Communitygithub.com

video-to-shorts

Verwandle lange Videos in YouTube Shorts, Reels oder TikToks: Finde die stärksten Sätze, schneide satzweise, mache vertikale 1080×1920-Clips mit Untertiteln – mit kostenlosen Tools.

Was ist video-to-shorts?

Dieses Skill verwandelt ein langes Talking-Head-Video (Interview, Talk, Webinar) automatisiert in mehrere vertikale Shorts von 20–60 Sekunden. Es extrahiert das Transkript mit Wort-Zeitstempeln via faster-whisper, wählt den stärksten ein oder zwei Sätze als Hook, schneidet ausschließlich an Satzgrenzen, macht einen 1080×1920-Crop der Sprecherregion, brennt Untertitel ein und prüft das Ergebnis auf Stille am Anfang, abgeschnittene Wörter und korrekte Untertitel. Alle Schritte sind als Beispiel-Befehle dokumentiert, die der Agent oder Benutzer anpassen kann. Unterstützt werden ausschließlich kostenlose Tools wie ffmpeg und faster-whisper auf jeder Plattform (Windows, macOS, Linux). Das Skill legt großen Wert auf Integrität: Niemals werden Sätze geteilt oder der Sprecher etwas sagen lassen, was er nicht gesagt hat. Der Agent zeigt dem Benutzer den fertigen Clip, Titel und Cover und postet nichts ohne Freigabe.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/coding-island-js/keepaisharp-skills/tree/main/skills/video-to-shorts

In Ihrer bevorzugten KI fragen

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

Dokumentation

Verwandeln Sie Ihr langes Video in Shorts

Sie haben ein langes Video, in dem jemand spricht. Dieses Skill schneidet es in vertikale Clips von 20 bis 60 Sekunden, die mit der besten Zeile beginnen, nie mitten im Satz enden und Untertitel haben. Es verwendet zwei kostenlose Tools: faster-whisper (wandelt Sprache mit Zeitangabe für jedes Wort in Text um) und ffmpeg (schneidet, beschneidet und fügt Untertitel hinzu). Jeder untenstehende Befehl ist ein Beispiel. Passen Sie Dateinamen, Zeiten und Größen an Ihr Video an.

Schritt 1: Erhalten Sie ein Transkript mit Zeitangabe für jedes Wort

Einmal installieren: pip install faster-whisper, und installieren Sie ffmpeg von ffmpeg.org.

Beispiel (Python):

from faster_whisper import WhisperModel
model = WhisperModel("large-v3", device="auto")   # "small" auf einem Laptop ohne GPU verwenden
segments, _ = model.transcribe("talk.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
with open("words.txt", "w", encoding="utf-8") as f:
    for seg in segments:
        f.write(f"[{seg.start:.2f}-{seg.end:.2f}] {seg.text.strip()}\n")
        f.write("    " + " ".join(f"{w.word.strip()}@{w.start:.2f}" for w in seg.words) + "\n")

Jede Zeile von words.txt ist ein Sprachabschnitt mit seiner Start- und Endzeit. Darunter steht jedes Wort mit der Sekunde, in der es beginnt ([email protected]). Schneiden Sie an den Wortzeiten: Ein Abschnitt endet oft mitten im Satz.

condition_on_previous_text=False verhindert, dass das Modell bei langen Dateien immer wieder dieselbe Zeile wiederholt. Bei manchen Dateien führt large-v3 dadurch zum Wegfall aller Satzzeichen und Großbuchstaben. Der kurze initial_prompt in normaler Interpunktion bringt sie zurück, und Sie benötigen die Punkte, um zu sehen, wo Sätze enden.

