Communitygithub.com

Lange-Video-Sprache

Erstellt die gesprochene Audiospur (Erzählung und Charakterstimmen) für das genehmigte Videoskript. Entscheidet zuerst, ob Sprache benötigt wird, und bittet den Benutzer um Bestätigung. Erstellt dann eine Sprachbesetzung, generiert Hörproben, und produziert eine Audiodatei pro Sprachzeile.

Was ist Lange-Video-Sprache?

Diese Fähigkeit ist der 7. Schritt im Langvideo-Workflow und erzeugt gesprochenes Audio (Erzählung und Charakterstimmen) für ein zuvor genehmigtes Videoskript. Sie prüft zuerst anhand der Projekteinstellungen und Skriptdetails, ob Sprache benötigt wird, und holt die Bestätigung des Benutzers ein. Danach erstellt sie eine Sprachbesetzung basierend auf dem Film-Stil und dem visuellen Leitfaden, wählt passende Stimmen aus verfügbaren Tools wie ElevenLabs MCP oder lokaler Text-to-Speech aus, und produziert eine kurze Hörprobe pro Sprecher, die der Benutzer genehmigen muss. Erst nach Genehmigung werden alle Sprachzeilen einzeln als Audiodateien generiert, benannt nach Szene und Sprecher, und auf korrekte Länge geprüft. Falls der Benutzer die Audios selbst erstellen möchte, werden stattdessen detaillierte Sprachskripte in Stapeln erstellt. Die Fähigkeit unterstützt verschiedene Quellen (Cloud-TTS, lokal, Eigenaufnahme) und stellt sicher, dass keine Kosten ohne Zustimmung entstehen und der Skripttext nie geändert wird.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/samanfirouzi/long-video-skill/tree/HEAD/skills/long-video-voice

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Lange-Video-Sprache?

Stufe 7 des Langvideo-Workflows. Ausgabe: ein Ordner mit Audiodateien, eine pro gesprochener Zeile, jede benannt nach Szene und Sprecher. Oder die Entscheidung, dass das Video keine Sprache benötigt.

Eine Szene bedeutet ein Clip des Skripts (eine Einstellung, maximal 10 Sekunden), durchnummeriert in der Reihenfolge des Videos, wie in den vorherigen Stufen.

Bevor Sie beginnen

  1. Finden Sie das Projekt in ~/.long-video/projects/<slug>/. Erfordert video-script.md mit status: approved und film-style.md.
  2. Laden Sie die Projektkonfiguration: Sprache, Sprachquelle und -anbieter (audio.voiceover), providers.tts, Genehmigungsstufe, Budget.
  3. Lesen Sie den Sprachmodus und die Stimmbeschreibungen aus film-style.md.
  4. Wenn audio/ oder voice-scripts/ bereits existieren, fragen Sie: fortsetzen (auflisten, was erledigt ist) oder neu starten.

Schritt 1: Benötigt das Video Sprache?

Überlegen Sie es sich, bevor Sie fragen. Überprüfen Sie:

  • den Sprachmodus in film-style.md (Erzähler, Charaktere, gemischt),
  • audio.voiceover.source in der Konfiguration (none, self-recorded, cloud-tts, local-tts),
  • wie viele Erzähl- oder Dialogzeilen das Skript enthält und in wie vielen Szenen.

Geben Sie dann eine Empfehlung mit Begründung und bitten Sie um Bestätigung. Beispiel: „Das Skript hat 142 Erzählzeilen in 96 von 104 Szenen, und die Konfiguration verwendet Cloud-Text-to-Speech. Ich empfehle ein Video mit Erzählung. Möchten Sie, dass ich die Stimmen erstelle?“

  • Wenn das Skript keine gesprochenen Zeilen hat oder die Konfiguration keine Sprachausgabe vorsieht: empfehlen Sie, den Schritt zu überspringen, mit Begründung.
  • Genehmigt. Fahren Sie mit Schritt 2 fort.
  • Nicht benötigt. Setzen Sie "voice_mode": "none" und "stage": "voice-skipped" in project.json. Sagen Sie, dass die späteren Stufen nur Musik und Effekte verwenden werden. Stoppen.
  • Stimmt der Empfehlung nicht zu. Folgen Sie dem Benutzer. Aktualisieren Sie den Konfigurationshinweis, falls Sprache auf none gesetzt war und der Benutzer sie jetzt wünscht.

