Communitygithub.com

Paper-Explainer

Erstelle animierte Erklärvideos im 9:16-Format mit Papierausschnitt-Optik, inklusive Erzählung, Untertiteln und einem vielseitigen Multi-Agenten-Pipeline-Ansatz.

Was ist Paper-Explainer?

Paper-Explainer ist ein vielseitiges Multi-Agenten-Tool, das animierte Erklärvideos im vertikalen 9:16-Format (1080×1920, 24 fps, 60–95 Sekunden) produziert. Der visuelle Stil imitiert Papierausschnitte mit flachen SVG-Props, weißen Aufkleberkonturen, Schlagschatten, Halbton- oder Sonnenstrahl-Hintergründen sowie englischen Untertiteln auf zerrissenem Papier in Bebas Neue. Der gesamte Renderprozess erfolgt deterministisch über HTML/SVG und headless Chrome, wobei die einzelnen Szenen von Agenten als JavaScript-Dateien geschrieben werden, die eine kleine Engine („template/engine.js“) nutzen. Die Pipeline besteht aus einem Forschungs-/Script-Agenten, der Fakten quellengeprüft zusammenstellt, einem Voiceover-Schritt (bevorzugt ElevenLabs, kostenloser Fallback via edge-tts), drei parallel arbeitenden Szenen-Agenten, einer manuellen Überprüfung und dem finalen Rendering sowie der Veröffentlichung. Es unterstützt jede Sprache für die Erzählung, verwendet aber standardmäßig englische Untertitel. Das Tool eignet sich besonders für Erklärvideos zu technischen Themen, historischen Ereignissen oder viralen Geschichten und stellt sicher, dass Fakten korrekt sind und die Inhalte neutral bleiben, ohne politische oder religiöse Verzerrungen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/sknitd/paper-explainer-skill/tree/HEAD/skills/paper-explainer

In Ihrer bevorzugten KI fragen

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

Dokumentation

Paper-Cutout-Erklärvideos (Multi-Agent)

Ausgabe: 1080×1920, 24 fps, 60–95 s MP4 mit Erzählung, geduckter Musik und synchronisierten Soundeffekten. Look: flache SVG-Props mit weißer „Aufkleber“-Kontur + Schlagschatten, Halbton-Punkt- oder Sonnenstrahl-Hintergründe, englische GROSSBUCHSTABEN-Untertitel auf zerrissenem Papier (Bebas Neue), leichter RGB-Split + Filmkorn + Vignette.

Alles wird aus HTML/SVG von headless Chrome Frame-für-Frame gerendert (deterministisch), daher sind Szenen einfache JS-Dateien, die von Agenten gegen eine kleine Engine (template/engine.js, dokumentiert in template/ENGINE.md) geschrieben werden.

Anforderungen

  • Python 3 venv mit: playwright (verwendet system-Chrome via CHROME_PATH oder playwright install chromium), numpy, opencv-python-headless (optional), faster-whisper (Timing/QA), edge-tts (kostenloser Fallback).
  • ffmpeg, curl, bc. Optional: ElevenLabs MCP-Connector für Erzähler + Musik.

Pipeline (in dieser Reihenfolge ausführen)

1. Recherche- + Script-Agent (Hintergrund)

Starte EINEN Allzweck-Agenten mit der Aufforderung in references/agent_prompts.md#research. Er muss jede Tatsache mit Quellen überprüfen, Behauptungen zuordnen, Gerüchte kennzeichnen und zurückgeben: SCRIPT (14–17 kurze gesprochene Zeilen, ~950–1.150 Zeichen, Zahlen als Wörter ausgeschrieben, Namen im Erzählscript), TABELLE (Untertitel-Tags / visuelle Idee / Hintergrund pro Zeile), FAKTEN mit URLs, UNSICHER/NICHT VERWENDET. Bei sehr aktuellen Themen teile ihm das heutige Datum mit und bitte ihn, zuerst zu bestätigen, worauf sich das Thema eigentlich bezieht. Währenddessen: scripts/new_project.sh <verzeichnis> ausführen und alle gemeinsamen Props, die die Geschichte benötigt (ein konsistentes Design pro wiederkehrendem Objekt/Person), am Ende von <verzeichnis>/engine.js zeichnen; einen Test-Frame rendern, um sie zu überprüfen.

