Plugin-Installation: Befolge vor den Setup- oder Aktualisierungsbefehlen die Plugin-Ausführungsregeln, wenn dieses Skill innerhalb eines HyperFrames-Plugins verwendet wird. Bei eigenständigen Installationen gelten die nachstehenden Update-Anweisungen.
Zuerst dieses Skill frisch halten – vor der Ausführung Bestätigung vom Benutzer einholen:
npx hyperframes skills update talking-head-recut. Ein schneller No-Op, wenn alles aktuell ist; andernfalls wird dieses Skill sowie die abhängigen Kern-Skills aktualisiert, bevor du dich darauf verlässt.
Talking Head Recut
Talking Head Recut nimmt ein lokales Video, das vollständig abgespielt wird, und legt darauf eine Sequenz von zeitlich abgestimmten, gestalteten Grafikkarten – Titel, Lower Thirds, Daten-Callouts, Zitate, Seitenpaneele, Picture-in-Picture – synchron zum Gesprochenen. Der Agent entwirft die Karten (Timing + Inhalt), schreibt das HTML jeder Karte direkt im Chat, erstellt dann eine einzelne Komposition als HTML und rendert sie per hyperframes in MP4. Es gibt keine feste Archetypen-Liste und keine vorgeschriebene Kartenstruktur – die Overlays entstehen aus dem, was das Transkript tatsächlich sagt.
Der Einstiegspunkt ist
/hyperframes. Dieses Skill verpackt einen vorhandenen Talking-Head-Clip mit gestalteten Grafikkarten (Titel, Lower Thirds, Daten-Callouts, Zitate, Seitenpaneele, PiP) – nicht einfache Untertitel (die gesprochenen Wörter als Text). Der Clip läuft unberührt. Jede andere Absicht – einfache Untertitel, eine eigenständige Grafik, ein Video von Grund auf – oder Unklarheit → zuerst/hyperframeslesen: die Absichtsebene entscheidet über die Route.
Grafik-Verpackungs-Pendant zu
embedded-captions. Captions fügen die gesprochenen Wörter als lesbare Untertitel hinzu; dies fügt gestaltete Grafiken über dem laufenden Video hinzu. Einfache Untertitel →embedded-captions. Ein Video von Grund auf erstellen → die Erstellungsworkflows (product-launch-video/faceless-explainer/ …).
Über /hyperframes bestätigt die Absichtsebene nur die Eingabe (welcher Clip) und kündigt die Render-Strategie-Fragen als verschobene Anfragen an – Seitenverhältnis, Layout, Stilgruppe und Kartenanzahl bleiben bei Schritt 7, wo das untersuchte Filmmaterial und das Transkript die Empfehlungen fundieren; die Lauf-Shape-Fragen der Ebene finden keine Anwendung. Eine BRIEF.md, falls vorhanden, enthält die bestätigte Eingabe und eventuelle Benutzernotizen – zuerst lesen.
Überprüfbare Zwischendateien im Arbeitsverzeichnis:
metadata.json– Dauer / Breite / Höhe / fpsaudio.mp3– extrahierte Audiotranscript.json– ein flaches Wort-Array[{ text, start, end }, …](Whisper; keinesegments, keinwords-Wrapper)storyboard.json– leichter Kartenentwurf (der Plan des Agenten)public/cards/card-XX.html– ein HTML-Fragment pro Kartepublic/index.html– endgültig zusammengesetzte Kompositionoutput.mp4– gerendertes Video
CLI-Auflösung
# hyperframes – Transkription (lokales Whisper) + Rendern der zusammengesetzten HTML in MP4
npx hyperframes --help
Dieses Skill läuft vollständig auf der hyperframes CLI plus systemeigenem ffmpeg / ffprobe.
Transkription erfolgt über lokales Whisper via hyperframes transcribe – kein Drittanbieter-Dienst, API-Key oder ratenbegrenzter Proxy.
Workflow
1. Umgebung prüfen
npx hyperframes doctor # ffmpeg, Headless-Browser, Render-Abhängigkeiten
# gebündelte Assets bestätigen:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
Erforderlich:
ffmpeg/ffprobe(System)<SKILL_DIR>/assets/fonts/*.woff2,<SKILL_DIR>/assets/vendor/gsap.min.js(im Skill gebündelt, werden in Schritt 9 ins Arbeitsverzeichnis gestellt)
Transkription benötigt keinen Schlüssel – hyperframes transcribe führt Whisper lokal aus (Schritt 4).
Stark empfohlen auf macOS für hyperframes render:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. Arbeitsverzeichnis erstellen
Alle Artefakte liegen unter videos/<projektname>/ – dieselbe Konvention wie die anderen Video-Workflows (product-launch-video / faceless-explainer / pr-to-video). Behalte das aktuelle Arbeitsverzeichnis an der Projektwurzel; alles Weitere schreibt in dieses eine Unterverzeichnis.
VIDEO_PATH="/absoluter/pfad/eingabe.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. Audio und Metadaten extrahieren
# Metadaten – Dauer / Breite / Höhe / fps
ffprobe -v error -select_streams v:0 \
-show_entries stream=width,height,r_frame_rate \
-show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# Audio
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"
Ausgaben: metadata.json (lies width/height/duration; fps = der r_frame_rate-Bruch, z. B. 30000/1001 → 29.97) + audio.mp3.
4. Transkribieren
npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en
Lokales Whisper – kein API-Key, kein Proxy, keine Ratenbegrenzung. Schreibt ein wortgenaues transcript.json in das Arbeitsverzeichnis (Wort text + start / end Zeitstempel). Lies es für die Wort-/Satzzeitsteuerungen, die in Schritt 6 die Kartentaktung bestimmen; gruppiere Wörter selbst an Satzzeichen / Pausen zu Sätzen, wenn du segmentgenaue Blöcke benötigst.
Auf Mediendauer begrenzen. Whisper kann das end des letzten Wortes ein kleines Stück über die tatsächliche Clip-Länge hinaus zurückgeben – begrenze jedes endSec der Karte sowie die composition.durationSeconds auf die Dauer in metadata.json, sonst zeigt der Render einen schwarzen Nachlauf hinter dem Video.
5. Transkript korrigieren
transcript.json ist ein flaches Array von Wortobjekten – [{ "text": "...", "start": s, "end": s }, …] (kein segments-Array, kein words-Wrapper; der pro-Wort-Schlüssel ist text). Lies es und korrigiere offensichtliche ASR-Fehler:
- Homophone, Produktnamen, Fachbegriffe, Zeichensetzung
- Bearbeite den
texteines Wortes direkt; behalte seinestart/endZeitstempel bei - Es gibt kein vorgegruppiertes
segments-Array – gruppiere Wörter selbst zu Sätzen (teile bei terminaler Zeichensetzung / Pausen), wenn du segmentgenaue Blöcke für die Kartentaktung benötigst
6. Ein leichtes Storyboard entwerfen (im Chat)
Keine Beteiligung der CLI. Lese transcript.json + metadata.json und entwerfe Karten direkt. storyboard.json ist ein agenteninternes Planungsartefakt – kein CLI-Befehl konsumiert es; es existiert, damit du vor dem Schreiben des HTML jeder Karte klar über Timing und Inhalt nachdenken kannst. Behalte die Struktur wie im folgenden Beispiel bei, damit derselbe Entwurf die Komposition steuern kann, die du in Schritt 9 erstellst:
{
"schemaVersion": 3,
"composition": {
"fps": 30,
"width": 1080,
"height": 1920,
"durationSeconds": 121.2,
"layout": "portrait",
"themeId": "noir",
"seed": 42
},
"videoTrack": {
"sourcePath": "input-video.mp4",
"startSec": 0,
"endSec": 121.2,
"bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
},
"subtitles": { "enabled": false },
"cards": [
{
"id": "card-01",
"intent": "Mit der ängstlichen Mitternachtsfrage des Sprechers einhaken",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "EINE EHRLICHE FRAGE",
"title": "Die Seelenfrage um 23 Uhr",
"detail": "60-Sekunden-Sprachnachricht des Kunden: 'Wenn der RMB aufwertet, bedeutet das dann, dass meine USD-Police einen schrecklichen Verlust erleidet?'"
}
}
]
}
Erforderliche Kartenfelder:
| Feld | Typ | Zweck |
|---|---|---|
id | string | stabile ID, verwendet im Karten-HTML & in GSAP-Selektoren |
intent | string | natürlichsprachliche Beschreibung; wird der Kartensynthese zugeführt |
startSec / endSec | number | Zeiten in Sekunden (endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | Welche der 5 Themen-Akzentfarben diese Karte verwendet |
zone | Enum (siehe unten) | Wo auf der Leinwand die Karte lebt |
contentHints | object | Frei gestaltbarer Sack; Agent setzt hier Kicker/Titel/Detail/Daten/Zitat |
archetype (optional) | string | Frei wählbare Bezeichnung, um ein Kartenmuster zu merken; fehlend = frei, Standard |
transition (optional) | Enum: cut | fade | slide | wipe | Deklarativer Karten-zu-Karten-Übergang |
Fünf zone-Werte:
| zone | aufgelöste Grenzen | Verwendung |
|---|---|---|
fullscreen | Bedeckt die gesamte Leinwand | Heldenmomente, große Zahlen, Mantras |
whiteboard-area | 40px Rand (oder 45 % der Hochformat-Höhe) einrücken | Dichte Daten / kommentierte Inhalte |
lower-third | Unteres 30%-Band | Annotation über sichtbarem Video |
side-panel | Rechte 42 % (Querformat) oder untere 40 % (Hochformat) | Daten auf einer Seite, Video auf der anderen |
video-overlay | Ganze Leinwand, erwartet weitgehend transparente Karte | Annotations-Overlays auf vollflächigem Video |
Wenn du in Schritt 9 die Komposition zusammenstellst, löse jede Karten-zone gemäß der obigen Tabelle in Pixelgrenzen auf dem Karten-Host-Container auf. Videogrenzen werden einmalig auf Kompositionsebene gesetzt (videoTrack.bounds); um das Video scheinbar „zwischen Karten zu bewegen“, schreibe GSAP-Tweens gegen #video-wrap im <script> der Komposition (siehe Schritt 9).
