Communitygithub.com

Perso SRT Extrakt+Übersetzen — Caption-Quellenpass

Extrahiert Untertitel (SRT) aus Video/Audio/URL via Perso AI STT und übersetzt timing-treu. Kostenloser Untertitel-Pfad zu Dub und Hard-Burn.

Was ist Perso SRT Extrakt+Übersetzen — Caption-Quellenpass?

Video Localization Schritt 1 (ASR/Übersetzen): perso-dubbing-plugin-srt. Video/URL → Quell-SRT → Mehrsprachen-SRT für Lip-Sync-Dub und bilingualen Hardburn.

Funktioniert mit✓Claude Code✓Codex CLI✓Cursor✓Antigravity✓Gemini CLI
npx skills add https://github.com/perso-ai/perso-dubbing-plugin/tree/HEAD/skills/srt

In Ihrer bevorzugten KI fragen

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

Dokumentation

/srt

Ein Skill, der die Untertitel in der Ausgangssprache eines Videos/Audios über die Perso AI STT API extrahiert – und dann übersetzt du (der Agent) sie in die gewünschten Sprachen.

Kernregeln (müssen befolgt werden)

  • Nur der Worker sieht den rohen Schlüssel. Öffne den Schlüssel niemals mit Read, gib ihn nicht aus und übergib ihn nicht als Befehlszeilenargument. Worker senden ihn nur im XP-API-KEY-Header.
  • Ein Befehl = die gesamte Extraktion. scripts/srt.mjs kümmert sich selbstständig um Upload · Transkription · SRT-Download.
  • Führe srt.mjs immer im Hintergrund aus. Die Transkription dauert Minuten; ein Timeout des Vordergrund-Shells würde den Lauf vorzeitig beenden.
  • Sprache nicht angegeben → Ziel en.
  • Nur Transkription, keine Übersetzung (der Benutzer fragt nach „den Untertiteln/Transkript wie sie sind“, „nur der SRT in der Originalsprache“) → führe mit --transcribe-only statt --target aus. Der heruntergeladene Original-SRT ist das endgültige Ergebnis – überspringe den Übersetzungsabschnitt vollständig.
  • Mehrere Sprachen in einem Befehl (--target en,ja) – es wird ein Untertitelprojekt pro Eingabe erstellt, unabhängig davon, wie viele Sprachen vorhanden sind, und du übersetzt seinen einzelnen Original-SRT in jede von ihnen.
  • Gib den Fortschritt originalgetreu weiter. Gib die [progress]-Zeilen der stdout des Workers wörtlich oder zusammengefasst im Chat wieder. Die eingerückten detailreichen stderr-Protokolle müssen nicht weitergegeben werden. Bei einem Batch sendet der Worker eine [progress]-Zeile pro Eingabe und einen [status]-Herzschlag (subtitles 3/20, mit einem Hinweis next check ~Nm) – überprüfe die Hintergrundausgabe ~3 Minuten nach dem Start, dann im angegebenen Intervall, wobei neue Zeilen weitergegeben werden. Erfinde niemals Prozentsätze oder ETAs.
  • Benenne deine Laufzeitumgebung für Telemetrie (lautlos). Füge --host <claude-code|codex|cursor|antigravity|gemini> zum Worker-Befehl hinzu und benenne den Agenten, als den du läufst, wenn du es erkennen kannst. Es markiert nur Nutzungstelemetrie – gib es niemals dem Benutzer weiter und frage ihn niemals danach. Lasse es weg, wenn du unsicher bist.
  • Nicht unterstützte Formate werden automatisch übersprungen und der Rest wird weiterverarbeitet – gib die Überspringungsmeldung weiter.
  • Offline-Operationen benötigen niemals einen Schlüssel – führe niemals eine Schlüsselüberprüfung/-registrierung für sie durch: srt.mjs --check/--retime, style.mjs mit einem lokalen Video + SRT (alles außer --project) und das Übersetzen eines SRT, den der Benutzer dir gibt.
  • Dieser Skill nutzt die Bibliotheken des Dubbing-Skills: Der Ordner dubbing muss neben srt installiert sein (jede Installationsmethode liefert sie zusammen; nur ein manuelles Kopieren des srt-Ordners allein bricht dies).

