polyir/ai-video-production-skill

KI-Videoproduktion

Ein Produktionssystem, das über 40 Reels und lange Episoden ausgeliefert hat. Es ist bewusst meinungsstark: Jede Regel unten entstand aus einem echten Fehler oder einer expliziten Entscheidung des Eigentümers. Projektspezifische Entscheidungen (Marke, Logos, Stimmen, Budgets) sind nicht hier – jedes neue Projekt legt seine eigenen fest (siehe "Projektspezifische Einrichtung").

Kernprinzipien

1. Freigabe vor Ausgabe. Drehbuch + Storyboard werden zuerst dem Eigentümer vorgelegt; keine kostenpflichtige Generierung (TTS, Bilder, Video, Lippen-Synchronisation), bis beide genehmigt sind. Recherche von Filmmaterial und Quellenlisten sind vor der Freigabe in Ordnung. Jede wesentliche inhaltliche Änderung nach der Freigabe wird erneut vorgelegt. Jeder öffentliche Upload benötigt eine eigene Freigabe.
2. Der Eigentümer bestimmt die Termine. Schlagen Sie niemals Produktions- oder Veröffentlichungstermine/-pläne vor, es sei denn, der Eigentümer hat einen regelmäßigen Rhythmus festgelegt. Führen Sie eine Inhaltskalenderdatei und aktualisieren Sie sie direkt nach jeder Produktion und jeder Veröffentlichung (Status, tatsächliches Datum, Post-ID) – die Aufgabe ist erst erledigt, wenn dies geschehen ist.
3. Bewegtgrafik zuerst, KI zweitens. Fragen Sie vor der Bestellung eines KI-Clips: "Kann dies in Code gebaut werden?" Wenn etwas gezeigt werden kann (Karte, Anzeige, Zeitleiste, Checkliste, Zahl, Vergleich, Regelkarte, Allegorie), bauen Sie es in Remotion/SVG zu null Kosten. KI nur für das, was gesehen werden muss (Gesichter, historische Szenen, Gemälde, Atmosphäre). Jedes Video – einschließlich 30-Sekunden-Reels – verwendet codebasierte Bewegtgrafik. Kennzeichnen Sie die Ebene jedes Storyboard-Shots (Code / KI / Lippen-Synchronisation) und geben Sie den Bewegtgrafik-Anteil an.
4. Jedes KI-Video beginnt mit einem genehmigten Referenzbild (Bild-zu-Video, Referenz-zu-Video oder Erst-Letzt-Bild). Kein Text-zu-Video.
5. Audio immer aus einem dedizierten Audio-Tool (ElevenLabs): Erzählung, Hooks, Musik, SFX. Deaktivieren Sie das eigene Audio der Videomodelle (es verdoppelt oft auch den Preis).
6. Budgetobergrenzen werden durch Tooling erzwungen, nicht durch Erinnerung. Verwenden Sie scripts/fal_jobs.py mit einer Obergrenze; es lehnt die Einreichung ab, wenn der Kostenvoranschlag die Obergrenze überschreitet oder ein Bild ≥ 1 $ kostet.
7. Ich kann Audio nicht hören oder Gesichter zuverlässig beurteilen. Messen Sie stattdessen: F0 für die Stimmlage, LUFS für die Lautstärke, STT für den Wortlaut, Standbilder/Kontaktabzüge für das Visuelle. Bitten Sie den Eigentümer, Namen und mehrdeutige Wörter anzuhören.
8. Entscheidungen protokollieren. Führen Sie eine DECISIONS.md (Eigentümerregeln + Lektionen, datiert) und eine PRODUCTION_WORKFLOW.md (aktuelle Regeln). Wissen/Recherche kommt in eine separate Datei mit Vertrauensstufen; es wird erst zur Regel, wenn der Eigentümer es genehmigt.

Produktionsreihenfolge

1. Quelltext und Ziel prüfen → 2. Drehbuch + Storyboard entwerfen (Kurzformen und deren Hooks jetzt markieren; Wiederverwendung von Filmmaterial auf ~25% begrenzen) → 3. exakte Asset-Liste extrahieren → 4. vorhandene Assets prüfen, nur Lücken aus lizenzierten Quellen herunterladen → 5. Downloads verifizieren (Thema, Länge, Auflösung) → 6. Drehbuch/Storyboard anhand der echten Dateien finalisieren → 7. Eigentümer zeigen, bis zur Genehmigung anhalten → 8. generieren (TTS → Referenzbilder → I2V → Lippen-Synchronisation) → 9. in Remotion zusammenbauen + technische Qualitätskontrolle → 10. Schnitt zur Veröffentlichungsfreigabe prüfen → 11. nach Freigabe hochladen → 12. Kalender + Analyseprotokoll aktualisieren.

Skriptbasierte Pipeline (Details in references/pipeline.md): turns.py → tts.py → stt_check.py → build_audio.py (→ timing.ts + Untertitel) → Remotion → scripts/master.sh (Zwei-Durchgang −14 LUFS + Qualitätskontrolle).

