe geändert wurde. Wenn das Video-Thema nach dem Rendern auf hell/dunkel geändert wird, ändert das GLOBALE Ersetzen von Farben (Body-Hintergrund, Text) NICHT die PRO-SZENE manuell geschriebenen Hintergrundverläufe (z. B.
#sc7 .bg{background:linear-gradient(180deg,#0a2a3a…)}) und die dunklen Schatten auf CTA-Elementen — diese Szene bleibt im MP4 dunkel, obwohl „ich alles geändert habe“. Fix: Nach der Neubethemung, greppe das HTML nach Verlaufs- und Hintergrundfarbmustern pro Szene (grep -nE "gradient|#0[0-9a-f]{5}" index.html) und stelle sicher, dass jede Szene entsprechend geändert wird. Objektive Verifikation via Pixel, nicht via Augen: Extrahiere einen Frame aus jeder Szene des MP4 und messe die Helligkeit des Hintergrundbereichs (np.array(Image.open(f).convert('RGB'))[:80,:80].mean(); >180 = hell, <100 = noch dunkel). Werte pro Szene, nicht einen einzelnen Frame. Das ist zuverlässiger alsvision_analyze, das oft timeoutet oder sich weigert, Bilder in Desktop-Sitzungen zu laden.
Antizipation der Konsistenz zwischen Sitzungen: Diese Methode funktioniert, weil (a) die VO VOR dem Visuellen verarbeitet wird, (b) die Positionierung aus dem Raster erfolgt, nicht aus dem Gefühl, (c) deterministisch + rAF deaktiviert ist. Jede Sitzung, die Phase A→D genau befolgt, wird eine Sauberkeit erzeugen, die Projekt #11 ebenbürtig ist.
Standardablauf (adaptiv — verwende die relevanten Teile)
- Brief 5 Punkte (motion-format): was, Thema+Material, für wen, Dauer, Verhältnis+Untertitel. Frage maximal 1×, der Rest sind Standardwerte.
- Stil — der Nutzer nennt ihn → sofort verwenden; noch nicht → biete 3 + 1 Empfehlung an. Schreibe
gaya.md(Hex-Palette + Quellen, Schriftart, Hintergrund, Bewegungssignatur, 1 Unterscheidungsmerkmal). Hintergrund ist nicht standardmäßig dunkel. Stil aus dem Thema/der Marke, nicht aus der Vorlage/Referenz. - Testszene 1 Bild (±8 Sek., finale Qualität) → aufnehmen → anzeigen → Nutzer stimmt zu.
- Skript pro Szene →
naskah.md. Oder wenn der Nutzer selbst aufnimmt: Fordere die VO-Datei an. Skriptformat, wenn es im Chat gezeigt wird = ABSATZ, nicht Tabelle. Der Nutzer Hasbi möchte das Skript als fließende Erzählung lesen (Prosatext pro Absatz), nicht als Tabelle# | Visual | VO | Sekunden. Schreibe die Tabelle zuerst innaskah.mdals internen Bauplan (um Beat→Visual zuzuordnen, siehe Gotcha #18), aber das DEM NUTZER ZUR BESTÄTIGUNG GEZEIGTE = die Absatzversion. Jedes Hasbi-Video-Skript MUSS mit einer Telegram-Gruppenwerbung enden (Gruppediskusitentangai, CTA im VO-Text + Gruppenlogo im Endbildschirm) — platziere den CTA im Skript selbst als abschließenden VO-Satz, nicht nur als letztes visuelles Element. - VO + Timing
- Der Nutzer nimmt selbst auf (ElevenLabs usw.): Verarbeite die Datei. Transkription + Wort-Zeitstempel via faster-whisper (Pipeline). Zu schnell → biete Tempovarianten an (0.75/0.90/0.97), wähle eine.
- Via ElevenLabs-API: Clip pro Szene, teste Szene 1 zuerst. Verschwende kein Guthaben ohne Erlaubnis.
- Satzsynchronisation mit Atempausen (
silencedetect).
- Alle Szenen bauen — Szenenzeit folgt der VO-Zeit. Baue 2–3 → aufnehmen → korrigieren → wiederholen. Gib der schwächsten Szene „mehr Details“. Null JS-Fehler.
- LAYOUT-AUDIT VOR DEM RENDER (Pflicht, siehe Pipeline): 0 Überläufe, keine Kollisionen mit
Elementen, Untertitel sicher vor der unteren UI-Zone (Reels/TikTok ≈360px). Plus 0 leere Frames
— überprüfe jede Szene an ihrem Startframe (t0..t0+0.5): Inhaltselemente
(Nicht-Untertitel) MÜSSEN bereits opacity>0 haben. Ein DOM-Audit, das nur Kollisionen/Überläufe prüft,
erfasst dies NICHT (siehe Gotcha #6).
7b. BEWEGUNGSAUDIT VOR DER ÜBERGABE (Pflicht, getrennt vom Layout-Audit). Ein Layout-Audit &
„Leerer Frame“-Audit beweist nur, dass INHALT VORHANDEN IST, nicht, dass sich das VIDEO BEWEGT — ein statisches Video
(tote Slide-Deck) besteht beide und scheitert dann vor den Augen des Nutzers komplett. Miss die echte Bewegung:
Extrahiere zwei Frames aus dem finalen MP4 in der MITTE EINER EINZIGEN Szene (nicht szenenübergreifend, z. B.
t und t+0.4) → berechne den durchschnittlichen absoluten Pixelunterschied
mean(|A-B|). mean diff < 1.0 = diese Szene ist STATISCH, ablehnen. Jede Szene muss bestehen — Inhalt vorhanden + Bewegung zwischen Frames sind zwei verschiedene Tore; das eine zu bestehen, bedeutet nicht, das andere zu bestehen. (Siehe Gotcha #12.) - Render: Überprüfe ±8 Sek. → Nutzer hört/sieht → vollständiger Render → MP4.
