Wenn diese Fähigkeit aktiviert wird, beginne deine erste Antwort immer mit dem :pencil:-Emoji.
Videoskripterstellung
Die Videoskripterstellung für programmatische Videos ist die Praxis, Skripte zu planen, zu strukturieren und zu schreiben, die direkt in codegesteuerte Videoproduktion übersetzt werden. Im Gegensatz zum traditionellen Drehbuchschreiben sind programmatische Videoskripte strukturierte Daten – jede Szene hat eine explizite Dauer, Bildanzahl, Animationsbeschreibung und einen Erzähltext, die eine Rendering-Engine verarbeiten kann. Diese Fähigkeit umfasst die Befragung von Stakeholdern, die Generierung strukturierter YAML-Skripte, die Berechnung von Tempo und Bildanzahlen, das Schreiben von Erzähltexten und die Überarbeitung von Skripten.
Wann diese Fähigkeit verwendet werden soll
Löse diese Fähigkeit aus, wenn der Nutzer:
- Ein Skript für ein programmatisches oder codegeneriertes Video schreiben möchte
- Die Szenenstruktur, das Timing oder Übergänge für ein Video planen muss
- Nach der Erstellung eines Storyboards in einem strukturierten Format (YAML, JSON) fragt
- Bildanzahlen aus Dauer und FPS berechnen möchte
- Hilfe beim Schreiben von Erzähltexten für Videoszenen benötigt
- Nach dem Videotempo für verschiedene Inhaltstypen (Demo, Erklärvideo, Social) fragt
- Einen Interview-Workflow zur Erfassung von Videoanforderungen durchführen möchte
- Ein vorhandenes Videoskript überarbeiten oder umstrukturieren möchte
Löse diese Fähigkeit NICHT aus für:
- Live-Action-Filmemachen oder traditionelles Drehbuchschreiben
- Tutorials zu Videobearbeitungssoftware (Premiere, Final Cut, DaVinci Resolve)
- Reine Audioinhalte wie Podcasts oder Musikproduktion
- Standbilddesign oder statische Präsentationsfolien
Wichtige Prinzipien
-
Interview-getrieben – Führe ein strukturiertes Interview (bis zu 30 Fragen in 7 Kategorien) durch, bevor du eine Szene generierst. Skripte niemals aus Annahmen heraus.
-
Strukturierte Ausgabe – Jedes Skript ist gültiges YAML mit einem
meta-Block und einemscenes-Array. Jede Szene hat die Felderid,duration,frames,narration,visual,animation,music,sfxundtransition_to_next. -
Visuell zuerst – Schreibe das
visual-Feld vor demnarration-Feld. Der Erzähltext sollte die Bilder ergänzen, niemals redundant beschreiben, was auf dem Bildschirm zu sehen ist. -
Tempobewusstsein – Passe die Anzahl der Szenen und deren Dauer an den Videotyp an: Social-Clips brauchen 3-8s Szenen; Erklärvideos können sich mit 5-12s Szenen mehr Zeit lassen.
-
Synchronisation von Erzähltext und Bild – Jede Erzählzeile muss mit dem übereinstimmen, was in diesem Moment sichtbar ist. Eine Idee pro Szene. Das Timing des Erzähltextes muss zur Szenendauer passen.
Kernkonzepte
Interview-Framework
Erfasse Anforderungen durch 7 Kategorien, bevor du schreibst:
| Kategorie | Fragen | Beispiele |
|---|---|---|
| Produkt/Thema | 5-7 | Was ist das Produkt? Hauptmerkmale? Gelöstes Problem? Alleinstellungsmerkmal? |
| Zielgruppe | 3-5 | Zielzuschauer? Technisches Niveau? Schmerzpunkte? |
| Videoziele | 3-4 | Typ (Demo/Erklärvideo/Social/Ankündigung)? Dauer? Kanal? |
| Ton & Stil | 3-5 | Formell oder locker? Energiegeladen oder ruhig? Referenzvideos? |
| Assets | 3-5 | Logo? Screenshots? Markenfarben? Schriftarten? |
| Inhalt | 4-6 | Kernbotschaften? Pflichtfunktionen? CTA? Einstiegshaken? |
| Visuelle Vorlieben | 3-5 | Animationsstil? Farbpalette? Layout-Präferenzen? |
YAML-Skriptformat
meta:
title: "string - beschreibender Titel"
duration: "string - Gesamtdauer (z.B. 60s)"
type: "enum - demo | erklärvideo | social | ankündigung"
resolution: "string - z.B. 3840x2160, 1920x1080"
fps: "number - 24, 30 oder 60"
audience: "string - wer zusieht"
tone: "string - kommagetrennte Beschreibungen"
total_frames: "number - dauer_sekunden * fps"
scenes:
- id: "string - eindeutiger kebab-case-Bezeichner"
duration: "string - z.B. 4s, 8s"
frames: "number - szenendauer_sekunden * fps"
narration: "string - max. 15 Wörter pro Satz"