Einrichtung (lazy – kein vorheriger Schritt)

Gleich wie /dubbing – Die Schlüsselregistrierung ist kein Schritt, den du zuerst ausführst. Der Worker öffnet sich selbst, sobald ein Befehl läuft, der die Perso-API benötigt (Extraktion oder style.mjs --project), öffnet dann den Browser-Flow (Datei-Fallback); gib seine gedruckten Anweisungen weiter. Auf einem headless/SSH-Rechner überspringt es den Browser-Flow und beginnt automatisch mit der Datei-/--import-Registrierung. Führe niemals proaktiv eine Schlüsselüberprüfung/-registrierung durch. Füge den Schlüssel niemals in den Chat ein.

Ausführen

Sammle die Eingabe (lokaler Pfad oder URL – frage erneut nach, falls fehlend) und führe im Hintergrund aus (der Worker öffnet den Schlüssel selbst, wenn die Extraktion tatsächlich beginnt):

  • Einzeln: node scripts/srt.mjs "<datei|URL>" [--target en] [--space "space name"] [--out ordner]
  • Mehrere Sprachen / mehrere Eingaben: node scripts/srt.mjs "<URL>" "<datei>" --target en,ja
  • Ordner (Batch): node scripts/srt.mjs "<ordner>" [--target en] [--recursive] [--out ordner]
  • Nur Transkription (keine Übersetzung): node scripts/srt.mjs "<datei|URL>" --transcribe-only

Extrahierte Original-SRT-Dateien werden neben jeder Quelle (oder in --out) gespeichert, wobei der Dateiname des Servers beibehalten wird (…_OriginalSubtitle_….srt).

Speicherort – gleiche Richtlinie wie bei /dubbing: Standardmäßig neben jeder Quelldatei; frage nicht. Gib ihn bei der ersten Aufgabe der Sitzung in der Startzeile an und beginne sofort. Ein Ordner, den der Benutzer früher in dieser Sitzung genannt hat, bleibt gültig (--out "<ordner>"), bis er ihn ändert; übersetzte SRTs kommen in denselben Ordner wie ihre Originale. Ausnahme: Wenn jede Eingabe eine URL ist, frage vor dem Start, wo gespeichert werden soll.

Space-Auswahl – bei mehreren Workspaces stoppt der Worker vor dem Hochladen, gibt [space-select]-Zeilen aus (Name | (Plan) | verbleibende Credits) und stoppt. Zeige dem Benutzer NUR diese Optionen (keine internen Nummern), frage welche und führe erneut mit --space "<space name>" aus. Ein Dubbing-fähiger Space → keine Frage; PERSO_SPACE_SEQ fixiert ihn.

Medien über dem Planlimit – dieser Skill teilt nicht automatisch auf. Wenn der Worker meldet, dass das Medium das Längen-/Größenlimit des Plans überschreitet, gib seine Meldung weiter: Der Benutzer kann die Datei selbst aufteilen/zuschneiden oder den Plan upgraden und es dann erneut versuchen. Bei einem Free-Workspace kommt diese Meldung als [free-limit]-Zeilen (eine kürzere Datei oder ein Upgrade – es gibt kein Fortfahren-Flag); gib sie weiter und stoppe.

Free-Plan (kein lokales .srt) – Ein Free-Workspace transkribiert normal, aber der Server verweigert jeden Download, sodass nichts lokal gespeichert wird. Der Worker gibt Free plan — <name>: subtitles ready on Perso → <link> (downloads need a paid plan) und keine [srt-original]-Zeile aus. Ohne Datei gibt es nichts zu übersetzen: Überspringe den Übersetzungsabschnitt vollständig, gib den Link als geliefertes Ergebnis weiter (der Lauf ist abgeschlossen – nichts fehlgeschlagen, nichts fortzusetzen) und erwähne, dass herunterladbare .srt-Dateien einen kostenpflichtigen Plan benötigen.

Credits – Jedes Untertitelprojekt verbraucht Credits proportional zur Medienlänge (ein Projekt pro Eingabe). Die Abrechnung des Servers ist maßgeblich; zitiere keine genauen Preise.