Erstellen Sie niemals ohne Bestätigung des Benutzers eine Stimme.

Schritt 2: Sprachbesetzung aufbauen

  1. Listen Sie jeden Sprecher auf: den Erzähler (falls vorhanden) und jeden Charakter mit Dialog. Zählen Sie die Zeilen für jeden.
  2. Nehmen Sie für jeden Sprecher die Stimmbeschreibung aus film-style.md (Alter, Tonfall, Akzent, Geschwindigkeit). Fehlt eine Beschreibung, schlagen Sie eine aus der Charakterbeschreibung in visual-bible.md vor und markieren Sie sie als „vorgeschlagen“.
  3. Zeigen Sie die Besetzung als Tabelle an: Sprecher-ID, Anzahl der Zeilen, Stimmbeschreibung. Bitten Sie den Benutzer um Bestätigung oder Änderung.
  4. Sprecher-IDs: narrator oder die Charakter-ID ohne das Präfix char- (z. B. wird char-mara zu mara). Diese IDs werden in Dateinamen verwendet.

Schritt 3: Wählen, wie das Audio erstellt wird

Fragen Sie: „Soll Claude die Stimmen generieren, oder machen Sie sie selbst (aufnehmen oder Ihr eigenes Tool verwenden)?“

  • Claude generiert. Gehen Sie zu Schritt 4.
  • Ich mache sie. Gehen Sie zu Schritt 6.
  • Beides. Schreiben Sie die Sprachskripte (Schritt 6) und generieren Sie auch (Schritt 4).
  • Wenn audio.voiceover.source self-recorded ist, gehen Sie direkt zu Schritt 6.

Schritt 4: Sprachwerkzeug finden und Hörproben erstellen

Lesen Sie references/voice-generation.md. Kurz gesagt:

  1. Verwenden Sie die in der Konfiguration gespeicherte Methode (providers.tts), falls vorhanden. Testen Sie sie.
  2. Suchen Sie nach verbundenen Werkzeugen in dieser Sitzung, die Sprache generieren (ein ElevenLabs MCP oder ähnliches, oder Fähigkeiten mit Sprachwerkzeugen).
  3. Überprüfen Sie die Umgebungsvariablen für API-Schlüssel auf dem Gerät. Geben Sie nur „gesetzt“ oder „nicht gesetzt“ aus.
  4. Überprüfen Sie lokale Text-to-Speech-Werkzeuge.
  5. Wenn nichts gefunden wird, fragen Sie, ob der Benutzer einen API-Schlüssel (als Umgebungsvariable, niemals im Chat eingefügt), einen MCP-Server zum Verbinden oder eine Sprachseite im Browser hat. Oder gehen Sie zu Schritt 6.

Hörproben zuerst. Generieren Sie niemals das vollständige Audio, bevor der Benutzer die Stimmen genehmigt hat.

  1. Wählen Sie für jeden Sprecher eine Stimme, die zur Beschreibung passt. Listen Sie die Stimmen des Werkzeugs auf und wählen Sie daraus. Verwenden Sie niemals eine Stimmen-ID aus dem Gedächtnis. Wenn das Werkzeug eine neue Stimme aus einer Beschreibung entwerfen kann, bieten Sie das für schwer zu treffende Stimmen an.
  2. Erstellen Sie eine kurze Hörprobe pro Sprecher (5 bis 15 Sekunden). Verwenden Sie eine echte Zeile aus dem Skript, die dieser Sprecher sagt, in der konfigurierten Sprache. Für den Erzähler verwenden Sie die Eröffnungszeilen. Fügen Sie den Vortragshinweis ein, falls die Zeile einen hat.
  3. Speichern Sie die Hörproben in audio/samples/ als sample_<sprecher>.mp3.
  4. Präsentieren Sie jede Hörprobe mit dem Sprecher, dem Stimmnamen und der Zeile. Bitten Sie den Benutzer um Genehmigung oder fordern Sie eine andere Stimme an. Wenn der Benutzer eine andere Stimme wünscht, erstellen Sie eine neue Hörprobe (einzeln, keine Batch-Wiederholungen). Wiederholen Sie, bis jeder Sprecher genehmigt ist.
  5. Notieren Sie die genehmigten Stimmen in voice-cast.md (Sprecher, Stimmname, Stimmen-ID, Einstellungen, Hörprobedatei). Aktualisieren Sie die Stimmliste in film-style.md entsprechend.

