Communitygithub.com

long2short

Verwandle lange horizontale Videos (Vlogs, Reisevideos, Interviews, Podcasts, Vorträge) in vertikale 9:16 Kurzclips für TikTok, Instagram Reels und YouTube Shorts – mit automatischer Szenenauswahl, Nachverfolgung, Untertiteln und Soundeffekten.

Was ist long2short?

long2short ist ein KI-gestütztes Skill für Agenten wie Claude Code, das aus langen Landschaftsvideos automatisch postfertige vertikale Kurzclips (1080x1920 MP4) erstellt. Es erkennt nicht nur gesprochene Highlights, sondern auch visuelle Momente ohne Sprache (z.B. eine Maschine bei der Arbeit, ein Tier, eine Enthüllung) anhand von Kontaktbögen. Der Skill nutzt Apple Vision zur Subjektverfolgung, erzeugt wort-synchrone animierte Untertitel mit Hervorhebung des aktiven Wortes, fügt einen einprägsamen Hook-Text, Info-Sticker und Soundeffekte hinzu – alles mit einem einzigen CLI-Befehl `l2s.py`. Er unterstützt macOS (für Vision und VideoToolbox) und erfordert ffmpeg, Node, Xcode-Tools und whisper-cli. Die bedingte Textausrichtung funktioniert für lateinische Sprachen; Zahlen werden für Deutsch ausgeschrieben. Das Skill läuft vollständig lokal, lädt Abhängigkeiten bei der ersten Einrichtung in `~/.cache/long2short` und bietet umfangreiche Fehlerbehebungsreferenzen. Es ist ideal für Entwickler und Content-Ersteller, die schnell und zuverlässig die stärksten Momente eines Videos für soziale Medien aufbereiten möchten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/sebsch1337/long2short/tree/HEAD/skills/long2short

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht long2short?

Du bist der Redakteur: Du wählst die Momente, schreibst Hooks und Sticker und beurteilst den Bildausschnitt. Die Skripte erledigen die schwere Arbeit (Transkription, Szenenerkennung, Tracking, Schnitt, Rendering) und laufen lokal. Alles läuft über ein CLI:

python3 <skill>/scripts/l2s.py [-p PROJEKT] <befehl> ...

<skill> ist der Ordner dieses Skills. Ein Projekt-Ordner (Standard: <video-ordner>/long2short) enthält project.json, das Proxy, Transkript, Szenenliste und einen Ordner pro Clip (clips/clipNN/). Fertige Clips werden in project.json → out abgelegt (Standard: <video-ordner>/clips).

Voraussetzungen: macOS (Apple Vision für Tracking, VideoToolbox für schnelles ProRes), ffmpeg, Node (npx HyperFrames), Xcode-Befehlszeilentools (swiftc), whisper-cli + ein ggml-Modell (oder Python whisper). Die Untertitel-Zeitsteuerung (Forced Alignment) funktioniert für lateinische Sprachen; Zahlen werden für Deutsch in force_align.py ausgeschrieben – erweitere spell() für andere Sprachen. Nichts ist außer Anweisungen und Code mit diesem Skill gebündelt. Beim ersten Mal auf einem Rechner führe l2s.py setup aus – es lädt alles andere in ~/.cache/long2short herunter: eine private Python- Umgebung (torch/torchaudio für Forced Alignment), die CC0-Soundeffekte, die Untertitel-Schriftart (Montserrat, OFL) und, falls keine installiert ist, ein whisper.cpp-Modell; es kompiliert auch die Apple Vision-Helfer. Dann l2s.py doctor. Führe setup erneut aus, wenn doctor meldet, dass etwas fehlt. Wenn etwas fehlt, zeige dem Benutzer den genauen Installationsbefehl.

1. Video vorbereiten (einmal pro Video)

l2s.py init "/pfad/video.mp4" --lang de

Erstellt Proxy, 16-kHz-Audio, Worttranskript (transcript.txt mit Zeitcodes), scenes.json und Kontaktbögen (sheets/, ein Bild pro Szene mit Zeitcode). Lange Videos dauern Minuten – führe es im Hintergrund aus und informiere den Benutzer.

Füge wiederkehrende Transkriptionsfehler (Namen, Marken) zu project.json → glossary hinzu ({"Air bee and bee": "Airbnb"}); sie werden automatisch korrigiert, wenn Wörter auf einen Clip abgebildet werden.