Übersetzen (du machst diesen Teil)

Benutzer gibt einen SRT direkt (kein STT): Es gibt keinen Worker-Schritt und keine [srt-original]-Zeile – behandle den gegebenen SRT als path und die Sprachen, die der Benutzer angefordert hat, als langs, befolge dann die Schritte 1–5 wie beschrieben, wobei du den {stem} von Schritt 3 aus dem eigenen Dateinamen des SRT ableitest. Vollständig offline: nur --check/--retime, kein Schlüssel, keine Credits.

Wenn die Extraktion abgeschlossen ist, gibt der Worker eine Zeile pro Eingabe aus, die jede Zielsprache enthält:

[srt-original] {"input":"video.mp4","langs":["en","ja"],"path":"C:\\clips\\video_OriginalSubtitle_2026-07-15.srt","seq":389259}

Wenn langs null ist (ein --transcribe-only-Lauf), gibt es nichts zu übersetzen: Liefere diese Datei dem Benutzer unverändert aus und höre hier auf.

Zeige den Übersetzungsfortschritt an. Die STT-Extraktion ist abgeschlossen, aber das Übersetzen in jede Sprache dauert ebenfalls – mache es sichtbar. Bevor du beginnst, poste eine Zeile, die die Sprachen nennt, die du erstellen wirst (z. B. „Untertitel extrahiert – jetzt Übersetzung ins Japanische und Englische“). Nachdem du die Datei jeder Sprache fertiggestellt und gespeichert hast, poste ein einzeiliges Update (z. B. Japanese ✓ (1/2)), damit der Benutzer den Fortschritt pro Sprache wie bei einem mehrsprachigen Dub sieht. Eine lange Datei kann innerhalb einer einzelnen Sprache still bleiben, während du ihre Abschnitte in Batches verarbeitest – das ist in Ordnung.

Für jede [srt-original]-Zeile übersetze die eine Datei unter path in jede Sprache in langs:

Schritt 1 – Lies zuerst die gesamte Datei und erstelle Kontext. Lies den SRT unter path vollständig durch, bevor du etwas übersetzt, und lege fest:

  • was der Inhalt ist (Vorlesung, Tutorial, Vlog, Drama, Werbung, …) und für wen er ist
  • den Ton und das Register des Sprechers (formell / leger / humorvoll / technisch) – und entscheide den Stil der Zielsprache, der dazu passt
  • wiederkehrende Namen und Begriffe – verwende für jede eine konsistente Übersetzung in der gesamten Datei

Schritt 2 – Übersetze in jede Sprache in langs, Abschnitt für Abschnitt (verarbeite lange Dateien in Batches, wende aber den in Schritt 1 festgelegten Ton und die Begriffe auf jeden Batch an; Schritt 1 wird einmal pro Datei durchgeführt, nicht pro Sprache):