Verbindliche Gesetze (zusammengefasst aus bang-motion + motion-format)
- Video, nicht Slide. Kamera/Welt bewegt sich; Szenen wechseln, weil sich die Welt bewegt,
nicht weil
<section>eingeblendet werden. Ein Subjekt/roter Faden bleibt visuell erhalten. - Deterministisch. Alle visuellen Elemente = reine Funktion von
t/tl.time(). NullMath.random()ohne echten Grund,Date,performance.now. - Stil aus dem Thema, nicht aus Vorlage/Referenz. Referenz = Rhythmus, nicht die Hülle. Zwei verschiedene
Videos unterscheiden sich in ≥3 von: Palette, Schriftart, Hintergrund, Bewegungssignatur. Ausnahme Serien
(Teil 1,2,…): Müssen konsistent sein.
- Klongiere kein Layout eines vorherigen Videos. Nur Palette/Schriftart zu ändern, aber die gleiche
Struktur
<Titel oben> + <kleines Bild> + <untere Karte>zu verwenden, sieht für den Nutzer immer noch „ziemlich gleich“ aus — andere Farben sind kein anderes Design. Starte ein neues Video (keine Serie), überarbeite die KOMPOSITION jeder Szene, nicht nur die Vorlage neu einzufärben. - Gib jeder Szene EINEN großen Fokus (einen Helden) im mittleren Band, ohne überlappende Elemente. Der Nutzer lehnt überladene/gestapelte Layouts ab. Platziere den Helden im mittleren Bereich, den Rest als Unterstützung unten/an den Rändern — nicht zwei oder drei gleich große Blöcke nebeneinander.
- Klongiere kein Layout eines vorherigen Videos. Nur Palette/Schriftart zu ändern, aber die gleiche
Struktur
- Text lebt, Hintergrund fügt sich. Satzfall; Satzzeichen nur, wenn sie Bedeutung/Rhythmus ändern;
starker Kontrast; Hintergrund nicht einfarbig.
- Text nicht zu nah am Rahmen. Breiter Text (
width:100%+text-align:center) mit großer Schriftgröße (≥56px) kann die linken und rechten Ränder berühren. Der Nutzer lehnt dies ab („mepet mepet frame banget“). Gib einen seitlichen Abstand von mindestens 50px ODER ersetzewidth:100%durchleft:50px; right:50pxfür jeden großformatigen einzeiligen Text. Verifiziere via DOM: Die Bounding-Box des Textes muss einen Abstand von ≥40px von links und rechts der Leinwand haben.
- Text nicht zu nah am Rahmen. Breiter Text (
- Hook bewegt sich ab Frame 0. Wichtige Momente erhalten ±2,5 Sek. Zeit.
- Wortweise Untertitel für 9:16; Schlüsselwörter in Akzentfarbe; in der Sicherheitszone.
- Fakten auf dem Bildschirm = Fakten im Skript. Keine Zahlen erfinden.
- Verbindungslinien (Diagrammknoten): SVG in der untersten Ebene der Szene, Verankerung Kante-zu-Kante (nicht Logo-Mitte), sanfte Kurven — durchdringen niemals Symbole/Text.
- Markenlogo = echtes Asset des Nutzers/der Marke (bei Bedarf aus dem Web holen), keine generischen Emojis.
Verifikation (du kannst nicht schauen — du siehst nur EINZELFRAMES)
- Aufnahme von Schlüsselsekunden via
snap.mjs(Pipeline) /mf.py potret(motion-format). - Erstelle eine Kontaktübersicht → bewerte: Text abgeschnitten? Überlappungen? Linien durchdringend? Noch immer eine Slide?
- Layout-Audit via DOM (
getBoundingClientRect) vor dem vollständigen Render. - MP4 nur beim finalen Export — kein Werkzeug zur Qualitätskontrolle.
- Audit „leerer Frame“ via Pixelanalyse (zuverlässig, wenn die Vision-Backend ausfällt): Extrahiere
Frames aus dem MP4 alle 0,25 Sek., berechne den Prozentsatz dunkler Pixel (lum<100) in der Szenenzone (y 200–1300).
Frames mit <0,5% = nahezu leere Szene. Wenn der „minimalste“ Frame genau bei
t0jeder Szene liegt → es gibt eine leere Lücke am Anfang der Szene (Gotcha #6). Geht auch via DOM: Zähle Nicht-Untertitel-Elemente mit opacity>0 bei t0 & t0+0.1 jeder Szene.
Übergabe
index.html/scene.htmlgeöffnet vi
[Tabelle der rechtlichen & ästhetischen Garantien von Projekt #11]
- Szene 1 visuell ✔
- VO-Fenster vorhanden ✔
- Untertitel sicher ✔
- Bounding-Box Abstand (≥40px links/rechts) ✔
- Keine Überlappungen ✔
- Bewegung in jeder Szene (mean diff ≥1.0) ✔
- Keine leeren Frames ✔
- Stil aus Thema, nicht aus Referenz ✔
- Deterministisch (kein Math.random) ✔
Dateien in diesem Skill-Ordner
USER.md: Hasbis Vorlieben & Standards (lies zuerst)STYLE.md: Goldener visueller Stil & Referenz-Frames (lies nach USER.md)references/topik-riset.md: Recherche-Methodik für Themen