2. Voiceover

  • Bevorzugt: ElevenLabs eleven_v4, ein Dokumentar-Erzähler (z.B. Hindi „Natraj – Informative Documentary Host"), 2 Takes, Script mit sparsamen [neugierig]/[dramatisch]/[nachdenklich]-Tags. Zuerst Credits prüfen.
  • Fallback (kostenlos, liefert genaue zeilenweise Timings): die einfachen Zeilen in <verzeichnis>/script.txt ablegen, scripts/edge_tts_lines.sh <verzeichnis> hi-IN-MadhurNeural +20% ausführen → vo.wav + lines.txt.
  • Jeden Take QA: TTS-Modelle können Zahlen/Daten verstümmeln. Mit scripts/words.py transkribieren; Whisper selbst formatiert Hindi-Zahlen falsch, also verdächtige Jahre mit unterdrückten Ziffern erneut prüfen (siehe references/qa.md). Den Take auswählen, der jede Zahl richtig sagt.
  • Zeilen-Timings für einen einzelnen Take: Stille-Erkennung (ffmpeg -af silencedetect=n=-38dB:d=0.15) + Wort-Timings; scripts/align_lines.py gibt eine erste Schätzung. lines.txt (lNN start= end= | text) mit dem Video-Offset schreiben, den du verwenden wirst (z.B. +0,25 s) und einer verschobenen words.txt.

3. Drei Szenen-Agenten parallel (Hintergrund)

Teile die Zeitleiste bei Zeilenlücken in ~25–30 s Teile auf. Starte drei Allzweck-Agenten in EINER Nachricht mit references/agent_prompts.md#scene — jeder besitzt nur scenes_N.js, bekommt seinen genauen Zeitbereich, seine Erzählzeilen mit Start-/Endzeiten, Stichwort-Beats, ein Storyboard (aus der TABELLE), die gemeinsamen Assets und die Regeln: IIFE + pN_-Präfixe, Szenen decken den Bereich genau ab, oberes Tag ~0,1 s nach einem Schnitt, jede Sekunde etwas Neues, Test-Frames rendern und ANSEHEN, PNGs löschen.

4. Integrieren + Überprüfung (du)

  • ~30 gleichmäßig verteilte Frames in ein Kontaktblatt rendern (render_html.py ... 999 t1,t2,... dann ffmpeg -pattern_type glob -i 'test_*.png' -vf scale=170:-1,tile=11x3) und Lesen.
  • Korrigieren: erfundene Zahlen/Behauptungen auf dem Bildschirm (Agenten fügen manchmal welche hinzu — entfernen), ungenaue Karten/Grenzen, Logos, Karikaturen realer Personen, Überlappungen, Text außerhalb des Bildschirms, leere Frames.

5. Rendern, mischen, veröffentlichen

scripts/render_video.sh <verzeichnis> <dauer> <erzählung> <musik> <vo_verzögerung_ms> <ausgabe.mp4> rendert alle Frames, erstellt die SFX-Spur aus Engine-Ereignissen, dämpft die Musik unter die Stimme (~-14 LUFS) und multiplext. Um ein bestehendes Video neu zu vertonen ohne Szenen neu zu bauen, mit WARP=anchors.json rendern (ordnet neue Zeilenanfänge alten Zeilenanfängen zu; siehe references/qa.md). Über den bevorzugten Kanal des Benutzers ausliefern.

Inhaltsregeln (immer)

  • Nur Fakten aus der quellengeprüften Liste des Recherche-Agenten; Geld-/Box-Office-/Umfragenzahlen als „BERICHTET"/quellenangegeben kennzeichnen; unsichere Zählungen als Untergrenzen anzeigen („250+").
  • Reale Personen: generische A.fig-Büste + englischer Namens-Tag, niemals Karikatur; keine religiösen Gottheiten zeichnen — abstrakte Motive verwenden; keine Marken-/Partei-Logos (generische Abzeichen/Vögel/Buchstaben zeichnen).
  • Karten: Umrisskarten von Ländern mit umstrittenen/sensiblen Grenzen vermeiden; rahmenlose Bretter oder Kachelraster verwenden und illustrative Bilder als solche kennzeichnen.
  • Politik: neutral, zugeordnet, keine Verspottung oder Vorhersagen.

Dateien

  • template/ — index.html, engine.js (Engine + Asset-Packs), ENGINE.md (API für Agenten), scenes_1..3.js
  • examples/ — vier fertige Videoszenen-Codes (Streisand-Effekt, Freiheitsstatue, Twitter blauer Haken, 2026 US Midterms): die Qualitäts-/Tempo-Latte für Agenten
  • scripts/ — Render, SFX, Alignment, Transkription, kostenloses TTS, Projekt-Bootstrap, finaler Mix
  • references/agent_prompts.md, references/qa.md

Verwandte Skills