visual: "string - was der Zuschauer auf dem Bildschirm sieht"
animation: "string - wie sich Elemente bewegen, mit Bildreferenzen"
music:
track: "string - Name des Musiktitels"
volume: "number - 0.0 bis 1.0"
duck: "boolean - Musik während Erzähltext leiser stellen"
sfx:
- type: "string - Name des Soundeffekts"
at: "string - Zeitstempel innerhalb der Szene"
duration: "string - wie lange er abgespielt wird"
transition_to_next: "enum - harter-schnitt | kreuzblende | ausblenden-nach-schwarz | wischen-links | wischen-rechts | keiner"
Szenentempo nach Videotyp
| Videotyp | Dauer | Szenen | Pro Szene | Hinweise |
|---|---|---|---|---|
| Produktdemo | 30-120s | 6-15 | 5-10s | Funktionsorientiert, klare CTAs |
| Erklärvideo | 60-180s | 8-20 | 5-12s | Konzeptlastig, mehr Raum zum Atmen |
| Social-Clip | 15-60s | 3-8 | 3-8s | Haken in den ersten 3s, schnelles Tempo |
| Ankündigung | 15-45s | 3-6 | 4-8s | Knackig, Fokus auf eine Botschaft |
Bildberechnung
total_frames = dauer_sekunden * fps
szenen_frames = szenendauer_sekunden * fps
Beispiel: 60s Video bei 30fps = 1800 Bilder insgesamt
| Dauer | 24 fps | 30 fps | 60 fps |
|---|---|---|---|
| 4s | 96 | 120 | 240 |
| 8s | 192 | 240 | 480 |
| 30s | 720 | 900 | 1800 |
| 60s | 1440 | 1800 | 3600 |
| 90s | 2160 | 2700 | 5400 |
Überprüfe immer, ob die Summe der Szenenbilder mit total_frames im meta-Block übereinstimmt.
Häufige Aufgaben
1. Den Interview-Workflow ausführen
Gehe alle 7 Kategorien nacheinander durch. Frage eine Kategorie nach der anderen ab, fasse die Antworten zusammen und fahre dann fort. Siehe references/interview-questions.md für das vollständige 30-Fragen-Framework. Eine komprimierte Version für enge Zeitvorgaben verwendet 10 wesentliche Fragen: Produktname, Hauptmerkmale, gelöstes Problem, Zielzuschauer, technisches Niveau, Videotyp, Dauer, Kanal, Kernbotschaft und CTA.
2. Ein Produktdemo-Skript generieren
meta:
title: "Produktdemo - Acme Dashboard"
duration: "60s"
type: demo
resolution: 3840x2160
fps: 30
audience: "SaaS-Gründer und Produktmanager"
tone: "professionell, selbstbewusst, minimalistisch"
total_frames: 1800
scenes:
- id: intro
duration: "4s"
frames: 120
narration: "Lernen Sie Acme kennen – das Dashboard, das sich selbst baut."
visual: "Logo zentriert auf warmem, hellem Hintergrund, blende aus Transparenz ein"
animation: "Einblendung über 30 Bilder, Halten für 90 Bilder"
music:
track: "aufmunternd-geschäftlich"
volume: 0.4
duck: false
sfx: []
transition_to_next: "harter-schnitt"
- id: funktion-1
duration: "8s"
frames: 240
narration: "Beschreiben Sie einfach, was Sie brauchen. Acme erledigt den Rest."
visual: "Browser-Mockup mit Eingabeaufforderung, Text wird getippt"
animation: "Browser gleitet von unten über 20 Bilder hoch, Tippen beginnt bei Bild 40"
music:
track: "aufmunternd-geschäftlich"
volume: 0.2
duck: true
sfx:
- type: "tastatur-tippen"
at: "1.3s"
duration: "3s"
transition_to_next: "kreuzblende"
- id: funktion-2
duration: "8s"
frames: 240
narration: "Ziehen, ablegen, skalieren. Ihr Layout, Ihre Regeln."
visual: "Dashboard-Editor mit Widgets, die durch den Cursor neu angeordnet werden"
animation: "Cursor bewegt sich bei Bild 30 zum Widget, zieht es über 60 Bilder an neue Position"
music:
track: "aufmunternd-geschäftlich"
volume: 0.2
duck: true
sfx:
- type: "weicher-klick"
at: "1.0s"
duration: "0.2s"
transition_to_next: "kreuzblende"
- id: cta
duration: "6s"
frames: 180
narration: "Testen Sie Acme kostenlos unter acme.dev. Erstellen Sie Ihr erstes Dashboard in Minuten."
visual: "CTA-Text zentriert mit URL, subtiler animierter Hintergrundverlauf"
animation: "Textblende über 20 Bilder ein, Hintergrundverlauf verschiebt sich langsam"
music:
track: "aufmunternd-geschäftlich"
volume: 0.4
duck: false
sfx: []
transition_to_next: "ausblenden-nach-schwarz"
Vollständige Demo-Skripte haben normalerweise 6-15 Szenen. Erweitere sie, indem du Problem-, Social-Proof-, Preis- und Outro-Szenen mit derselben YAML-Struktur hinzufügst.