  • Übersetze nur die Textzeilen. Behalte Cue-Nummern, Zeitstempelzeilen (-->), Leerzeilen und die Cue-Anzahl genau so bei, wie sie sind – verändere während der Übersetzung niemals Zeitstempel oder führe Cues zusammen/teile sie auf (Zeitanpassung ist ein separater späterer Durchlauf, Schritt 5).
  • Der Text jedes Cues bleibt in seinem eigenen Cue. Der STT schneidet die Quelle nach Sprachlänge, nicht nach Grammatik, daher enden Cues oft mitten im Satz – spiegele diese Pause nicht in der Übersetzung wider. Beende jeden Cue mit einer lesbaren Einheit und führe die Fortsetzung mit einem Komma oder einem fortlaufenden Satz fort. Behalte ein Fragment nur bei, wenn der Sprecher wirklich unterbrochen oder abgeschnitten wird.
  • Bedeutung und Stimmung haben Vorrang: Bevorzuge eine natürliche Übersetzung, die den Ton von Schritt 1 trägt, gegenüber einer wortwörtlichen. Gib Redewendungen, Wortspiele und Humor mit Äquivalenten in der Zielsprache wieder.
  • Layout – maximal 2 Textzeilen pro Cue, jede Zeile maximal 42 Zeichen für lateinische Schriften (20 für CJK). Eine längere Zeile wird vom Player gewaltsam in 3+ Bildschirmzeilen umgebrochen, die das Bild bedecken. Breche Zeilen an natürlichen Phrasengrenzen; wenn der Text nicht passt, kürze ihn mit der folgenden Priorität.
  • Bleibe innerhalb der Anzeigezeit jedes Cues: Budgetiere ≈ Cue-Dauer × 17 Zeichen/s für lateinische Schriften (9 für CJK); jenseits von ~21/s (13 CJK) verschwindet der Untertitel, bevor er gelesen werden kann. Eine natürliche Übersetzung passt normalerweise, daher müssen die meisten Cues nicht gekürzt werden – kürze nur die, die überlaufen.
  • Wenn du kürzen musst, behalte diese Priorität bei: Bedeutung → Ton/Nuance → Länge. Schneide zuerst Füllwörter, Redundanz und Wiederholungen weg; behalte Kerninformationen, Pointen und emotionale Formulierungen bis zuletzt. Wenn ein Wortspiel wirklich nicht passt, ersetze es durch eine kürzere Zeile, die den Humor immer noch rüberbringt – es zu einer banalen Zusammenfassung zu verflachen, ist die letzte Option.

Schritt 3 – Speichern: UTF-8, im selben Ordner, eine Datei pro Sprache, benannt als {stem}_{lang}_Subtitle.srt, wobei stem der Dateiname der Eingabe ohne Erweiterung ist – nimm ihn aus dem input-Feld der [srt-original]-Zeile (z. B. "input":"video.mp4" + ["en","ja"] → video_en_Subtitle.srt und video_ja_Subtitle.srt; für URL-Eingaben verwende den Medientitel oder einen kurzen Slug). Leite den stem NICHT aus dem Namen der heruntergeladenen Datei ab – der Server erstellt ihn aus dem Projekttitel. Behalte die Original-SRT-Datei – lösche oder überschreibe sie nicht.

Schritt 4 – Überprüfe jede gespeicherte Datei (offline – kein Schlüssel, kein Netzwerk, keine Credits):

node scripts/srt.mjs --check "<übersetzte.srt>" --source "<original .srt>"

[check] FAIL-Zeilen bedeuten, dass die Datei die Cue-Ausrichtung, das 2×42-Layout oder die Lesegeschwindigkeitsbegrenzung verletzt. Überschreibe NUR die aufgelisteten Cues (gleiche Priorität: Bedeutung zuerst), speichere und führe erneut aus, bis kein FAIL mehr vorhanden ist. WARN-Zeilen sind optionale Politur. Führe dies vor Schritt 5 aus – nach der Zeitanpassung stimmt die Cue-Anzahl nicht mehr mit der Quelle überein, wie beabsichtigt.

Schritt 5 – Lesbarkeits-Zeitanpassung (offline; einmal pro gelieferter Datei, nachdem die Überprüfung bestanden wurde):

node scripts/srt.mjs --retime "<übersetzte.srt>"

Es verlängert zu schnelle Cues in die folgende Stille und führt kurze benachbarte Cues zu einem 2-zeiligen Ereignis zusammen (Netflix-Stil), wobei die Datei direkt überschrieben wird – die Cue-Nummerierung kann sich ändern; der unberührte Original-SRT behält die 1:1-Zeitkarte. Dann:

  • kürze den Text aller Cues, die es immer noch als zu schnell auflistet (wirklich schnelle Sprache), und
  • überprüfe bei Comedy-/Drama-Inhalten seine [retime] merged-Zeilen: Wenn eine Zusammenführung eine Pointe zu früh zeigt oder eine absichtlich unterbrochene Zeile vervollständigt, stelle diese beiden Cues mit ihren ursprünglichen Zeitpunkten aus dem Zustand vor der Zusammenführung wieder her.

Melde dem Benutzer die gespeicherten Pfade der übersetzten Dateien und erwähne, dass die Originale daneben aufbewahrt werden. Wenn der Benutzer das Untertitelprojekt auf Perso öffnen möchte, erstelle den Link aus dem seq-Wert der [srt-original]-Zeile: https://perso.ai/en/workspace/vt/stt/<seq>.

