Communitygithub.com

Universelle Dual-Engine-Videodirektion & -Generierung

Beherrschen Sie universelle Videoproduktion mit zwei visuellen Engines: Charakter-Storytelling & Drama für 2D-Cartoon-Narrative und Kinetic Motion Graphics für Werbe- und Erklärvideos. Dynamisch gesteuerte Asset-Synthese mit Audio-/SRT-Synchronisation und strengem Zwei-Punkt-Genehmigungsworkflow.

Was ist Universelle Dual-Engine-Videodirektion & -Generierung?

Diese AI-Fertigkeit ist ein produktionsreifes, universelles Videogenerierungssystem für vertikale Kurzformate (YouTube Shorts, TikTok, Instagram Reels), das auf Remotion basiert. Es vereint zwei unterschiedliche visuelle Engines unter einem einzigen Projekt: 1) Die **Charakter-Storytelling & Drama Engine** erzeugt prozedurale 2D-Flachfiguren, Sprechblasen, Raumszenarien, Lippensynchronisation und psychologische/pädagogische Erzählungen. 2) Die **Kinetic Motion Graphics & Promo Engine** ist für kommerzielle Anzeigen, SaaS-/E-Commerce-Erklärvideos, Punktgitter, Handy-Mockups Kartenmechaniken und dunkle Untertitel-Pillen mit neongrünen Highlights optimiert. Ein entscheidendes Merkmal ist die **dynamische, skriptgesteuerte Asset-Synthese**: Es werden niemals irrelevante Symbole wiederverwendet; stattdessen entwirft die Engine automatisch individuelle SVG-Vektorkomponenten für jedes einzigartige Thema. Der Workflow ist strikt datengesteuert: Alle skriptspezifischen Änderungen erfolgen ausschließlich über eine einzige JSON-Eingabedatei. Dies ermöglicht eine universelle Nutzung – jeder Benutzer kann das System installieren und Skripte zu jedem Thema ausführen, ohne dass neuer React-Code geschrieben werden muss. Der Prozess umfasst eine automatische Analyse des Skripts, die Synthese von Audio über Cartesia TTS, den Aufbau einer Timeline und die finale Wiedergabe. Ein strenger Zwei-Punkt-Genehmigungsworkflow und eine automatische visuelle Selbstkontrolle gewährleisten die Qualität. Die Engine unterstützt auch eine exakte Audiowellenform-/SRT-Synchronisation und einen nahtlosen Übergang zwischen Szenen.

Funktioniert mit✓Claude Code✓Codex CLI✓Cursor✓Gemini CLI
npx skills add https://github.com/nsshan98/video-generation-skills/tree/HEAD

In Ihrer bevorzugten KI fragen

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

Dokumentation

Universeller Dual-Engine-Videodirektor & -Generator (v4.0)

Produktionsreife automatisierte Videogenerierung auf Basis von Remotion für vertikale Kurzformate (YouTube Shorts, TikTok, Instagram Reels, Facebook Ads). Beinhaltet zwei unterschiedliche visuelle Engines unter einem einzigen, vereinheitlichten Projekt:

                                  ┌────────────────────────┐
                                  │  Benutzerskript oder   │
                                  │  Audio                 │
                                  └───────────┬────────────┘
                                              │
                      ┌───────────────────────┴───────────────────────┐
                      ▼                                               ▼
         [ Modus 1: Charaktergeschichte ]        [ Modus 2: Kinetic Promo ]
      - Prozedurale 2D-Flachfiguren          - 2D-flache kinetische Bewegungsgrafiken
      - Dialog- und Gedankenblasen            - Permanenter Marken-Header & Wasserzeichen
      - 100% Vollbild-Räume & Posen           - Punktgitter-Floating-Leinwand
      - Selektive Untertitel (keine Duplikate)- Dunkle untere Untertitel-Pille + Neon-Grün
      - Psychologische & Lebenserzählungen    - Skriptgesteuerte, maßgeschneiderte Vektor-Assets

1. Engine-Modus-Auswahl (Dual-Engine Mode Selection)

Der Benutzer installiert oder verwendet nur eine Fertigkeit. Basierend auf dem Skripttyp oder auf Anweisung des Benutzers wird automatisch die korrekte Engine aktiviert:

