clip-short

Autonomer KI-Short-Clipper & Formatbewusste virale Videoproduktion (clip-short v2.4)

Ein agentisches Video-Engineering-Skill, das langes Quellmaterial verarbeitet, das Quellformat und die Geschichte versteht, eine geeignete visuelle Behandlung auswählt, ein mobiles vertikales Video rendert und dann anhand des exportierten MP4 beweist, dass das Ergebnis korrekt ist.

v2.4 behält den Drei-Achsen-Router bei und schließt die Lücke zwischen behaupteter und sichtbarer Qualität: Bei Fehlern abschließende Qualitätssicherung, echte multimodale semantische Überprüfung, Erzähl-zu-Visual-Zeitstempel, Sprecherprüfungen auf Shot-Ebene, echte Objektidentität, Diagrammgrenzenvalidierung, Caption/Objekt-Kollisionstests, Thumbnail-OCR, reproduzierbare Provenienz und Leistungslernen aus Kampagnen.

v2.0 ersetzte das feste „Ein Rezept für jede Quelle“-Modell durch drei unabhängige Entscheidungen:

1. Was ist die Quelle? (visuelles Archetyp)
2. Was ist die Geschichte? (narratives Archetyp)
3. Welche Behandlung dient dieser Geschichte? (Bearbeitungsbehandlung)

Der 54/46-Split-Screen ist ein starkes Preset innerhalb dieses Systems, kein universelles Gesetz. Kein Clip gilt als fertig, bis er die Produktionsqualitätsschranke gegen die tatsächliche gerenderte Datei bestanden hat.

---

Wann zu verwenden

• Verarbeitung und Sichtung von Roh-Livestreams, Konferenzvorträgen, Podcasts und mehrstündigen VODs zur Auswahl von Shorts mit hoher Haltewahrscheinlichkeit
• Auswahl von Kandidaten mit der Highest Expected Value (EV)-Formel, beschränkt durch Kampagneneignung
• Klassifizierung des Quellmaterials entlang der drei unabhängigen Achsen (visual_archetype, narrative_archetype, editing_treatment)
• Layoutsteuerung durch die Adaptive Layout Engine (Vollbildzuschnitt, Sprecherwechsel, adaptiver Split-Screen, PiP, progressive Diagrammverfolgung, szenenweise Erzählung, minimalistische Dokumentation)
• Durchsetzung von sprachlichen Grenzen nach Kampagnenregeln: vollständige Satzeinstiege, null Füllwörter, abschließende Satzzeichen, Laufzeit nach Kampagnenregeln ohne Kürzung des Höhepunkts
• Überprüfung von Transkripten und Domänenterminologie vor der Verpackung
• Rendern von gesichtsbewusster kinetischer Typografie mit Sicherheitszonen
• Trennung von fünf verschiedenen Textebenen: HUD-Headline, Untertitel, YouTube-Titel, Thumbnail-Headline, Kampagnen-Caption
• Durchführung einer Vollbild-Post-Render-Inspektion des exportierten MP4 mit Fehlschlag-Absicherung auf REJECTED_RENDER
• Bewertung mit einer Bestanden/Nicht-Bestanden-Produktionsschranke plus einer redaktionellen Potenzialbewertung
• Aufzeichnung realer Kampagnenmetriken und Rückführung in die zukünftige Auswahl
• Erstellung eines verifizierten Abgabepakets für die von Menschen freigegebene gestaffelte Veröffentlichung

---

Architektur & Subskill-Index

                        [ Rohmaterial: 4K / 1440p Master ]
                                      |
                                      v
                    +-----------------------------------+
                    |   1. Kampagnen-Preflight          | ---> [subskills/campaign-preflight.md]
                    |   - Dauer / Ton / Inhalt          |      Fehlschlag-Absicherung auf HUMAN_REVIEW
                    |   - Rechte & genehmigte Quelle    |      wenn Regeln fehlen
                    +-----------------------------------+
                                      |
                                      v
                    +-----------------------------------+
                    |   2. Drei-Achsen-Klassifikation   | ---> [subskills/format-router-templates.md]
                    |   A. Visuelles Quell-Archetyp     |      [references/clipper-format-archetypes.md]
                    |   B. Narratives Archetyp          |
                    |   C. Bearbeitungsbehandlung       |
                    +-----------------------------------+
                                      |
              +-----------------------+-----------------------+
              |                                               |
              v                                               v
+-----------------------------+                 +-----------------------------+
|  3. Transkript-Verifikation |                 |   4. Sprachliche Anpassung  |
|  - ASR-Konfidenz            |                 |  - Vollständiger Satzeinstieg |
|  - Domänenterminologie      |                 |  - 0 Füllwörter             |
|  - Entitäts-/Akronymprüfung |                 |  - Abschließende Satzzeichen |
|  - Diff mit Original-Untertiteln |            |  - Kampagnenbewusste Laufzeit |
|  [subskills/transcript-     |                 |  [subskills/linguistic-     |
|   verification.md]          |                 |   boundary-snapping.md]     |
+-----------------------------+                 +-----------------------------+
              |                                               |
              +-----------------------+-----------------------+
                                      |
                                      v
                    +-----------------------------------+
                    |   5. Adaptives Layout & Semantische| ---> [subskills/pip-split-screen-geometry.md]
                    |      Beat-Bearbeitung              |
                    |   - Formatgesteuerter Zuschnitt    |
                    |   - Fokuswechsel bei Subjektwechsel|
                    |   - Progressive Diagrammverfolgung |
                    +-----------------------------------+
                                      |
                                      v
                    +-----------------------------------+
                    |   6. Typografie & Metadaten        | ---> [subskills/kinetic-typography-safe-zones.md]
                    |   - Gesichtsbewusste Sicherheitszonen |  [subskills/faithful-metadata-packaging.md]
                    |   - 5 getrennte Textebenen          |
                    |   - Dedizierter Thumbnail-Bau      |
                    +-----------------------------------+
                                      |
                                      v
                    +-----------------------------------+
                    |   7. Produktionsschranke & Bewertung| ---> [subskills/pre-render-quality-gates.md]
                    |   - Technische Pre-Render-Prüfungen |  [references/viral-scoring-rubric.md]
                    |   - Vollbild-Post-Render-QA        |  [subskills/regression-fixtures.md]
                    |   - Bestanden/Nicht-Bestanden      |
                    |     + redaktionelle Bewertung      |
                    +-----------------------------------+
                                      |
                                      v
                    +-----------------------------------+
                    |   8. Von Menschen freigegebene     | ---> [subskills/fleet-staged-publishing.md]
                    |      Veröffentlichung              |  [subskills/autonomous-10m-cadence-daemon.md]
                    |   - Abgabepaket                    |  [subskills/performance-feedback.md]
                    |   - Menschliche Freigabe erforderlich|
                    |   - Metrik-Feedback-Schleife       |
                    +-----------------------------------+

---

Kernproduktionsstandards (VERPFLICHTEND)

1. Drei-Achsen-Klassifikation ist verpflichtend

Bilde niemals eine Quelle direkt auf eine feste Bearbeitungsvorlage ab. Klassifiziere unabhängig:

• Achse A – Visuelles Quell-Archetyp: Was das Filmmaterial physisch ist (Einzelner Sprecher im Bild, Multi-Kamera-Podcast, Ecken-Facecam + Bildschirmfreigabe, Vollbild-Bildschirmaufnahme, Whiteboard/Diagramm, Folienpräsentation, Gaming + Facecam, Vollbild-Gaming, Erzählte Illustration/Animation, Erzählte Dokumentation/B-Roll, Sport/Action, Live-Aufführung, Produktdemonstration, Zwei-Sprecher-Debatte).
• Achse B – Narratives Archetyp: Was die Geschichte ist (Neugier/Mysterium, konträre Meinung, Erklärung/Bildung, Debatte/Meinungsverschiedenheit, persönliche Geschichte, Demonstration/Ergebnis, Comedy/Pointe, Reaktion, Liste/Schritte, emotionale Enthüllung).
• Achse C – Bearbeitungsbehandlung: Wie diese spezifische Geschichte gezeigt werden soll (Vollbildzuschnitt, dynamischer Sprecherwechsel, adaptiver Split-Screen, Bild-in-Bild, progressive Diagrammzoom, szenenweise Erzählung, animierte Untertitel, kontextuelles B-Roll, minimalistische Dokumentationsbehandlung).

