Faceless Video Pipeline
Erstelle ein Video für einen gesichtslosen Kanal als deterministische 4-Stufen-Pipeline. Quellenangabe: ~/2nd Brain/2nd Brain/Wiki/research-faceless-youtube-claude-code-pipeline-2026-06-26.md.
Harte Regeln (Plattformrisiko + Qualität)
- Stimme = ElevenLabs Voice Artist (Phils kostenpflichtiger Plan), KEINE menschliche Aufnahme. Die Befürchtung im Quellvideo, dass „KI-Stimme zu einem Bann führt“, ist FALSCH – siehe die YouTube-Offenlegungsrichtlinie in
Sources/youtube-synthetic-content-disclosure-policy-2026-06-26.md. Die eigentliche Regel: Die YouTube-Kennzeichnung für veränderte/synthetische Inhalte ist erforderlich für KI-Musik, eine synthetische Stimme, die KEIN eigener Klon des Erstellers ist, oder realistische KI von echten Personen/Orten/Ereignissen – und ist NICHT erforderlich für Animationen/Gekritzel. Die Offenlegung ist kostenlos (keine Auswirkungen auf Reichweite/Monetarisierung), also standardmäßig JA, wenn das Video KI-Musik oder eine synthetische Nicht-Eigenstimme enthält (unsere Pipeline tut das immer). Einrichten in YouTube Studio → Attribute → „KI-Nutzung“ → Ja. Setze „Für Kinder gemacht“ = Ja nur für kindgerechte Inhalte (GESCHICHTE/Kinderbetreuung). - Ein Style-Token für jedes Bild. Lege zu Beginn eine einzige Stilbeschreibung fest; jedes generierte Bild enthält sie wörtlich, sodass der Kanal visuell konsistent bleibt.
- Modusgerechte Autorität (siehe Schalter Stufe 0). FAKT/Sachtext: zitiere echte Studien/Daten/Statistiken, recherchiere vor dem Schreiben, prüfe die Behauptungen auf Richtigkeit. GESCHICHTE/Fiktion: erfundene Erzählung; Autorität ist emotionale Resonanz, nicht Fakten; prüfe stattdessen auf Alters- und Markenangemessenheit (z. B. Kinderbetreuung = sanft, sicher, altersgerecht). Präsentiere NIEMALS Fiktion als Tatsache oder erfinde „Fakten“ im Faktenmodus.
- Standbilder + Voiceover, keine Bewegtgrafiken. Dies ist das Format für Gekritzel-Kanäle. Wenn der Nutzer Animationen/Bearbeitungsglanz wünscht, übergib an
video-director.
Substrat – WICHTIGER Unterschied
Das Quellvideo verwendet Higgsfield (Claude Code MCP). Wir verwenden KEIN Higgsfield. Phils Bildplattform ist Artlist (artlist.io, AI Toolkit), gesteuert im Browser über browser-harness. Hinweis: „artist.io“ ist ein Tippfehler für artlist.io.
- Bildgenerierung (primär): Artlist AI Toolkit unter
toolkit.artlist.io/image-video-generator?mode=image(Modell Nano Banana 2, 16:9 / 2K). In Stufe 3 erprobte Mechanismen. - Bildgenerierung (Fallback):
mcp__margot__image_generate(ebenfalls Nano Banana 2) – nur für unbeaufsichtigte Testläufe. Niemals Higgsfield. - Voiceover: ElevenLabs TTS über REST-API. Schlüssel + Standardstimme in
~/.hermes/.env(ELEVENLABS_API_KEY,ELEVENLABS_VOICE_ID) – programmatisch auflösen, niemals einfügen. Keine menschliche Aufnahme. - Transkriptabruf:
yt-dlp. Zeitstempel: ElevenLabs-Ausrichtung (primär) oderwhisper-cli(Fallback). Zusammenfügen:ffmpeg.
Arbeitsverzeichnis
Erstelle ~/faceless-video/<thema-slug>/ und behalte dort jedes Artefakt: reference-format.md, script.md, voiceover.mp3, transcript.json, images/NN.png, final.mp4.