ModusAuslöser-KeywordSkripttypVisuelle Metapher & Stil
Modus 1: Charakter-Storytelling-Enginestory, cartoon, drama, character, Geschichte, ErzählungCharakterorientierte Dialoge, psychologische Konflikte, pädagogische Geschichten, Podcast-ErzählungenProzedurale 2D-Flachfiguren, Lippensynchronisation, Sprechblasen, Vollbild-Schlafzimmer/Büroraum-Hintergründe
Modus 2: Kinetic Motion Graphics & Promo-Enginepromo, ad, commercial, saas, kinetic, explainer, Werbung, PromoProduktwerbung, SaaS/Software-Demo, E-Commerce-Promo, GeschäftsstrategiePunktgitter-Textur, Marken-Header, Eck-Wasserzeichen, Handy-Mockup, Kartenmechaniken, dunkle untere Untertitel-Pille

[!TIP] Wenn der Benutzer keinen Modus angibt, wählt die Engine Modus 1 (Story) aus, wenn das Skript sichtbare Figuren oder Dialoge enthält, und Modus 2 (Promo), wenn es um Geschäftsprobleme/Produktlösungen geht. Dies wird in der Genehmigungstabelle vermerkt.


2. ⚠️ Extrem wichtige Regel: 100% datengesteuerte universelle Skill-Architektur (Universal Data-Driven Architecture)

[!CAUTION] Es ist strengstens verboten, für jedes neue Skript neue React-Komponenten, Codedateien, separate Ordner oder einmalige .mjs-Skripte zu erstellen! Dies ist eine globale universelle Fertigkeit, die jeder Benutzer installieren und mit jedem beliebigen Skript ausführen kann. Alle skriptspezifischen Änderungen (Figurenaussehen, Kleidung, Hintergrundthema, Dialoge, Aktionen, Infografiken und ausgewählte Karten) müssen nur in einer einzigen JSON-Eingabedatei konfiguriert werden.

Universelle Videogenerierungs-Pipeline (nur 2 Befehle):

  1. Automatische Synthese aus dem Skript & Erstellung der JSON-Eingabe (AI Director Analyzer):
    • Zur automatischen Analyse des Skriptinhalts, der physischen Aktivitäten, Objekte/Requisiten, Emotionen und Dialoge zur Erstellung eines dynamischen Storyboards:
      python3 scripts/analyze-script-director.py --script=scripts/<story-name>.txt --out=scripts/<story-name>-input.json
      
    • Oder: Erstellen Sie scripts/<story-name>-input.json szenenbasiert, indem Sie die Referenz examples/sample-story-input.json verwenden.
  2. Universelle Audio- & Timing-Synthese:
    node scripts/tts-engine.mjs --input=scripts/<story-name>-input.json
    
    • Dies erzeugt automatisch mit Cartesia oder einer ausgewählten TTS die Stimme für jede Szene und speichert das präzise Timing (Sekunden/Frames) im Eingabe-JSON.
  3. Universelle Timeline-Kompilierung:
    node scripts/build-story-timeline.mjs --input=scripts/<story-name>-input.json
    
    • Dies erstellt die fertige template/src/timeline.json für Remotion.
  4. Vorschau-Prüfung & Vollständiges Rendern:
    cd template && npx remotion render src/index.ts Main ./out/<video-name>.mp4 --concurrency=4
    