3. Ein Social-Clip-Skript generieren
meta:
title: "Acme in 30 Sekunden"
duration: "30s"
type: social
resolution: 1080x1920
fps: 30
audience: "Entwickler, die durch Social Feeds scrollen"
tone: "energiegeladen, knackig, modern"
total_frames: 900
scenes:
- id: hook
duration: "3s"
frames: 90
narration: "Hör auf, Dashboards von Grund auf neu zu bauen."
visual: "Fetter Text auf lebendigem Verlaufshintergrund"
animation: "Text knallt von oben über 8 Bilder herein, Bildschirm wackelt für 4 Bilder"
music:
track: "elektronischer-puls"
volume: 0.5
duck: true
sfx:
- type: "einschlag-aufprall"
at: "0.2s"
duration: "0.3s"
transition_to_next: "harter-schnitt"
- id: demo
duration: "12s"
frames: 360
narration: "Gib ein, was du brauchst. Acme baut es live."
visual: "Bildschirmaufnahme: Eingabe eines Prompts, Dashboard wird in Echtzeit generiert"
animation: "Tippen für 120 Bilder, Dashboard baut sich über die restlichen 240 Bilder auf"
music:
track: "elektronischer-puls"
volume: 0.3
duck: true
sfx:
- type: "tastatur-tippen"
at: "0.5s"
duration: "4s"
transition_to_next: "harter-schnitt"
- id: ergebnis
duration: "8s"
frames: 240
narration: "Voll interaktiv. Echtzeit-Daten. Bereit zum Teilen."
visual: "Fertiges Dashboard mit Hover-Interaktionen, Daten werden live aktualisiert"
animation: "Cursor schwebt und löst Tooltips aus, Daten aktualisieren sich bei Bild 120"
music:
track: "elektronischer-puls"
volume: 0.3
duck: true
sfx: []
transition_to_next: "harter-schnitt"
- id: cta
duration: "7s"
frames: 210
narration: "Kostenlos testen unter acme.dev."
visual: "CTA-Text groß und zentriert, URL darunter, Markenverlaufshintergrund"
animation: "Text skaliert von 0 auf volle Größe über 15 Bilder, hält dann"
music:
track: "elektronischer-puls"
volume: 0.5
duck: false
sfx: []
transition_to_next: "keiner"
4. Bildanzahlen aus der Dauer berechnen
Eingabe: dauer = 60s, fps = 30
Ausgabe: total_frames = 1800
Szenenaufteilung:
intro: 4s * 30 = 120 Bilder
funktion-1: 8s * 30 = 240 Bilder
funktion-2: 8s * 30 = 240 Bilder
beweis: 6s * 30 = 180 Bilder
cta: 6s * 30 = 180 Bilder
---
Summe: 32s = 960 Bilder (verbleibende 840 Bilder benötigen mehr Szenen)
Überprüfe immer die Summe. Wenn die Szenen nicht aufgehen, passe sie an oder füge Szenen hinzu.
5. Effektive Erzähltexte schreiben
Regeln:
- Max. 15 Wörter pro Satz – Längere Sätze können nicht rechtzeitig gelesen werden
- Aktiv, Präsens – „Acme baut Ihr Dashboard“ nicht „wird gebaut werden“
- Erzähltext an Bilder anpassen – Sprich über das, was auf dem Bildschirm zu sehen ist
- Eine Idee pro Szene – Stopfe nicht zwei Konzepte in eine Zeile
- Mit Nutzen beginnen – „Sparen Sie 10 Stunden pro Woche“ nicht „Unsere Zeiterfassungsfunktion“
- Pausen einbauen – Leerer Erzähltext (
"") für Verschnaufpausen - Sprechgeschwindigkeit – Etwa 2,5 Wörter pro Sekunde
| Schlecht | Gut | Warum |
|---|---|---|
| „Unser Produkt wurde entwickelt, um Teams dabei zu helfen, schneller Dashboards zu erstellen“ | „Erstellen Sie Dashboards in Minuten, nicht in Wochen.“ | Zu lang, passiv |
| „Klicken Sie auf den Plus-Button oben rechts“ | „Fügen Sie ein Widget mit einem Klick hinzu.“ | Lass das Bild die Position zeigen |
| „Wie Sie sehen können, werden die Daten in Echtzeit aktualisiert“ | „Echtzeit-Daten. Immer aktuell.“ | „Wie Sie sehen können“ ist Füllstoff |
6. Szenenübergänge planen
| Übergang | Wann verwenden |
|---|---|
harter-schnitt | Gleiches Thema, schnelles Tempo oder krasser Kontrast |
kreuzblende | Sanfter Themenwechsel, zusammenhängender Inhalt fließt |
ausblenden-nach-schwarz | Ende eines Abschnitts, dramatische Pause, letzte Szene |
wischen-links / wischen-rechts | Vorher-/Nachher-Vergleiche, zeitlicher Fortschritt |
keiner | Letzte Szene des Videos |
Regel: Verwende für Konsistenz maximal 2 verschiedene Übergangstypen pro Video.