Keine vorgeschriebenen Kartenrollen, kein vorgeschriebener Erzählbogen. Karten entstehen aus dem, was das Video tatsächlich sagt – könnten alles Zitate oder alles Daten sein, könnten mit einer Zahl oder einer Geschichte beginnen. Lass das Transkript den Rhythmus bestimmen.
Wie viele Karten? – automatisch aus Dauer + Dichte ableiten. Keine feste Obergrenze. Wähle ein Basis-Tempo aus der Videodauer, dann passe es durch Informationsdichte an. Einzige Untergrenze ist festgelegt: mindestens 5 Karten, damit auch kurze Videos Rhythmus haben.
Schritt 1 – Basis-Tempo nach Dauer (das natürliche Sekunden/Karte bei mittlerer Dichte):
| Videodauer | Basis-Tempo (Sek. pro Karte) | Begründung |
|---|---|---|
| < 60s (kurzer Reel) | 6–8s | Zuschauer erwarten schnelle Schnitte bei Kurzformaten |
| 60s – 3 Min | 8–12s | Normales soziales Tempo |
| 3 – 10 Min | 12–20s | Atempausen geben; jede Karte trägt mehr |
| 10 – 30 Min | 20–35s | Langform-Vortrags-/Interview-Rhythmus |
| > 30 Min | 30–60s | Episodisch, fast kapitelartig |
Schritt 2 – Dichtemultiplikator (multipliziert das Basis-Tempo):
| Signal im Transkript | Multiplikator | Wirkung |
|---|---|---|
| Hohe Dichte – viele Zahlen, unterschiedliche Behauptungen, stakkatoartiges Tempo, listenartige Aufzählung, alle 1–2 Sätze eine neue Idee | × 0.7 | Schnellere Schnitte, mehr Karten |
| Mittlere Dichte – gemischter Fluss mit sowohl Daten als auch Erzählung | × 1.0 | Basis-Tempo |
| Niedrige Dichte – eine längere Geschichte, wiederholte Neuformulierung, langsames reflektierendes Tempo, eine einzelne Argumentation entfaltet sich | × 1.5 | Langsamere Schnitte, weniger Karten |
Schritt 3 – Berechne:
secProKarte = BasisTempo × DichteMultiplikator
kartenAnzahl = max(5, round(VideodauerSek / secProKarte))
Beispiele (beachte – keine obere Begrenzung; lange Videos erzeugen natürlich mehr Karten):
- 30s Reel, einzelner Point (niedrige Dichte) → 7 × 1,5 = 10,5s/Karte → round(30/10,5)=3 → Untergrenze zu 5 Karten
- 60s reflektierender Monolog (niedrige Dichte) → 10 × 1,5 = 15s/Karte → 4 → Untergrenze zu 5 Karten
- 121s Talking-Head mit reichhaltigen Daten (hohe Dichte) → 10 × 0,7 = 7s/Karte → 17 Karten
- 5 Min Interview, gemischte Dichte → 16 × 1,0 = 16s/Karte → 19 Karten
- 10 Min Deep-Dive, hohe Dichte → 16 × 0,7 = 11s/Karte → 55 Karten
- 30 Min Vorlesung, mittlere Dichte → 28 × 1,0 = 28s/Karte → 64 Karten
- 1 Std Podcast, niedrige Dichte → 45 × 1,5 = 67,5s/Karte → 53 Karten
Wenn eine Karte länger als ca. 15s hält, plane eine reichhaltigere Karte (Datenblock, Mehrschritt-Enthüllung, mehrere Unterpunkte, die sich mit gestaffelten Animationen entfalten) – ein statischer Einzeiler wird nach 8s langweilig. Bei langen Stücken, bei denen viele Karten 30s überschreiten, erwäge die Aufteilung der Zeitleiste in Unterkompositionen (eine .html pro Kapitel, eingebunden mit data-composition-src), damit die GSAP-Timeline pro Datei handhabbar bleibt – siehe die timeline_track_too_dense-Lint-Warnung von HyperFrames.
contentHints ist ein frei gestaltbares Objekt; seine Schlüssel und Verschachtelung können jede Form annehmen, die die Daten erfasst. Der Agent entscheidet über die Form pro Karte.
Optionaler Abspann. Dieses Skill enthält keinen festen Brand-Abspann. Wenn der Benutzer eine Schlusskarte wünscht, entwerfe selbst eine neutrale (Wortmarke + einzeiliger Slogan, ~1,5-2s, Einblenden -> kurzes Halten -> Ausblenden), füge sie an cards[] an und erweitere composition.durationSeconds bis zu ihrem Ende.