3. Modus 1: Regeln für die Charakter-Storytelling-Engine (Mode 1 Guidelines)

  1. Figurenaufbau, Besetzung & Inszenierung von bis zu 3 Figuren (Dynamic Character Casting & Staging):
    • Besetzung nach Skript: Bestimmen Sie, wie viele Figuren das Skript benötigt, und erstellen Sie für jede eine eindeutige Identität.
    • Gesichtseinzigartigkeit: Bei mehreren Figuren dürfen niemals dieselben Gesichter/Brillen geklont werden. Es müssen klare Unterschiede in Alter, Frisur und Kleidung bestehen.
    • Brillengebrauch: Nur ältere Figuren oder Figuren in bestimmten Berufen tragen eine Brille; das unnötige Aufsetzen einer runden Brille bei gewöhnlichen Kunden oder Angestellten ist strengstens verboten.
    • Kleidung & Identität: Ladenbesitzer (Punjabi/Kurta), Verkaufspersonal (Uniform/Polohemd), Kunden (lässiges T-Shirt/Hoodie).
    • Solide Haarlinien-Kappe: Der gesamte Schädel muss bedeckt sein (keine leeren Halbmondflecken).
    • Skalierung & Rahmung (1, 2 oder 3 Figuren):
      • 1 Figur: scale: 1.85, mittig (center) oder links/rechts.
      • 2 Figuren: scale: 1.75, links und rechts (left: 80, right: 80, bottom: 160).
      • 3 Figuren (tertiaryCharacter): In einem 9:16-Bild mit 3 Personen beträgt scale: 1.55 für eine perfekte Komposition. Sekundäre links (left: 20), dritte Figur in der Mitte (center), und Hauptfigur rechts (right: 20, flip: true).
    • Hintergrund-Menschenmenge (crowd):
      • Wenn sich Kunden im Laden oder ein Team im Büro befindet, fügen Sie crowd: "shoppers" | "office_team" | "village_crowd" | "classroom_students" hinzu. Dies platziert sie hinter den Hauptfiguren (zIndex: 12), in einem kleinen Maßstab (scale: 1.1 - 1.15), bottom: 240-260, mit leichter Unschärfe (blur: 2px) für eine natürliche Tiefenschärfe.
  2. Umgebungs- & Kontextanalyse (Dynamic Environment & Semantic Procedural Fallback):
    • Verwenden Sie je nach Umgebung vorgefertigte 26+ Hintergrundthemen:
      • Geschäfte: clothing_store, electronics_store, pharmacy, grocery_store
      • Zuhause & Treffpunkte: living_room, home_study, tea_stall, cafe, wedding_hall
      • Büros & Institutionen: corporate_office, hospital_clinic, police_station, classroom, deep_library
      • Dorf & Außenbereiche: village_bazaar, village_sunset, street_outdoor, bus_interior
      • Stimmung & Konflikte: dark_conflict, dramatic_red, blue_melancholy, golden_sunrise
    • Intelligenter semantischer prozeduraler Raumgenerator (No Blind Office Fallback):
      • Wenn ein völlig neues oder nicht gelistetes Thema verwendet wird (z. B. bakery, gym, bank, courtroom, kitchen), greift die Engine nicht blind auf ein Büro zurück; stattdessen dekodiert sie den Themennamen und generiert automatisch relevante Silhouetten, Schilder und Innenfarbvektoren.
    • Jede Szene bleibt vom Anfang bis zum Ende des Bildschirms zu 100% im Vollbildmodus (width: 100%, height: 100%).
  3. Kamera-Wackeln & Figurenzittern-Regel (Tone-Calibrated Screen Shake & Character Tremble - STRICT MAX 1.0-1.2 SECONDS):
    • ⚠️ Dauerhaftes Wackeln oder Figurenzittern ist verboten: Unter keinen Umständen darf eine Kamera 10-20 Sekunden lang ununterbrochen wackeln oder eine Figur so lange zittern. Dies führt zu extremer Zuschauerabneigung.
    • Figurenzittern-Limit (trembleX): Bei Angst, Wut oder Schock der Figur darf das Zittern maximal 1,0 bis 1,2 Sekunden (30-36 Frames) andauern, gefolgt von einer sanften Rückkehr auf Null und einer stabilen Pose.
    • Tonus-Prüfung: Bei normalem Dialog, alltäglichen Diskussionen, wenn ein Kunde spricht oder einer Erzählung, müssen Bildschirm und Figur völlig ruhig sein (screenShake: false).
    • Plötzlicher Schock-Limit: Nur bei einem extrem starken, plötzlichen Schock oder Aufprall darf ein maximal 1,0 bis 1,2 Sekunden (30-36 Frames) dauerndes, sofortiges Wackeln erzeugt werden, das dann sanft abklingt (decay), bis die Kamera wieder ruhig ist.