Stufe 0 – MODUS-SCHALTER (Zuerst FRAGEN, vor allem anderen)
Die Engine erfüllt gegensätzliche Aufgaben für verschiedene Kunden/Anwendungen, daher ist die ERSTE Frage jedes Durchlaufs:
„Ist dies ein FAKT (Sachtext) oder eine GESCHICHTE (Fiktion) Skript?“ Notiere den
modeim Arbeitsverzeichnis (mode.txt). Er verzweigt den gesamten Durchlauf:
| FAKT (Sachtext) | GESCHICHTE (Fiktion) | |
|---|---|---|
| Anwendungsfall | Bildungsprodukt, Erklärungen, „Wusstest-du-schon“ | Kindergeschichten, Gleichnisse, Gute-Nacht-/Markengeschichten |
| Referenzrahmen | Aufhänger + 3-Säulen-Körper + Auszahlung | Figur → Fehler → Reise → Lektion → Auflösung |
| Autorität | recherchierte echte Studien/Statistiken/Daten; Richtigkeitsprüfung | emotionale Resonanz; Alters-/Markenangemessenheitsprüfung |
| Harte Regel | niemals Fakten erfinden | niemals Fiktion als Tatsache präsentieren |
| YouTube-Offenlegung | KI-Nutzung = Ja (KI-Musik/Stimme vorhanden) | KI-Nutzung = Ja + Für Kinder gemacht = Ja (kindgerecht) |
Wenn der Aufrufer bereits den Modus impliziert (z. B. „eine Kindergeschichte für meine Frau“ → GESCHICHTE; „erkläre X für mein Produkt“ → FAKT), bestätige es in einer Zeile, anstatt erneut zu fragen. Die Standard-Referenzbehandlung, Skriptvorlage und Prüfung folgen alle aus diesem Schalter.
Stufe 0b – Style-Token (einmalig pro Kanal, dann wiederverwenden)
Bitte den Nutzer um 3–5 Referenz-Screenshots des Ziel-Visualstils. Weise die Analyse an:
„Analysiere den visuellen Stil dieses Bildes für einen KI-Bildgenerator. Gib (1) eine kurze positive Stilbeschreibung, die ich als Prompt einfügen kann, (2) eine Liste von Negativ-Prompts, um eine Abweichung in Richtung polierter/realistischer Ausgabe zu verhindern. Konzentriere dich nur auf den Stil, nicht auf das Motiv.“ Speichere das Ergebnis als
style-token.mdim Kanalstamm (wiederverwendet für alle Videos dieses Kanals).
Stufe 1 – Skript (verzweigt basierend auf Stufe 0 Modus)
- Frage nach dem Thema und einer bewährten Referenzvideo-URL im gewählten Modus (einen Faktenkanal für FAKT, einen Geschichtenkanal für GESCHICHTE – nicht mischen).
- Rufe das Referenztranskript ab:
yt-dlp --write-auto-sub --sub-lang en --skip-download --sub-format vtt -o 'ref-%(id)s.%(ext)s' '<URL>'. Bereinige die.vtt(entferne Zeitstempel/Tags, dedupliziere fortlaufende automatische Untertitelzeilen). - Zerlege es in eine wiederverwendbare Vorlage, pro Modus:
- FAKT: Aufhänger (die Mikro-Beats), Einleitung/Versprechen, der 3-Säulen-Körper, Übergangssätze, Gesamtlänge.
- GESCHICHTE: Protagonist + ein gemeinsamer Fehler, der Schmerz, der auslösende Vorfall, die Reise, eine GEZEIGTE Demonstration (nicht erzählt), eine einprägsame Weisheitszeile, innere Erkenntnis, Abschluss mit Zukunftsausblick.
Speichere als
reference-format.md.
- Schreibe ein NEUES Skript zum Thema in dieser Vorlage. FAKT: Führe zuerst die
source-ingest-Fähigkeit aus, um vertrauenswürdige Daten der Stufen 1–2 in die Vault-Sources/-Bibliothek zu ziehen, dann schreibe das Skript unter ausschließlicher Verwendung dieser gespeicherten Quellen und überprüfe jede Behauptung auf Richtigkeit gegen sie. GESCHICHTE: erfinde frei, prüfe auf Alters-/Markenangemessenheit. Gib ein SAUBERES Skript (ohne Szenenanweisungen) inscript.mdaus. - Bestätige das Skript mit dem Nutzer, bevor du das Voiceover generierst.
Stufe 2 – Voiceover + Zeitstempel (ElevenLabs, automatisiert)
- Generiere das Voiceover aus
script.mdüber den ElevenLabs with-timestamps-Endpunkt (gibt Audio + Zeichenausrichtung in einem Aufruf zurück):curl -s -X POST "https://api.elevenlabs.io/v1/text-to-speech/$ELEVENLABS_VOICE_ID/with-timestamps" -H "xi-api-key: $ELEVENLABS_API_KEY" -H "content-type: application/json" -d '{"text":"<skript>","model_id":"eleven_multilingual_v2"}'→ speichere Base64-Audio alsvoiceover.mp3und die Ausrichtung alstranscript.json. - Leite pro Phrase/Satz Zeitstempelsegmente aus der Ausrichtung ab – jedes Segment wird ein Bild-Beat. (Fallback bei unbrauchbarer Ausrichtung:
whisper-cli -f voiceover.wav -ml 1 --output-json -of transcriptnachffmpeg -i voiceover.mp3 voiceover.wav.) - Die Stimme ist pro Kanal/Kunde, nicht fest – wähle die ElevenLabs-Stimme, die zum Modus/zur Marke passt (z. B. warme, sanfte Geschichtenerzählerin für Kinderbetreuungsfiktion; klare, autoritative Stimme für ein Bildungsfaktenprodukt). Übergib diese
voice_idanstelle der Standard-ELEVENLABS_VOICE_ID. Durchsuche die ElevenLabs-Stimmbibliothek des Nutzers bei der Auswahl. - Keine menschliche Pause – Stufe 2 läuft unbeaufsichtigt.