Wiederholen Sie keinen Generierungsaufruf stillschweigend. Jeder Aufruf kann erneut Kosten verursachen.

Schritt 5: Zeilen generieren

  1. Lesen Sie references/voice-script-format.md. Erstellen Sie die Zeilenliste aus dem Skript: ein Eintrag pro gesprochener Zeile, in Szenenreihenfolge.
  2. Teilen Sie dem Benutzer die Anzahl der Zeilen, die gesamte Sprechzeit und die ungefähren Kosten mit. Fragen Sie vor dem Start. Bieten Sie an, mit einem Bereich zu beginnen, z. B. Szenen 1 bis 10.
  3. Testszene. Generieren Sie die erste Szene mit Sprache. Spielen Sie sie ab oder melden Sie ihre Dauer. Fragen Sie, ob die Auslieferung richtig ist. Korrigieren Sie zuerst die Einstellungen.
  4. Generieren Sie in Szenenreihenfolge mit den genehmigten Stimmen. Wenden Sie die Vortragshinweise an. Verwenden Sie die Aussprachehinweise aus der Zeilenliste.
  5. Speichern Sie jede Zeile als audio/lines/szene-<NNN>_<sprecher>_<NN>.<erweiterung>. Überschreiben Sie niemals eine Datei ohne zu fragen.
  6. Messen Sie nach jeder Datei ihre Dauer mit ffprobe. Vergleichen Sie sie mit der Szenendauer im Skript (siehe das Format-Referenz für die Passungsregeln). Notieren Sie das Ergebnis.
  7. Wenn eine Zeile nicht in ihre Szene passt, ändern Sie nicht die Wörter. Bieten Sie Optionen an: eine etwas schnellere Auslieferung (maximal 10 Prozent), eine längere Szene (immer noch innerhalb des 10-Sekunden-Limits) oder das Aufteilen der Zeile auf zwei Szenen mit Zustimmung des Benutzers.
  8. Auf einmal oder einzeln: Fragen Sie den Benutzer. Einzeln spielt das Ergebnis jeder Zeile ab, wartet auf Genehmigung oder eine Wiederholungsanfrage.
  9. Wenn das Werkzeug sein eigenes Audio in den Videoclips erstellt (Lippensynchronisation), fragen Sie, ob dieses Audio behalten oder diese Dateien verwendet werden sollen. Notieren Sie die Antwort in audio/status.md.

Wenn die Generierung fehlschlägt oder der Benutzer ablehnt, fallen Sie für die verbleibenden Szenen auf Schritt 6 zurück.

Schritt 6: Sprachskripte für den Benutzer

  1. Erstellen Sie audio/lines/ für die fertigen Audiodateien und voice-scripts/ für die Zeilenlisten. Zeigen Sie die vollständigen Pfade an.
  2. Schreiben Sie Stapeldateien von 20 Szenen (szenen-001-020.md) und voice-scripts/index.md gemäß dem Format-Referenz. Jede Zeile enthält:
    • den zu speichernden Dateinamen: audio/lines/szene-007_erzaehler_01.mp3
    • den Sprecher und die Stimmbeschreibung
    • den genauen Text, den Vortragshinweis und die Aussprachehinweise
    • die Szenendauer, damit das Audio darauf überprüft werden kann
  3. Fragen Sie: auf einmal oder einzeln.
    • Auf einmal. Zeigen Sie die Ordnerpfade und ein Beispiel an. Der Benutzer arbeitet die Stapeldateien durch.
    • Einzeln. Zeigen Sie die erste Zeile mit ihrem Dateinamen an. Warten Sie, bis der Benutzer sagt, dass sie gespeichert ist. Überprüfen Sie, ob die Datei mit dem richtigen Namen existiert, und messen Sie ihre Dauer. Zeigen Sie dann die nächste Zeile an.
  4. Bieten Sie an, den Ordner jederzeit zu überprüfen: Vergleichen Sie Dateien mit dem Index und listen Sie fehlende, falsch benannte oder zu lange Audiodateien auf.