Schritt 2: Clip auswählen, Hook zuerst

Lesen Sie das Transkript. Finden Sie einen Abschnitt mit einer These, einem Beispiel und einer Pointe. Dann:

  1. Der Hook. Der stärkste Satz oder die beiden stärksten Sätze – diejenigen, die ohne Vorbereitung Sinn ergeben („Die meisten Leute bepreisen ihre Arbeit nach Stunden, und deshalb bleiben sie arm.“). Der Short beginnt mit diesen Wörtern, auch wenn sie erst spät im Abschnitt kommen. Die erste Sekunde des Shorts ist Sprache, kein Schweigen oder ein Logo.
  2. Die Mitte. Das Beispiel oder die Geschichte, die den Hook untermauert.
  3. Das Ende. Die Pointe oder der Tipp. Hat der Clip keine, nehmen Sie den Antwortsatz von anderswo im selben Video.

Notieren Sie den Clip als Liste von Start- und Endzeiten. Jedes Stück beginnt beim ersten Wort eines Satzes und endet nach dem letzten Wort eines Satzes. Ganze Sätze umzustellen ist in Ordnung. Verbinden Sie niemals eine Hälfte eines Satzes mit einem anderen, um den Sprecher etwas sagen zu lassen, was er nicht gesagt hat. Gesamtlänge: 20 bis 60 Sekunden.

Schritt 3: Stücke schneiden und zusammenfügen

Lassen Sie etwa 0,1 Sekunden vor dem ersten Wort und 0,2 Sekunden nach dem letzten, damit kein Wort abgeschnitten wird.

Beispiel (ein Befehl pro Stück; -t ist die Länge in Sekunden):

ffmpeg -ss 312.30 -i talk.mp4 -t 7.40 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece1.mp4
ffmpeg -ss 95.10 -i talk.mp4 -t 21.60 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece2.mp4
printf "file 'piece1.mp4'\nfile 'piece2.mp4'\n" > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy joined.mp4

Schritt 4: Vertikal machen, 1080×1920

Bei einem 1920×1080-Video schneiden Sie ein 608×1080-Fenster um den Sprecher und skalieren es hoch. Die letzte Zahl in crop gibt an, wie weit vom linken Rand das Fenster beginnt. Finden Sie die Position des Sprechers in einem Standbild und setzen Sie sie so, dass das Gesicht in der Mitte sitzt.

Beispiel (zentriertes Fenster):

ffmpeg -i joined.mp4 -vf "crop=608:1080:656:0,scale=1080:1920" -c:v libx264 -crf 18 -c:a copy vertical.mp4

Schritt 5: Untertitel hinzufügen

Transkribieren Sie den zusammengefügten Clip erneut (Schritt 1, auf vertical.mp4), damit die Untertitelzeiten zum neuen Clip passen. Schreiben Sie kurze Untertitel, drei bis fünf Wörter pro Stück, in eine .srt-Datei:

segments, _ = model.transcribe("vertical.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
words = [w for s in segments for w in s.words]
t = lambda x: f"{int(x//3600):02}:{int(x%3600//60):02}:{int(x%60):02},{int(x*1000%1000):03}"
chunks, chunk = [], []
for w in words:                      # bis zu 4 Wörter und ein neuer Untertitel nach jedem Punkt
    chunk.append(w)
    if len(chunk) == 4 or w.word.strip().endswith((".", "?", "!")):
        chunks.append(chunk)
        chunk = []
if chunk:
    chunks.append(chunk)
with open("captions.srt", "w", encoding="utf-8") as f:
    for n, c in enumerate(chunks, 1):
        text = "".join(w.word for w in c).strip()
        f.write(f"{n}\n{t(c[0].start)} --> {t(c[-1].end)}\n{text}\n\n")

Korrigieren Sie falsch erkannte Namen oder Wörter in captions.srt von Hand. Brennen Sie dann die Untertitel ein und stellen Sie die Lautstärke auf das von den Apps erwartete Niveau (etwa -14 LUFS):

ffmpeg -i vertical.mp4 -vf "subtitles=captions.srt:force_style='FontSize=16,Bold=1,Outline=2,Alignment=2,MarginV=70'" -af "loudnorm=I=-14:TP=-1.5" -c:v libx264 -crf 18 -c:a aac short.mp4

Führen Sie dies aus dem Ordner aus, der captions.srt enthält, und verwenden Sie den einfachen Dateinamen. Unter Windows bricht ein vollständiger Pfad wie C:\clips\captions.srt den subtitles-Filter, weil ffmpeg den Doppelpunkt als Beginn einer Option liest.