7. Ein Skript basierend auf Feedback überarbeiten
- Identifiziere die Art des Feedbacks: Tempo, Erzähltext, Bilder, Struktur oder Ton
- Lokalisiere die betroffenen Szenen anhand der
idim YAML - Wende Änderungen nur auf die betroffenen Felder an, behalte die Bildberechnung bei
- Validiere erneut: Die Szenendauern müssen immer noch die Gesamtdauer ergeben
- Berechne Bilder neu, wenn sich die Dauer geändert hat
- Dokumentiere, was geändert wurde:
# Überarbeitung: Intro auf Feedback hin von 6s auf 4s verkürzt (v2)
- id: intro
duration: "4s" # war 6s
frames: 120 # war 180
Anti-Patterns / häufige Fehler
| Fehler | Warum es falsch ist | Was stattdessen tun |
|---|---|---|
| Erzähltext vor Bildern schreiben | Treibt das Video in eine Talking-Head-Richtung | Schreibe zuerst visual, dann Erzähltext als Ergänzung |
| Szenen länger als 12 Sekunden | Zuschauer verlieren die Aufmerksamkeit, Tempo wirkt schleppend | Teile in zwei kürzere Szenen auf |
| Nicht übereinstimmende Bildanzahlen | Rendering-Engine produziert falsches Timing oder stürzt ab | Berechne immer frames = dauer * fps und überprüfe Summen |
| Erzähltext über 15 Wörter/Satz | Kann innerhalb der Szenendauer nicht gelesen werden | Teile in kürzere Sätze auf |
| Kein Haken in den ersten 3 Sekunden | Social-Zuschauer scrollen vorbei, eingebettete Zuschauer schalten ab | Eröffne mit einer kühnen Aussage, Frage oder visuellen Überraschung |
| Inkonsistente Übergänge | Video wirkt abgehackt und laienhaft | Verwende maximal 2 Übergangstypen pro Video |
| Das Interview überspringen | Produziert generische Skripte, die das Ziel verfehlen | Erfasse immer zuerst die Anforderungen |
| Leere visuelle Beschreibungen | Der Rendering-Engineer kann die Szene nicht bauen | Sei genau bei Layout, Farben, Bewegung, Elementen |
Fallstricke
-
Rundung der Bildanzahl – Wenn die Dauer nicht gleichmäßig aufgeht (z. B. 3,5s bei 24fps = 84 Bilder), runde auf die nächste ganze Zahl und passe die letzte Szene an. Lasse niemals gebrochene Bildanzahlen – Rendering-Engines kürzen ab oder geben einen Fehler aus.
-
Überlauf des Erzähltext-Timings – Bei 2,5 Wörtern/Sekunde hat eine 4s-Szene etwa 10 Wörter. Das Schreiben von 20 Wörtern für eine 4s-Szene bedeutet gehetzten Erzähltext oder Abschneiden. Überprüfe immer die Wortanzahl gegen die Szenendauer.
-
Vertikale vs. horizontale Auflösung – Social-Clips (TikTok, Reels, Shorts) verwenden 1080x1920 (vertikal). YouTube/Website-Einbettungen verwenden 1920x1080 oder 3840x2160. Bestätige den Verteilungskanal, bevor du die Auflösung festlegst.
-
Konflikte beim Musik-Ducking – Wenn jede Szene
duck: truehat, springt die Musiklautstärke ständig auf und ab. Verwende Ducking nur, wenn ein Erzähltext vorhanden ist. Szenen mit leerem Erzähltext solltenduck: falsehaben. -
Abweichung der Gesamtdauer – Nach Überarbeitungen oder dem Ausgleichen von Rundungen kann die Gesamtdauer von der ursprünglichen Angabe abweichen. Aktualisiere immer den meta-Block. Verwende eine Tabelle, um Änderungen zu verfolgen: