Communitygithub.com

Panel to Reels

Verwandle lange Vorträge, Panels, Podcasts oder Interviews in vertikale 9:16-Reels mit wortweiser Einblendung und Instagram-Grid-Covern – in zwei Caption-Stilen. Auch geeignet für bereits geschnittene vertikale Videos inklusive iPhone-HDR-Material.

Was ist Panel to Reels?

Panel to Reels ist ein professionelles KI-Skill, das aus einer einzigen, langen Aufnahme (Panel, Podcast, Interview) einen Batch fertiger, vertikaler Reels erstellt. Es automatisiert die aufwändige Arbeit: Transkription mit mlx-whisper, intelligenter Clipschnitt auf Wortebene, automatische 9:16-Neurahmung um das Gesicht des Sprechers (über Apple Vision), und Erstellung zweier Caption-Stile – einmal mit dynamischen Farbschemata und einmal mit anpassbarem Branding aus einer `styles.json`. Das Skill unterstützt macOS mit Apple Silicon und liefert selbst bei komplexen Multi-Kamera-Edits oder iPhone-HDR-Aufnahmen zuverlässig saubere Ergebnisse, inklusive korrektem Farbraum und HDR-Konvertierung. Es eignet sich für Entwickler, Content-Creator und Agenturen, die schnell hochwertige Kurzclips für Instagram oder andere Plattformen generieren möchten, und legt großen Wert auf Qualitätskontrolle durch obligatorische Review-Gates.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add micahwburgess-spec/panel-to-reels

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Panel to Reels?

Verwandle eine lange Aufnahme in einen Batch fertiger, vertikaler Reels. Jeder Reel wird auf Wortgrenzen geschnitten, auf 9:16 um das Gesicht des Sprechers neu eingerahmt, wortweise untertitelt und mit einem Cover versehen, das für das Instagram-Profilraster optimiert ist. Jeder Clip wird in zwei Stilen gerendert: Buildup (weiße Untertitel, rote/blaue/magenta Hervorhebungen) und Brand (eigene Farben und Schriftarten, festgelegt in styles.json).

Die Skripte erledigen die mechanische Arbeit. Die Qualität entsteht durch die Entscheidungen in dieser Datei. Folge dem Workflow der Reihe nach und überspringe keine Review-Gates.

Voraussetzungen

  • Mac mit Apple Silicon (Gesichtserkennung nutzt Apple Vision, Transkription mlx-whisper auf der GPU).
  • ffmpeg mit libx264 und libx265 (brew install ffmpeg).
  • Python 3 (das Setup-Skript erstellt eine eigene venv in ~/.panel-to-reels/).
  • Festplatte: Eine 90-minütige 4K-Quelle benötigt etwa 6 GB.

Einmalige Einrichtung aus diesem Skill-Ordner:

bash scripts/setup.sh

Führe jedes Skript über den Wrapper aus, damit die richtige Python-Umgebung verwendet wird: bash scripts/run.sh <script> <args>. Die genauen Befehle für jedes Skript stehen in scripts/USAGE.md.

Der Workflow

Arbeite in einem Projektordner P (einem dauerhaften Speicherort, niemals /tmp, den macOS leert). Jedes Skript erwartet P als erstes Argument.

1. Quellmaterial in der höchsten verfügbaren Auflösung holen

run.sh fetch P <url> oder eine lokale Datei nach P/source.<ext> kopieren. Ein 9:16-Zuschnitt eines 16:9-Bildes behält etwa ein Drittel der Breite, daher liefert 4K scharfe Reels. 1080p-Quellen funktionieren, aber Nahaufnahmen wirken weich. Wenn die Person die Aufnahme besitzt, frage nach den Original-Kameradateien; sie sind besser als jeder Upload.

2. Transkribieren

run.sh transcribe P --prompt "Sprechernamen, Firmennamen, Fachbegriffe". Der Prompt ist wichtig: Namen werden so deutlich häufiger richtig erkannt. Dies schreibt transcript.txt mit einem Wortindex am Anfang jeder Zeile. Du wählst Clips anhand dieser Indizes aus.

3. Wenn die Person einen Referenzstil hat, studiere ihn zuerst

Bitte um 2 bis 6 Beispielposts. Instagram blockiert direkte Downloads, aber öffentliche Embed-Seiten (instagram.com/reel/<id>/embed/captioned/) geben oft ein Video frei und zeigen immer den Caption-Text. Extrahiere Frames und notiere: Schriftart, -größe, -position, wie Wörter erscheinen, welche Wörter farbig sind, Schriftart und Layout der Cover-Überschrift. Übertrage das, was du siehst, in styles.json, bevor du etwas renderst.