Halten Sie die Untertitel in der unteren Mitte, frei von Gesicht und den Schaltflächen der Apps am rechten Rand.

Schritt 6: Prüfen Sie es von Anfang bis Ende

Sehen Sie sich den gesamten Short einmal mit Ton an, so wie es ein Zuschauer tun würde. Überprüfen Sie dann jede Zeile:

  • Erste Sekunde ist Sprache. Beispiel: ffmpeg -i short.mp4 -t 2 -af silencedetect=noise=-35dB:d=0.3 -f null - sollte keine Stille ab 0 melden.
  • Kein Wort wird abgeschnitten am Anfang oder Ende eines Stücks.
  • Untertitel stimmen mit dem Audio überein, Wort für Wort, und kein Untertitel sitzt auf dem Gesicht.
  • Nichts Wichtiges wird herausgeschnitten: das Gesicht, eine auf etwas zeigende Hand, Text auf einer Folie.
  • Länge liegt zwischen 20 und 60 Sekunden. Beispiel: ffprobe -v error -show_entries format=duration -of csv=p=0 short.mp4
  • Ein Kontaktbogen zum schnellen Überblick über die Bildausschnitte. Beispiel: ffmpeg -i short.mp4 -vf "fps=1/5,scale=270:-1,tile=4x2" -frames:v 1 sheet.png

Wenn etwas fehlschlägt, korrigieren Sie diesen Schritt und bauen Sie neu.

Schritt 7: Titel und Cover vor dem Posten auswählen

  • Titel: der Hook in wenigen Worten, so wie ein Zuschauer danach suchen würde. Unter 60 Zeichen.
  • Cover: ein Bild, auf dem das Gesicht des Sprechers klar und der Mund geschlossen ist, plus der Hook in großer Schrift. Prüfen Sie auch, wie es quadratisch und im 3:4-Format aussieht, da einige Apps es so im Profilraster anzeigen.
  • Zeigen Sie dem Benutzer den Short, den Titel und das Cover. Posten Sie niemals etwas ohne die Zustimmung des Benutzers.

Regeln

  • Lassen Sie den Sprecher niemals etwas sagen, was er nicht gesagt hat. Ordnen Sie nur ganze Sätze um.
  • Wenn der Sprecher etwas Falsches sagt, behalten Sie es bei und informieren Sie den Benutzer. Korrigieren Sie es nicht stillschweigend in den Untertiteln.
  • Wenn der Sprecher ein Beispiel als erfunden bezeichnet, behält der Short dies bei oder fügt „Erfundenes Beispiel“ auf dem Bildschirm hinzu.

Beispiel

Der Benutzer teilt webinar.mp4, einen 50-minütigen Vortrag einer Buchhalterin namens Jo Park. (Jo und die folgenden Zeilen sind erfunden.)

Bei 18:42 sagt Jo: „Die meisten kleinen Unternehmen erfahren von ihrer Bank, dass ihnen das Geld ausgeht, nicht aus ihren Büchern.“ Das ist der Hook. Von 17:55 bis 18:20 erzählt sie eine Geschichte über eine Bäckerei, die die Löhne nicht zahlen konnte. Bei 19:05 gibt sie die Lösung: „Überprüfen Sie jeden Montag eine Zahl: Bargeld auf der Bank abzüglich Rechnungen, die in den nächsten 30 Tagen fällig werden.“

Der Agent schneidet drei Stücke in dieser Reihenfolge: 18:42 Hook (6 s), 17:55 Geschichte (25 s), 19:05 Lösung (9 s). Das ergibt 40 Sekunden. Er beschneidet Jo auf die Mitte eines 1080×1920-Bildes, fügt Untertitel hinzu und überprüft jede Zeile in Schritt 6. Titel: „Ihre Bank weiß, dass Sie pleite sind, bevor Sie es wissen.“ Cover: Jo, die in die Kamera schaut, mit den Worten „Überprüfen Sie das jeden Montag“.

Verwandte Skills