Schritt 7: Status und Abschluss

  1. Halten Sie audio/status.md aktuell mit der Tabelle aus dem Format-Referenz. Statuswerte: pending, done, needs-manual, skipped.
  2. Aktualisieren Sie project.json: "stage": "voice-prompts-done" nachdem die Zeilenlisten gespeichert sind, und "stage": "voice-done", wenn jede gesprochene Zeile eine Audiodatei hat und der Benutzer die Sammlung genehmigt.
  3. Teilen Sie dem Benutzer die Pfade von audio/ und voice-scripts/, die gesamte Sprechzeit im Verhältnis zur Videodauer und mit, was fehlt oder zu lang ist.
  4. Bieten Sie an, das funktionierende Werkzeug in der Konfiguration (providers.tts), Methode und Namen, zu speichern.
  5. Bieten Sie an, mit long-video-sound (Soundeffekte, Atmosphäre und Hintergrundmusik) fortzufahren. Starten Sie dies nur, wenn der Benutzer zustimmt. Starten Sie keine andere spätere Stufe, es sei denn, der Benutzer fragt danach und diese Stufe existiert.

Regeln

  • Erstellen Sie niemals Stimmen ohne Bestätigung des Benutzers in Schritt 1.
  • Generieren Sie niemals vollständiges Audio, bevor die Hörproben genehmigt sind.
  • Ändern Sie niemals die Skriptwörter. Wenn eine Zeile nicht passt, fragen Sie zuerst.
  • Verwenden Sie niemals eine Stimmen-ID, die nicht aus der eigenen Stimmenliste des Werkzeugs oder vom Benutzer stammt.
  • Fragen Sie niemals nach API-Schlüsseln im Chat. Geben Sie niemals Passwörter ein oder lösen Sie CAPTCHAs in einem Browser.
  • Wiederholen Sie keinen Generierungsaufruf stillschweigend. Jeder Aufruf kann erneut Kosten verursachen.
  • Benennen Sie niemals eine Datei um, nachdem die Zeilenliste genehmigt ist.
  • Halten Sie Chat-Nachrichten kurz. Platzieren Sie vollständige Zeilenlisten in Dateien.

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

long-video-assets

Video and animation skill. Build the visual foundation for a long video from an approved story. Extracts the recurring characters, environments and key objects, helps the user choose one art style from suggested options (10 at a time, more on request), then writes image generation prompts for every character (portrait plus character sheet), environment and object, all sharing one locked style. Can also generate the images (installed tool, API, MCP or browser) or hand the user a folder and file names to fill. Use after lon

long-video-director

Turn an approved story into a shot-by-shot video script, acting as the director. Asks whether the video uses a narrator or characters who speak (or both), suggests professional filming choices (camera type, lenses, camera movement, lighting, color, pacing), saves them as a separate film style file, then writes a script that matches the project config. Outputs film-style.md and video-script.md. Use after long-video-story (and long-video-assets) are done, or when the user asks for the video script, shot list, camera style or lighting plan.

long-video-keyframes

Create the start and end frame image for every scene (clip) of the approved video script. Writes one image prompt per frame with a fixed file name that holds the scene number and start or end, makes a folder for the images, and can generate the images with an available image tool, or hand the prompts to the user all at once or one by one. Use after long-video-director, or when the user asks for start frames, end frames, keyframes or scene images.

long-video-render

Assemble the finished video and run the review loop. Builds the edit from the clips (or images with camera moves), voice, sound stems and captions, renders a low quality review version with scene numbers and time burned in so a client can review it, collects and applies changes (re-rendering reviews as often as needed), and when the user approves, renders the high quality final video. Uses a video editor with a CLI or MCP (FilmCraft, EffectCraft or another) if one is available and the user wants it, otherwise the bundled ffmpeg renderer. Use after long-video-sound, or when the user asks to render, assemble, export, preview or finalize the video.

long-video-sound

Video and animation skill. Create the sound effects, ambience and background music for the video and place them on the timeline. Plans the sound design from the approved script, sources or makes each sound (Openverse for openly licensed recordings and music, Earshot to make sounds from words and to listen to and judge sounds, Clipwing real-sfx to place real sounds on exact frames), records licences and credits, and mixes separate stems (effects, ambience, music) with the music ducked under speech. Or gives the user a fold

long-video-story

Agree on the story for a long video. The user either supplies a story or asks Claude to write one. When Claude writes, it first asks which story style to use (for example niche discovery, or a provocative-questions narration), runs that style's skill, and revises until the user approves. Use after long-video-setup, or when the user says "story for my video", "give me an idea", or wants to change an unapproved story. Ends only when the user explicitly approves the story.

Verwandte Skills