Die sechs veralteten FORMAT_*-Vorlagen bleiben gültige Behandlungs-Presets (benannte Kombinationen der drei Achsen). Sie sind nicht der Klassifikator.

2. Adaptive Layout Engine (Goldenes 54/46 ist ein Preset, kein Gesetz)

Das Layout wird aus dem Quellinhalt ausgewählt, nicht standardmäßig angewendet:

Quellinhalt	Layout
Porträt-Sprecher / Sprecher im Bild	Vollbild-Porträt-Zuschnitt
Querformat-Podcast	Gesichtsbewusster vertikaler Zuschnitt
Zwei Sprecher	Dynamischer Sprecherwechsel mit Mindestverweildauer
Ecken-Facecam + Bildschirmfreigabe	Adaptiver 54/46 oder PiP
Breites Architekturdiagramm	Progressive horizontale Verfolgung und Komponenten-Zoom
Bildschirmaufnahme	Zuschnitt und Zoom auf aktives Fenster
Illustrierte Animation	Vollbild-Szenenverfolgung
Erzähltes B-Roll / Dokumentation	Vollbild-kontextuelle Visuellen
Folienpräsentation	Foliensisolierung mit Sprecher-Einschub nur wenn nützlich
Gaming / Sport	Action-sicherer Zuschnitt mit Facecam-Einschub
Live-Aufführung	Vollbühnen-Framing mit taktgenauen Schnitten
Produktdemonstration	Objektfokussierter Zuschnitt mit Sichtbarkeit von Händen/Ergebnis

Der Goldene 54/46 Mobile Split bleibt das Standard-Preset für Ecken-PiP-Streamer-Material:

• Oberer Bereich: $1080 \times 1040$ ($54.17%$), Kopf-und-Schultern-Zuschnitt.
• Unterer Bereich: $1080 \times 880$ ($45.83%$), salienz-isolierte unterstützende Karte.
• Naht: 4px #1E293B bei $y = 1038$.

Er darf nicht auf Panoramadiagramme, erzählte Illustrationen, Vollbild-Dokumentationen oder Quellen angewendet werden, bei denen der Split die Beschriftungen unter die mobile Lesbarkeit schrumpft. Wenn das gesamte Diagramm nur durch Verkleinerung passt, teile das Diagramm in semantische Abschnitte und zoome jede Komponente einzeln.

3. Semantische Beat-Bearbeitung ersetzt feste Zeitphasen

Der visuelle Fokus ändert sich, wenn sich das Subjekt oder Argument ändert, nicht wenn ein willkürlicher Zeitstempel erreicht ist:

• Lex-ähnlicher Podcast: Zeige den Fragesteller bei der Frage, den Antwortenden bei der Erklärung, den relevanten Sprecher beim Widerspruch und halte den Schluss auf dem Sprecher, der die Schlussfolgerung liefert.
• Veritasium-ähnliches Mysterium: Einleitende faszinierende Illustration, Ermittler und Bauern während des Aufbaus, progressive Enthüllung der Fliegen, halte die Sichel und das Geständnis für den Höhepunkt.
• Theo-ähnlicher technischer Erklärer: Sprecher während der Analogie, Interface/Harness-Diagramm während des Mechanismus, gezielter Zoom während der speziellen Syntax, letzter Knoten während der Tool-Ausführung.

Die 5-Phasen-Zeitstempel-Progression darf nur als Rückfall verwendet werden, wenn eine Beat-Erkennung nicht verfügbar ist. Feste Phasen überschreiben niemals den semantischen Fokus.

4. Erzählungs-erste Laufzeit und Kampagneneinhaltung

Auflösungsreihenfolge für die Dauer:

1. Kampagnenregel (explizit min_seconds / max_seconds) – höchste Priorität.
2. Abschluss der Erzählung – schneide niemals einen abschließenden Höhepunkt ab, um eine Standardzahl zu erreichen. Komprimiere stattdessen den Aufbau.
3. Standardziel $18.0\text{s} - 22.5\text{s}$; flexible Obergrenze $23.5\text{s}$, wenn nötig, um einen Gedanken abzuschließen.