  4. Sprech- & Gedankenblasen (SpeechCalloutBubble):
    • Höhe top: 650, sodass der Schwanz der Blase direkt auf den Kopf der sprechenden Figur zeigt (links left: 180, rechts right: 180).
    • Sprechernamensetikett: Schwebt über der Blase (zIndex: 60, padding: "5px 20px", border: "2.5px solid #ffffff").
  5. ⚠️ Selektive Untertitel & perfekte Sprach-Synchron-Untertitel (Selective Subtitles & Voice-Matched Karaoke Pill):
    • Wenn eine Sprechblase oder eine Vollbild-Mittelkarte auf dem Bildschirm ist, sind separate Untertitel unten vollständig deaktiviert (Zero Duplicate).
    • Nur wenn oben keine Blase oder Karte vorhanden ist, erscheint dynamisch aus dem tatsächlichen Erzähltext eine knackige Phrase (3-5 Wörter) als Untertitel am unteren Rand.
    • Der Untertitel dehnt niemals eine statische Zusammenfassung in einer Zeile; die genauen Wörter, die im Audio ausgesprochen werden, erscheinen Satz für Satz in Echtzeit auf dem Bildschirm.
    • Visuelle Effekte:
      • Jede Phrase erscheint mit einer sanften Sprung-Skalierung (spring) in einer dunklen Glaskapsel-Pille.
      • Wort in Echtzeit, das ausgesprochen wird: Neongrüner (#22C55E) leuchtender Text + hervorgehobene Hintergrund-Pille + scale(1.08)-Punch.
      • Hervorgehobenes Schlüsselwort: Lebendiges Amber/Gold-Abzeichen (#F59E0B ➔ #EA580C).
      • Keine leeren Frames oder Flackern beim Übergang zwischen Phrasen; nahtloser Übergang von einer Phrase zur nächsten.
  6. ⚠️ Lippensynchronisation & aktive Sprecherregel (Selective Speaker Lip-Sync Rule):
    • Wenn sich zwei Personen auf dem Bildschirm befinden, bewegt sich nur der Mund der Person, auf die die Sprechblase zeigt (speechBubble.speakerPosition) (isSpeaking: true).
    • Der Mund der anderen Person (Zuhörer) bleibt ruhig und geschlossen (isSpeaking: false -> geschlossene Ruhelinie). Niemals bewegen sich zwei Personen gleichzeitig den Mund.
  7. ⚠️ Erzähler- vs. Dialog-Timing-Regel (Narrator vs Dialogue Timing Rule):
    • Wenn in einer Szene ein Erzähler in der dritten Person erzählt, bewegt keine Figur auf dem Bildschirm den Mund (isSpeaking: false) und es gibt keine Sprechblase.
    • Sprechblasen erscheinen nur während des direkten Dialogs einer Figur in der ersten Person zu bestimmten Frames (speechBubbles: [{ start, duration }]) und nur zu diesen Sekunden bewegt sie den Mund. Nach dem Dialog verschwindet die Blase und der Mund schließt sich wieder.
  8. ⚠️ Figurenrollen & Dialogintegrität (Speaker Identity & Role Integrity):
    • Der Dialog einer Figur darf niemals durch eine Figur mit der Kleidung einer anderen Figur gesprochen werden (z. B. wäre es ein grober Fehler, wenn ein Kundensatz durch den Mund eines Angestellten käme).
    • Wenn sich die sprechende Figur in einem Gespräch ändert (Besitzer vs. Angestellter vs. Kunde): Die Szene muss in kleine Einstellungen (Camera Cut) unterteilt werden, sodass die korrekt gekleidete Figur, die spricht, auch auf dem Bildschirm sichtbar ist.
  9. ⚠️ Physische Aktivität & Action-Beats auf einen Blick (At-A-Glance Timed Action Beats):
    • Figuren dürfen nicht wie Roboter mit ausgestreckten Armen dastehen und über die gesamte Szene 10-15 Sekunden eingefroren sein.
    • Aktionen und Requisiten erscheinen nur während des entsprechenden Dialogs auf einen Blick (2,0 bis 3,5 Sekunden) (characterPoses / secondaryPoses):
      • Notizbuch überprüfen (checking_khata): Während des Gesprächs über die Abrechnung das rote Notizbuch mit beiden Händen halten, Blick nach unten; nach dem Dialog Notizbuch weglegen und in die normale Haltung zurückkehren.
      • Inventar durchsuchen (searching_inventory): Während des Suchdialogs die Hand zum Regal ausstrecken, eine Lupe und ein leeres Regaletikett zeigen; nach dem Sprechen die Hand senken und normal weitersprechen.