4. Lies das gesamte Transkript und wähle Momente aus

Lies alles. Überfliege nicht die erste Hälfte. Ein guter Clip:

  • Ist eine in sich abgeschlossene Idee in 20 bis 80 Sekunden.
  • Beginnt mit einer starken Zeile: einer Behauptung, einer Zahl, einer Frage oder einem Story-Höhepunkt. Wenn die beste Zeile mitten in der Antwort kommt, beginne dort.
  • Endet mit einem Höhepunkt, nicht mitten im Gedanken.

Bevorzuge Momente der Person, für die du die Clips erstellst (eigene Antworten zuerst). Überspringe Momente, die das Event oder ein anderer Account bereits gepostet hat; frage die Person oder prüfe ihre Links. Präsentiere die Shortlist als Tabelle (Clip, Sprecher, die Einleitungszeile, Zeitstempel) und lass die Person kürzen oder ergänzen, bevor du baust.

5. Bestätige, dass der Sprecher im Bild ist (nicht überspringen)

run.sh peek P <start> <end> für jeden Kandidaten. Multi-Kamera-Schnitte enthalten oft Reaktionsaufnahmen oder Totalen, während jemand spricht. Regeln:

  • Wenn der Sprecher die meiste Zeit nicht im Bild ist, verwirf den Clip. Ein vertikaler Zuschnitt würde das Gesicht einer anderen Person über seine Worte legen.
  • Ein kurzer Reaktions-Schnitt (weniger als etwa ein Drittel des Clips) kann im letterbox-Modus bleiben: die Totale liegt über einer unscharfen Füllung, sodass niemand falsch identifiziert wird.
  • Identifiziere Personen anhand ihrer Kleidung und Sitzposition und bestätige dann anhand des Transkripts (wer vorgestellt wird, wer antwortet). Rate keine Namen aus dem Aussehen.

6. Auf Wortindizes schneiden

Schreibe jeden Clip in P/clips.json (Schema in scripts/USAGE.md, Beispiel in examples/clips.example.json).

  • spans sind inklusive Wortindex-Bereiche. Mehrere Spans ergeben Sprungschnitte. Verwende sie, um ausschweifende Passagen zu straffen, niemals um die Bedeutung zu ändern.
  • fix korrigiert Transkriptionsfehler, deren du dir sicher bist („gefunden“ statt „gefunden“, „Claude on a D file“ für „CLAUDE.md“). Ein leerer String löscht ein Wort.
  • Wenn eine Phrase unverständlich ist und du nicht sicher sein kannst, was gesagt wurde, schneide sie heraus. Raten Sie keine Worte in den Mund einer Person.
  • Wenn ein Clip mit einer Frage des Hosts beginnt, behalte die Frage nur als Aufmacher. Lasse nie die Zeilen des Hosts als die des Gastes erscheinen.

7. Einrahmen

run.sh shots P <clips> findet Kameraschnitte (einschließlich langsamer Überblendungen), rendert einen gerasterten Frame pro Einstellung und gibt die erkannten Gesichtszentren aus. Trage die x-Koordinate des Sprechers unter framing für jede Einstellung ein.

  • crop ist die Zuschnitthöhe als Bruchteil der Quelle: ca. 0,62 für eine Halbtotale von drei oder vier Personen, 0,42 bis 0,5 für eine Totale.
  • Handkameras, die schwenken, benötigen für jede Bewegung eine Einrahmungsmarkierung; der Tracker folgt gleichmäßigen Bewegungen, kann aber eine schnelle Wischbewegung verlieren.
  • Nebeneinander sitzende Personen: gib den genauen x-Wert der gedruckten Gesichtszentren an, keinen geschätzten.

8. Bauen und prüfen

run.sh build P <clips>, dann 10 bis 16 Frames über jeden Basisclip ziehen. Der Sprecher muss in jedem Frame eingerahmt sein. Korrigiere die Einrahmung und baue vor den Untertiteln neu.

9. Untertitel, Hervorhebungen und Cover

  • Hervorhebung: wähle manuell die Wörter aus, die die Idee tragen (Zahlen, Namen, das Substantiv, auf dem der Punkt landet) in emphasis. Jede Untertitelseite ohne Hervorhebung erhält eine automatische Auswahl.
  • Überschrift: 4 bis 9 Wörter, dem Gesagten treu, prägnant. Verpacke den Höhepunkt in *Sternchen*, damit er betont wird. Sie darf nicht mehr behaupten, als der Sprecher gesagt hat.
  • Cover-Bild: Sprecher blickt in die Linse, wenn möglich mit geschlossenem Mund. Wenn die Überschrift den Mund bedeckt, erhöhe cover_shift (verschiebt das Bild nach oben und blende den Rand aus).
  • Selfie-Filmmaterial (Talking-Head) sitzt tiefer im Bild als Panel-Material: setze caption_center auf etwa 1430, sodass Untertitel auf der Brust liegen, nicht vor dem Mund.