2. Momente auswählen (dein Urteilsvermögen)

Lies references/editorial.md vor der Auswahl. Kurz gesagt: Lies das gesamte transcript.txt, sieh dir jeden Kontaktbogen an (so findest du starke Momente ohne Sprache – eine Maschine bei der Arbeit, ein Tier, eine große Enthüllung), schreibe dann eine Auswahlliste für den Benutzer: Nummer, Arbeitstitel / Hook, Quell- bereiche, Länge, warum es funktioniert. Standardlänge 60–90 s (TikToks Creator Rewards zahlt nur für Videos über einer Minute), es sei denn, der Benutzer wünscht etwas anderes. Warte auf die Zustimmung des Benutzers, bevor du einen Batch renderst, wenn er die Auswahl überprüfen wollte; andernfalls fahre fort.

Jeder Clip muss für sich allein stehen. Ein Betrachter sieht diese Person und dieses Thema zum ersten Mal: Die ersten 3 Sekunden (Hook-Text + Eröffnungszeile) müssen sagen, wo wir sind und worum es geht (z.B. "In Lissabon …"), und der Clip darf nicht auf andere Teile des Videos angewiesen sein ("nach dieser Reise", "wie ich schon sagte", "der zweite"). Beginne nach solchen Phrasen oder lass sie weg.

3. Jeden Clip bauen

l2s.py -p P plan  NN "A-B[,C-D]" [--teaser VS VE AS] [--seed T:CX:CY]
l2s.py -p P words NN                # gibt die Wörter mit Indizes aus – korrigiere Text in words_raw.json
l2s.py -p P align NN [MM ...]       # Forced Alignment: exakte Wortzeit (Modell wird einmal für alle Clips geladen)
#   schreibe clips/clipNN/hf_config.json  (siehe references/config.md)
l2s.py -p P finish NN "NN_kurzer-titel"   # Schnitt -> Grafiken -> Rendern -> Komponieren
  • Bereiche sind absolute Quellsekunden. Schneide an Satzgrenzen; verwende die Wortzeiten in words.json. Segmente werden der Reihe nach verbunden; ein --teaser (2–3 s Höhepunkt, zuerst gezeigt, mit Audio von AS) ergibt einen starken Cold Open.
  • Bildausschnitt-Überprüfung kostet Token – nur ansehen, wenn dazu aufgefordert. plan gibt no anomalies oder eine Liste von ANOMALIEN aus. Nur dann öffne clips/clipNN/spec.review.jpg (gelbes Kästchen = 9:16-Fenster, roter Punkt = verfolgtes Subjekt, Cyan-Gitter in 0,1er Schritten).
  • Objekte (Drohne, Roboter, Auto) werden nicht automatisch gefunden: Lies bei einem Abschnitt, der als "no person" gemeldet wird, die Position des Objekts aus dem Gitter ab und führe plan erneut mit --seed T:CX:CY (Quellzeit, x, y in 0–1) aus. Es rastet auf das Objekt ein und verfolgt es.
  • Textkorrekturen vor der Ausrichtung. Korrigiere falsch gehörte Wörter in words_raw.json; falls eine Passage unverständlich ist, lass sie aus den Untertiteln weg (drop in hf_config), anstatt zu raten.
  • Führe align für mehrere Clips auf einmal aus, um Zeit zu sparen.

4. Ausliefern

Gib eine kurze Tabelle aus: Clip, Länge, Dateipfad, Hook und eine postfertige Bildunterschrift mit Hashtags. Überprüfe Renderings nicht Bild für Bild, wenn der Benutzer gesagt hat, dass er selbst prüft. Zwischendateien sind groß (~2 GB pro Clip in clips/clipNN/); biete an, sie nach der Genehmigung durch den Benutzer zu löschen.

Fester Stil (genehmigt – nicht ohne Aufforderung ändern)

  • Untertitel: Montserrat Black, Großbuchstaben, weiß mit schwarzer Umrandung, 1–3 Wörter, aktives Wort gelb #FFD400 mit kurzem Pop, Schlüsselwörter auf einer gelben Pille; zentriert horizontal und vertikal im unteren Drittel; erscheinen 0,12 s vor dem Wort.
  • Hook: schwarze Pillen oben, Akzentwörter gelb, erste ~3 s. Info-Sticker: gelbe Pille + Emoji oben, automatisch an die Rahmenbreite angepasst.
  • Sound: 5–7 dezente Effekte pro Clip (Pop, Whoosh, Impact, Ka-Ching; CC0, von Setup heruntergeladen), keine Musik (Musik wird in der App hinzugefügt). Lautstärke −14 LUFS, True Peak −1 dBTP.
  • Bildausschnitt: ein 9:16-Fenster, sanftes Tracking. Keine Zoom-Punch-Ins und kein Letterbox-/Unschärfe- "Fit"-Layout – beides wurde getestet und verworfen (Herauszoomen sah aus wie Quetschen).

Wenn etwas falsch aussieht, lies references/troubleshooting.md – es listet die bereits gefundenen Ursachen auf (Szenenrand-Leaks, Wackeln, Untertitel-Verzögerung, …) und wie die Skripte damit umgehen.

Verwandte Skills