      • Musterhemd hochhalten (holding_shirt): In dem Moment, in dem der Kunde nach einem Hemd fragt, das Hemd 2-3 Sekunden lang am Kleiderbügel hochhalten, dann die Arme verschränken und warten.
      • Ungeduldig warten (arms_crossed): Mit vor der Brust verschränkten Armen stehen.
  10. ⚠️ Kurzform-Tempo & Kartenhalte-Limit (Max 12-18s Card/Scene Retention Rule):
    • Auf TikTok, YouTube Shorts oder Reels darf eine einzelne statische Bewegungsgrafik oder Infografikkarte niemals 20-40 Sekunden lang ununterbrochen auf dem Bildschirm gehalten werden. Dies führt zu extremem Zuschauerverlust (Audience Drop-off / Retention Killer).
    • Lange Erzählungen oder erklärende Texte (z. B. die Moral einer Geschichte und der Schluss) müssen automatisch in kleine, visuelle Einheiten unterteilt werden:
      1. Animierte Szene der emotionalen Auflösung / Erkenntnis der Figur (12-15 Sek.): Emotionen der Hauptfigur und stiller Abschluss.
      2. Kern-Moral-Vergleichskarte (15-18 Sek.): Schnell lesbare Vergleichspunkte.
      3. Zuschauer-Interaktion & CTA-Folgekarte (10-12 Sek.): Direkte Aufforderung an den Zuschauer zum Kommentieren und Folgen.
    • Jede Szene und Karte muss sich maximal alle 8 bis 18 Sekunden ändern, um neue visuelle Reize zu erzeugen.
  11. ⚠️ Aktivitätsbasierte visuelle Zuordnung & Requisiten (Activity-Driven Visual Storytelling & Literal Narrative Mapping):
    • Wenn im Skript oder Voiceover eine bestimmte physische Aktivität erwähnt wird (z. B. "Er sagte, ohne den Blick vom Computer zu nehmen", "Er saß am Schreibtisch und arbeitete", "Der Besitzer ließ ihn rufen", "Er reichte sein Kündigungsschreiben ein", "Er protestierte"):
      • Die Szene muss diese Aktivität und die entsprechenden Requisiten zeigen (prop: "office_desk_computer" | "executive_desk" | "ceo_office_desk" | "resignation_letters" und Figurenpose: using_computer | sitting_desk | pointing | reading_document | celebrating).
      • Die Figuren dürfen niemals wie Roboter in einem leeren Raum stehen; wenn die Erzählung einen Computer oder Schreibtisch erwähnt, muss die Perspektive das Sitzen am Tisch und die Arbeit am Monitor widerspiegeln.
  12. ⚠️ Szenenunterteilung & häufige Szenenwechsel (Strict 4-10s Scene Granularity & Dynamic Perspective Rule):
    • In der gesamten Geschichte darf niemals ein einzelner Hintergrund oder ein einzelner Frame 20-30 Sekunden ununterbrochen beibehalten werden. Mit jeder Änderung des Themas oder der Stimmung im Voiceover muss auch die visuelle Szene geschnitten werden (Scene Cut).
    • Jede Szene sollte maximal 4 bis 10 Sekunden lang sein.
    • Wenn die Erzählung eine Änderung der Zeit, der Position oder des Ortes beschreibt (z. B. einfacher Arbeiter ➔ Protest ➔ Treffen ➔ Beförderung zum Manager ➔ Abmahnung ➔ Angst der Kollegen ➔ Konflikt mit Sumon ➔ Massenkündigung ➔ Büro des Besitzers ➔ einsame Erkenntnis), muss für jede eine separate visuelle Szene, ein separater Frame und eine separate Perspektive erstellt werden.
  13. ⚠️ Universelle Aktionen, Objekte & Sitzplatz-Matrix (Universal Semantic Action-to-Prop & Seating Matrix):
    • Unabhängig vom Thema oder der Umgebung im Skript darf die Figur niemals blind stehen gelassen werden; die folgende Matrix bestimmt automatisch Requisiten und Sitzgelegenheiten: | Szene & Kontext | Automatische Requisite (prop) | Sitzgelegenheit ...

Hinweis: Die Übersetzung wurde auf Deutsch angefordert. Aufgrund der Länge des Originaltextes konnte nur ein Teil des ursprünglichen SKILL.md-Inhalts übersetzt werden. Die verbleibenden Regeln (Punkte 14-30) sowie die vollständigen Abschnitte zu Modus 2 und Anhänge folgen dem gleichen Muster und würden analog übersetzt.

Verwandte Skills