10. Rendern, Review, Versand

run.sh render_all P rendert jeden Clip in jedem Stil, exportiert nach P/export/<Style>/ und gibt eine Verifikationstabelle aus. Dann überprüfe es selbst: ein Kontaktbogen aller Cover in Grid-Größe und drei bis vier Frames aus jedem Reel. Schreibe schließlich Post-Texte für jeden Clip in der Stimme der Person. Zitate müssen Wort für Wort mit dem Transkript übereinstimmen. Tagge nur Handles, die du bestätigt hast. Markiere unbekannte Handles mit [handle], damit die Person sie ausfüllen kann.

Harte Regeln

  • Schreibe niemals Wörter der falschen Person zu. Im Zweifelsfall verwirf den Clip.
  • Zitate in Untertiteln, Covern und Post-Texten stimmen exakt mit dem Transkript überein.
  • Platziere niemals den Namen oder das Branding einer anderen Organisation auf Inhalten, die nicht ihr gehören. Logos kommen aus styles.json; setze sie pro Projekt.
  • Keine erfundenen Zahlen, Ergebnisse oder Behauptungen in Überschriften oder Texten.
  • Gesichter und Stimmen stammen ausschließlich aus der echten Aufnahme. Generiere oder klone niemals einen Sprecher.

Bereits geschnittene vertikale Videos

Für fertige Talking-Head-Videos (einschließlich iPhone HDR) überspringe Schneiden und Einrahmen: run.sh transcribe P --file <video> --clip <ID>, füge den Clip zu clips.json mit gesetztem "source_file" und "caption_center": 1430 hinzu, dann run.sh render_all P --clips <ID>. Die Indizes für fix und emphasis stammen aus P/base/<ID>.words.txt. Die Quelldatei wird nie verändert.

Stile und Logos

styles.json enthält die Voreinstellungen. Jeder Eintrag hat ein label (der Export-Ordnername), einen caption-Block (Schriftarten, -größen, Hervorhebungsfarben, die pro Untertitelseite oder als Verlauf wechseln, Pill-Farbe) und einen cover-Block (Akzentfarben, untere Farbverläufe, Logo-Zeilen, Trennzeichen, optionaler Bloom). Kopiere ihn in P und bearbeite ihn, um ein Projekt anzupassen. examples/summit-oak-styles.json zeigt ein vollständig gebrandetes Setup. Schriftarten werden per Dateiname aus dem fonts/-Ordner dieses Skills geladen; variable Schriftarten verwenden die Syntax "Sora:ExtraBold".

Das Logo sind die beiden kleinen Zeilen unter jeder Cover-Überschrift. Setze es im Style und überschreibe es pro Clip mit "lockup": ["ZEILE EINS", "ZEILE ZWEI"] in clips.json. Event-Clips tragen das Event; eigene Videos einer Person tragen ihren eigenen Namen und ihr Branding, niemals das des Events.

Gelernte Lektionen (die harte Tour)

  • iPhone-Material ist HDR (HLG). Das Überlagern normaler sRGB-Grafiken lässt sie leuchten und übersättigen. Die Skripte erkennen HLG und konvertieren Untertitel in HDR und behalten 10-Bit-HEVC-Ausgabe. Vorschauen von Finder oder einfachen ffmpeg-Grabs sehen dunkel und flach aus; beurteile mit hlg.frame()-Standbildern oder auf einem Telefon.
  • ffprobe-csv-Ausgabe kann ein nachgestelltes Komma enthalten (arib-std-b67,). Vergleiche mit in oder entferne es.
  • Bearbeitete Panels verwenden oft Überblendungen, keine harten Schnitte. Szenenerkennung übersieht sie; der Frame-Differenz-Detektor in shots.py erkennt sie.
  • Weiße Untertitel verschwinden auf weißen App-Bildschirmen. Untertitel erhalten automatisch eine dunkle Pill, wenn der Hintergrund dahinter hell ist.
  • Whisper teilt Tokens wie $2 ,400 und 80 %. Untertitel kleben sie wieder zusammen, daher zeigen Hervorhebungsindizes auf das erste Stück.
  • Instagram zeigt Cover auf dem Profilraster auf 3:4 beschnitten (y 240 bis 1680 von 1920). Halte allen Cover-Text innerhalb dieses Bereichs.
  • macOS leert /tmp nach einigen Tagen. Bewahre Projekte und die venv an einem dauerhaften Ort auf.
  • Manche ffmpeg-Builds haben kein drawtext und manche Intel-Builds können den Hardware-Encoder nicht nutzen. Die Skripte verwenden PIL für alle Texte und libx265 für HDR, sodass sie in beiden Fällen funktionieren.

Erstellt von Micah Burgess, Summit Oak AI. summitoakai.com

Verwandte Skills