insaneyilin/html-video-demo

HTML-Video und lokale Sprachaufnahme

Liefert abspielbare MP4, Untertitel, ein weiterhin bearbeitbares HTML-Storyboard und die Generierungskonfiguration. Maßgeblich sind das aktuelle Projekt des Benutzers, das Material, die Stimme und der Stil. Diese Skripte sind an keinen AI-Agenten, Account oder Modell-API-Dienst gebunden.

Vorbereitung

• Lesen Sie die Zielprojektbeschreibung, vorhandene Ergebnisse und lokale Arbeitskonventionen, um den tatsächlichen Funktionsumfang und Demonstrationsbereich zu bestimmen. Zeigen Sie keine geplanten Fähigkeiten als bereits implementierte Oberflächen an.
• Legen Sie ein separates Videoprojektverzeichnis an, sodass Originalsource, Produktionsdaten und alte Ergebnisse wiederherstellbar bleiben. Lesen Sie bei vorhandenen Videos vorab die aktuelle Konfiguration und sichern relevante Ausgaben.
• Bestätigte Stimmen werden direkt übernommen. Wählen Sie neue Stimmen, indem Sie denselben kurzen Text mit gleicher Lautstärke probehören; fordern Sie den Benutzer nicht wiederholt zur Bestätigung bereits getroffener Entscheidungen auf.
• Lesen Sie bei erstmaliger Ausführung oder Maschinenwechsel Umgebung und Befehle. Die Sprachsynthese dieses Pakets erfordert Apple Silicon / MLX; der Node-Rendering-Einstieg ist von der Sprachsynthese unabhängig.

Arbeitsablauf

1. Inhalt festlegen. Verketten Sie die vom Zuschauer zu verstehenden Aktionen zu kausal klaren Szenen. Jede Szene enthält eine Hauptinformation, der Voice-Over ist mündlich formuliert, das Bild zeigt die entscheidenden Texte. Bestimmen Sie Szenenanzahl und Gesamtdauer anhand des Inhalts, verwenden Sie keine feste Neun-Szenen- oder Zwei-Minuten-Vorlage.
2. Echte Materialien vorbereiten. Nehmen Sie mit Demodaten UI-Screenshots, Teilausschnitte oder tatsächliche Interaktionen auf. Die Browsersteuerung folgt den Anforderungen des aktuellen Agenten und Projekts. Lesen Sie Bild und Material, verwenden Sie keine Screenshots, Personeninformationen oder internen Adressen aus anderen Projekten.
3. Stimme festlegen. Konfigurieren Sie in project.json Stimmfarbe, Stil und Sprache; hören Sie zuerst eine kurze Probe der neuen Stimme, dann generieren Sie in Batches. Bilden Sie aus benachbarten semantischen Absätzen abgegrenzte Erzählabschnitte, die dieselbe Stimmfarbe, Stil und Abtastparameter verwenden. Wechseln Sie nicht satzweise zufällig den Seed und synthetisieren Sie nicht standardmäßig endlos lang. Die Gruppierungsprinzipien finden Sie in Sprachaufnahme und Synchronisation.
4. Inhalt und Timing prüfen. Nutzen Sie eine separate ASR, um fehlende oder doppelte Sätze zu finden, und Forced Alignment, um die Synchronisation zum Originaltext zu bestimmen. Beide Verfahren haben unterschiedliche Zwecke: Alignment liefert Zeitangaben, beweist aber nicht, dass tatsächlich alle Wörter korrekt gesprochen wurden. Prüfen Sie Homophone, englische Fachbegriffe und die letzten Wörter.
5. Bild gemäß Ton anordnen. Trennen Sie an tatsächlichen Pausen, sodass das letzte Wort vollständig endet, und lassen Sie eine dem Inhalt angemessene Ausklangzeit. Standardmäßig etwa eine Sekunde als Ansatz für technische Erklärungen. Lokale Betonungen und Bedienaufnahmen folgen den Sprachmarken, nicht festen Sekunden aus älteren Versionen.
6. Mit html-video rendern. Prüfen Sie zunächst HTML-Frames, exportieren Sie dann über ContentGraph, ProjectOrchestrator und Hyperframes. Externe Ressourcen sollten lokalisiert oder eingebettet sein; Animationen verwenden window.__hvPlayAll(), um vorzeitiges Abspielen während des Schriftartenladens zu vermeiden. Das Protokoll finden Sie in Bild und Material.
7. Endkontrolle. Dekodieren Sie das vollständige MP4, prüfen Sie Audio- und Videolängen sowie die Tonspur an jedem Szenenwechsel, dann überprüfen Sie die Browserwiedergabe, das Springen und die Bilder. Die Prüfung allein von WAV- oder Untertiteldateien ist nicht ausreichend, um das endgültige Video zu bestätigen. Nach erfolgreicher Prüfung stellen Sie lokale Vorschau, MP4, Untertitel und Quelldateien bereit.