Stil & Untertitel einbrennen (hardsub)

Optionales Einbrennen eines gestalteten Untertitel-Tracks auf das Video (permanenter Hardsub) mit scripts/style.mjs. Dies ist ein lokaler ffmpeg-Schritt – kein Schlüssel, keine Credits (außer --project, das die Quelle von Perso herunterlädt). Erfordert ffmpeg; wenn nicht vorhanden, sage dem Benutzer, er solle es installieren, und stoppe.

Wann man es anbietet (zwei Einstiegspunkte):

  • Nach der Übersetzung: Sobald die SRTs geliefert wurden, biete an, gestaltete Untertitel hinzuzufügen – natürliche, auf den Benutzer bezogene Formulierung, nicht "einbrennen/hardsub". Bei mehreren Sprachen frage nach allen oder nur einigen.
  • Direkte Anfrage (Video + SRT dir übergeben): Gehe direkt zur Voreinstellungsauswahl.

Ablauf:

  1. Zeige immer zuerst die Voreinstellungen – überspringe niemals das Anwenden einer. Wie man sie zeigt, hängt von der Oberfläche ab:
    • Claude-App (oder jede Oberfläche, die ein interaktives Widget rendern kann): Zeige die Voreinstellungs-Galerie – eine Kachel pro Voreinstellung, die der Benutzer auswählt, mit einer Anwenden-Schaltfläche, die die Auswahl als Generierungsanfrage zurücksendet. Dort bevorzugt.
    • CLI / Antigravity / Codex / überall ohne interaktives Rendern (universeller Fallback): Hänge assets/style_presets.png (die statische Vorschau) an und führe node scripts/style.mjs --list-presets für das Textmenü aus. Beide stammen von denselben Voreinstellungen. Gruppiere Kurzform (9:16) / Langform (16:9). Der Benutzer kann eine Voreinstellung auswählen oder jeden Stil beschreiben (z. B. "gelber Text, schwarze Umrandung, unten"). Schlage einen Standard nach Ausrichtung vor (Hochformat → Kurzform, Querformat → Langform), lasse ihn aber wählen. Wende erst an, nachdem er ausgewählt oder beschrieben hat.
  2. Anwenden. Führe den Worker im Hintergrund aus (Kodierung dauert):
    • Von einem Perso-STT-Projekt: node scripts/style.mjs --project <seq> --preset <id> [--out ordner]
    • Von lokalen Dateien: node scripts/style.mjs "<video>" "<untertitel.srt>" --preset <id> [--out ordner]
    • Wenn der SRT, den du einbrennst, von einer Perso-STT-Extraktion stammt (eine [srt-original]-Datei oder eine Übersetzung davon), füge --origin perso hinzu; für eine vom Benutzer selbst bereitgestellte Untertiteldatei lasse es weg. Nur Telemetrie – es ändert die Ausgabe nicht.
    • Benutzerdefinierter Stil: Ordne die Beschreibung des Benutzers Überschreibungsflags zu, die auf jeder Basisvoreinstellung aufbauen – --position center|lower|bottom|upper, --font, --fontsize, --primary RRGGBB, --outline RRGGBB, --outline-width, --box RRGGBB@opazität|none, --karaoke/--no-karaoke, --highlight RRGGBB, --uppercase, --bold/--no-bold (siehe --help).
    • Schriftarten: --font "<name>" verwendet eine installierte Schriftart; ein Name, der nicht installiert ist, fällt automatisch auf die nächstgelegene Systemschriftart zurück (erwähne es, wenn relevant). Eine vom Benutzer bereitgestellte Schriftartdatei (.ttf/.otf/.ttc) kommt als --font-file "<pfad>" – der Familienname wird aus der Datei selbst gelesen.
    • Mehrere Sprachen: Führe einmal pro SRT der Sprache mit demselben --preset aus und füge --lang <code> hinzu, damit die Ausgaben

…

[gekürzt für Übersetzung]

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Verwandte Skills