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 viaCHROME_PATHoderplaywright 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.txtablegen,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.pytranskribieren; Whisper selbst formatiert Hindi-Zahlen falsch, also verdächtige Jahre mit unterdrückten Ziffern erneut prüfen (siehereferences/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.pygibt 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 verschobenenwords.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,...dannffmpeg -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.jsexamples/— vier fertige Videoszenen-Codes (Streisand-Effekt, Freiheitsstatue, Twitter blauer Haken, 2026 US Midterms): die Qualitäts-/Tempo-Latte für Agentenscripts/— Render, SFX, Alignment, Transkription, kostenloses TTS, Projekt-Bootstrap, finaler Mixreferences/agent_prompts.md,references/qa.md