Ausführbare Einstiegspunkte

Alle Pfade werden über Parameter bereitgestellt. Vollständige Felder finden Sie in Projektformat. SKILL_DIR bezeichnet das Skill-Verzeichnis, DEMO_PROJECT das unabhängige Videoprojekt:

python "$SKILL_DIR/scripts/audio.py" init --project "$DEMO_PROJECT"
# project.json bearbeiten, assets/ vorbereiten; ggf. vorher audition ausführen.
python "$SKILL_DIR/scripts/audio.py" validate --project "$DEMO_PROJECT"
python "$SKILL_DIR/scripts/audio.py" synthesize --project "$DEMO_PROJECT"
python "$SKILL_DIR/scripts/audio.py" check-text --project "$DEMO_PROJECT"
python "$SKILL_DIR/scripts/audio.py" align --project "$DEMO_PROJECT"
node "$SKILL_DIR/scripts/compose.mjs" --project "$DEMO_PROJECT"
node "$SKILL_DIR/scripts/verify.mjs" --project "$DEMO_PROJECT" --stage scenes
node "$SKILL_DIR/scripts/render.mjs" --project "$DEMO_PROJECT"
node "$SKILL_DIR/scripts/verify.mjs" --project "$DEMO_PROJECT" --stage export
node "$SKILL_DIR/scripts/serve.mjs" --project "$DEMO_PROJECT"

Node-Rendering, Browserprüfung und Screenshot-Befehle lokalisieren installiertes html-video über HTML_VIDEO_ROOT oder --html-video. Verwenden Sie Python in einer isolierten Umgebung und installieren Sie Abhängigkeiten nicht in das systemweite Python.

Änderungen und Fehlerbehebung

• Textänderung: Synthetisieren Sie die betroffenen Gruppen neu, prüfen Sie, alignieren, bauen und rendern Sie. Bild- oder Layoutänderung: Neu bauen, Bilder prüfen, rendern. Stimmwechsel: Führen Sie den gesamten Audio- und Timing-Workflow erneut durch.
• Token-Limit oder repetitive Ausgabe: Verkürzen Sie die problematische Gruppe, behalten Sie den Rest der bereits validierten Gruppen bei. Liefern Sie keine unvollständigen Ergebnisse als Erfolg aus; bei wiederholten Fehlern bewahren Sie Diagnose und nutzbares Material und erklären Sie die konkrete Blockade.
• Unvollständiges Endwort: Prüfen Sie in der Reihenfolge „Originalsynthese → Decodelänge → Normalisierung → Zusammenfügen → MP4“. Stille anzuhängen kann bereits abgeschnittene Silben nicht wiederherstellen. Das aktuelle Skript aktiviert lokale Korrekturen nur bei Erkennung einer ungewöhnlichen Länge ohne Padding im Qwen3-12Hz-Modell und ändert keine Drittanbieter-Installationsverzeichnisse. Lesen Sie Endwort-Regression und Audio-Fehlerbehebung.
• Machen Sie die Stimmfarbe, Farbgestaltung, Szenenanzahl oder Fehler einer bestimmten Bibliotheksversion nicht zu einer festen Anforderung für alle Aufgaben. Wenn Sie eine andere TTS oder bereits vorhandene Sprachaufnahmen verwenden, behalten Sie dieselben Zeit-, Stichproben- und Export-Validierungsbeschränkungen bei.
• Die Veröffentlichung des Endprodukts auf externen Plattformen, das Hochladen von Geschäftsdaten oder die Benachrichtigung anderer gehören nicht zu den standardmäßigen lokalen Erstellungsschritten; führen Sie diese nur nach ausdrücklicher Autorisierung des Benutzers durch.