Stufe 3 – Ein Bild pro Zeitstempel (Artlist AI Toolkit, browsererprobt)
Pro Beat: Szenen-Prompt + gesperrtes Style-Token wörtlich. Steuere Artlist über browser-harness (benötigt Phils angemeldeten Chrome; Way-1 Remote-Debugging aktiviert). Mühsam erworbene Mechanismen:
- Öffne
toolkit.artlist.io/image-video-generator?mode=image. Der Prompt ist ein[contenteditable=true]div; der Generate-Button passt auf innerTextGenerate. Standardeinstellungen sind bereits 16:9 / 2K / 1 Bild (gut). - Pro Bild: Momentaufnahme vorhandener generierter UUIDs → Klick auf das Feld,
document.execCommand('selectAll'),type_text(prompt)→ Klick auf Generate → warte, bis der Ladetext (on its way|Almost ready|Generating) verschwindet UND eine neue UUID erscheint. - Ergebnis liegt unter
ai-toolkit-generations.imgix.net/...png?...&s=<sig>. Extrahiere die UUID mit dem GENERISCHEN Regex[0-9a-f]{8}-[0-9a-f]{4}-...{12}\.png(Dateinamenspräfix variiert:image-<uuid>ODER-t-e-x-t_-t-o_-i-m-a-g-e-<uuid>). Lade die EXAKTE src herunter – das Umschreiben eines imgix-Parameters (z. B.w=) bricht die Signatur → 403. - Gehe EINS NACH DEM ANDEREN vor. Schnelle Bursts reihen sich ein/drosseln und die Rasteransicht virtualisiert das DOM, beides unterbricht die Erkennung neuer UUIDs. Falls eine Generierung nach dem Abruffenster abgeschlossen ist, rette sie aus dem Raster (lade verschiedene nicht zugeordnete UUIDs herunter, montiere, ordne visuell zu).
Fallback (nur unbeaufsichtigt):
mcp__margot__image_generate– speichert<save_as>.jpg, berücksichtige die Erweiterung.
Stufe 4 – Zusammenfügen
Erstelle eine FFmpeg concat-Datei, die jedes Bild für (nächster_start - dieser_start) Sekunden anzeigt und das Voiceover dazu mischt:
- Generiere eine concat-Liste mit Dauern pro Bild aus den Zeitstempeln.
ffmpeg -f concat -safe 0 -i list.txt -i voiceover.wav -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest final.mp4- Empfehle 2K-Quellbilder für echte Uploads (niedrige Auflösung nur für Testläufe).
Stufe 5 – Finalisieren (für einen echten Upload, nicht für Testläufe)
Verwandle den rohen Zusammenschnitt in ein fertiges Ergebnis:
- 1080p – rendere den Zusammenschnitt skaliert/aufgepolstert auf
1920:1080(weiße Polsterung vermischt den Skizzenbuch-Hintergrund),crf 19. - Einblendungen –
fade=t=in:st=0:d=0.6:color=whiteundfade=t=outüber die letzten ~0,8 s. Behalte harte Schnitte auf den Beats zwischen den Bildern bei (stilgerecht – KEINE Überblendungen). - Musikbett – generiere einen ruhigen Track über Artlist AI Music (
toolkit.artlist.io/music-generator?mode=music, Lyria 3; gleicher Browser-Flow wie bei Bildern, Ergebnis ist eine signierte.wavuntercms-toolkit-artifacts.artlist.io/...music-<uuid>– lade die EXAKTE src herunter). Mische UNTER das VO:volume≈0.13(~−18 dB),afadeein 1,5 s / aus ~1,8 s,amix=inputs=2:normalize=0. Überprüfe mitvolumedetect: Gesamtspitze < 0 dB (kein Clipping), Musik-Mittelwert ~15+ dB unter VO.
Ausgabe
final-1080p-music.mp4 (das fertige Ergebnis) + ein wiederverwendbares style-token.md. Melde den Pfad und die Artefakte pro Stufe. Für Veröffentlichungs-/Kanalstrategie übergib an video-distribution-strategist; denke an die Offenlegung synthetischer Inhalte beim Hochladen.