Kampagnenanforderungen überschreiben die Standardeinstellungen für Dauer, Ton, Inhalt, Hashtags, Erwähnungen, Konto, Zielgruppe und Offenlegung. Fehlende oder mehrdeutige Kampagnenregeln schlagen auf HUMAN_REVIEW fehl.

5. Transkript-Verifikation vor der Verpackung

Vertraue nicht blind auf Whisper oder ein anderes ASR-Modell. Überprüfe vor der Bewertung oder Verpackung:

• Domänenterminologie, Akronyme und benannte Entitäten gegen Wörterbücher.
• Vergleich mit den ursprünglichen Quell-Untertiteln, falls verfügbar.
• Prüfung der ASR-Konfidenz und Kennzeichnung ungewöhnlicher Ersetzungen.
• Fordere eine menschliche Überprüfung von Terminologie mit geringer Konfidenz an.
• Veröffentliche niemals einen Titel oder eine Bildunterschrift, die auf einer ungeprüften Entität basieren.

6. Gesichtsbewusste Typografie und fünf getrennte Textebenen

Halte diese Ebenen semantisch konsistent, aber textlich unterschiedlich:

1. Video-HUD-Headline – oberes Neugier-Badge, 3–6 Wörter, max. 38 Zeichen, keine abschließende Interpunktion, verblasst nach dem Hook.
2. Gesprochene Untertitel – wortgenaue Untertitel.
3. YouTube-Titel – auffindbar und treu, darf eine treue Paraphrase verwenden.
4. Thumbnail-Headline – eine primäre Headline, erstellt in einem dedizierten Thumbnail-Schritt.
5. Kampagnen-Caption und Hashtags – kampagnenspezifische Anforderungen.

Gesichtsbewusste Platzierung: Positioniere Headline und Untertitel basierend auf erkannten Gesichtsmerkmalen, nicht auf einem einzigen festen Koordinatenwert. Verdecke niemals Augen, Mund oder den Schlüsselausdruck des Sprechers. Untertitel behalten MarginV = 920 (Basislinie $y = 1000$) im 54/46-Preset; adaptive Layouts berechnen eine äquivalente Sicherheitszone, die das Gesicht des Subjekts und eventuellen Quelltext freihält.

Thumbnail-Regeln: nur eine Headline, keine Untertitelfragmente, keine doppelte Headline-Karte, Gesicht und Augen unverdeckt, unterstützendes Bild kommuniziert sofort das Thema, in mobiler Größe lesbar.

7. Vollbild-Post-Render-QA und Produktionsschranke

Alle Qualitätsentscheidungen werden am tatsächlich exportierten MP4 getroffen, nicht an der Render-Konfiguration. Zurückweisen (REJECTED_RENDER) bei jedem kritischen Fehler:

• Debug-Overlay: Code, Filterausdrücke oder interne Variablen in einem Frame sichtbar.
• Cursor: Mauszeiger unbeabsichtigt sichtbar.
• Zuschnitt-Integrität: wichtiges Diagramm, Text oder Subjekt abgeschnitten.
• Grafik-Lesbarkeit: unterstützende Grafik in mobiler Größe unlesbar.
• Gesichtsverdeckung: Headline oder Untertitel verdecken wichtige Gesichtszüge.
• Textkollisionen: Untertitel überlappen vorhandenen Quelltext.
• Thumbnail-Integrität: doppelte Headlines oder übermäßiger Text.
• Untertitelgenauigkeit: gesprochene Wörter unterscheiden sich von angezeigten Untertiteln.
• Visuelle Kontinuität: schwarze Frames, Einfrierungen oder versehentliche Übergänge.
• Kampagneneinhaltung: Dauer-, Ton-, Inhalts- oder Kontovorschriften verletzt.

Erstelle eine Kontaktabzüge bei 0,25 s, 1,0 s, jedem größeren Szenenübergang, jedem größeren Untertitel/Grafik-Übergang, dem Mittelpunkt und den letzten 2 Sekunden. Führe eine vollständige Wiedergabeprüfung durch, bevor du als fertig markierst.

8. Zwei separate Bewertungen

• Produktionsqualitätsschranke – bestanden/nicht bestanden. Kampagneneinhaltung, Render-Integrität, Untertitelgenauigkeit, Audio, visuelle Lesbarkeit und Rechte. Ein kritischer Fehler lehnt ab

… [für Übersetzung gekürzt]