Standard-Tool-Aufteilung (pro Projekt überschreibbar)

Aufgabe	Tool	Hinweise
Bilder	Zuerst kostenlose Agenten (Codex image_gen / Antigravity via einen agentenübergreifenden MCP), falls verfügbar; sonst fal (nano-banana-2 neu, nano-banana-pro/edit für Stilkonsistenz und i2i; Flux 2 Pro als Rückfall, wenn Nano Banana ablehnt)	Ziel ≤ 0,30 $/Bild, niemals ≥ 1 $
Video (I2V)	fal: Veo 3.1 (inkl. Lite/Fast, Erst-Letzt-Bild für Übergänge), Gemini Omni Flash 1.1, Wan 3.0, Kling 2.6 Pro	immer Auflösung explizit angeben – der Preis hängt davon ab
Lippen-Synchronisation	Hedra hedra-character-3 nur	oft günstiger pro Sekunde als I2V → Geschichte nach Möglichkeit durch einen Charakter erzählen
Stimme, Musik, SFX	ElevenLabs, aktuellstes Flaggschiff-TTS-Modell (list_models; niemals eine alte model_id kopieren)	nur Bibliotheksstimmen, niemals entworfene Stimmen
Reinigung aufgezeichneter Stimmen	fal veed/clean-audio → fal-ai/lava-sr (Rauschunterdrückung aus) → leichte Nachbearbeitung	Verbesserung, keine Generierung
Bearbeitung / Rendering	Remotion (+ @remotion/three für maximal eine 3D-Helden-Szene)
Mastering / Qualitätskontrolle	ffmpeg	scripts/master.sh, scripts/qc.sh

Modell-/Preisdetails und Fallstricke: references/ai-generation.md.

Hart erkämpfte Regeln (die, die Geld gekostet haben)

• Niemals eine neue TTS-Stimme entwerfen (text_to_voice). Entworfene Stimmen sprechen Nicht-Englisch falsch aus und STT kann Vokalfehler nicht erkennen. Aus der bestehenden Bibliothek besetzen; wenn nichts passt, fragen.
• Charakter vor der Lippen-Synchronisation an die Stimme anpassen. Mittlere F0 messen (~85–155 Hz männlich, ~165–255 Hz weiblich) und das Transkript lesen. Ein männlicher Avatar auf einer weiblichen Stimme verschwendete einen gesamten Render.
• Niemals das Geschlecht oder die Identität einer Person vor der Kamera im Filmmaterial des Eigentümers annehmen – es ist normalerweise der Eigentümer.
• Persisch/Arabisch-schriftliche TTS benötigt diakritische Zeichen (insb. Ezafe Kasra und kurze mehrdeutige Wörter) nur im TTS-Text; Untertitel bleiben schlicht. Ein falsch platziertes diakritisches Zeichen ist schlimmer als keines. Siehe references/audio.md.
• Musik muss deutlich hörbar sein: ~10–13 dB unter Sprache mit Ducking, lauter in Pausen/Cover/Endkarte. Feste Betten mit Gain 0,06 waren unhörbar.
• fal_pricing gibt nur die niedrigste Stufe zurück (z. B. 360p). Budget anhand der Tabelle nach Auflösung kalkulieren.
• Fotorealistische Gesichter echter Menschen werden nicht rekonstruiert. Silhouetten/Rückansichten/Hände verwenden, gekennzeichnet als "symbolische Rekonstruktion". Offensichtliche Karikaturen von Persönlichkeiten des öffentlichen Lebens dürfen nur dokumentierte, datierte, belegte Zitate sprechen, entsprechend gekennzeichnet.
• Niemals lesbaren Text in einen Bild-/Video-Modell-Prompt setzen – es erzeugt Kauderwelsch; Text in Remotion hinzufügen. Keine Charakternamen in Prompts setzen (das Modell schreibt sie auf das Bild); für Flaggen/Requisiten "schlicht, keine Symbole" sagen.
• Das Ende jedes KI-Clips überprüfen – der Inhalt bricht oft in den letzten Sekunden ein; clipLen verkürzen.

Kurzform-Regeln (Zusammenfassung – Vollversion in references/short-form.md)

• Hook wirkt auf 3 Ebenen gleichzeitig in 0–3 s: Frame-0-Visual, erste gesprochene Zeile (beginnt bei 0,05 s, keine Einleitung, Hauptversprechen bis Sekunde 4), Bildschirmtext ohne Ton lesbar. ≤ 8 Wörter. Pro Reel 2–3 Hooks verschiedener Typen schreiben.
• Frame 0 = das Cover (Entry-Fade auf einen Frame reduziert).
• Reel-Hartgrenze 160 s, Sweet Spot ~80–90 s; Instagram empfiehlt Nicht-Followern nur ≤ 3 min.
• Ende: Stimme = Folge mit einem Grund (am besten: ein benannter Teaser des nächsten Teils); Bildschirm = Inhaltsfrage; Bildunterschrift = Kommentarfrage + Folge. Teilen-Einladung ("Schick es jemandem, der…") nur bei praktischen Beiträgen.
• Niemals Fragen stellen, die die Gruppe, Identität, den Standort oder die Aktivitäten des Betrachters preisgeben, wenn das Publikum gefährdet sein könnte.
• ≤ 5 Hashtags; Haupt-Keyword explizit in Bildunterschrift Zeile 1–2 (Bildunterschriften werden indexiert).
• Visuelle Familien, Hook-Typen, Sprecher und Cover-Vorlagen rotieren – aufeinanderfolgende gleich aussehende Reels werden als "der vorherige Beitrag" übersprungen.

Analyseregeln (Zusammenfassung – Vollversion in references/analytics.md)

• Beiträge nur im gleichen Alter (24 h / 48 h / 7 d) und innerhalb des gleichen Collab-Status vergleichen; Beiträge < 24 h sind "vorläufig".
• Ausreißer (verursacht durch einen externen Share eines großen Kontos, ein Nachrichtenereignis usw.) werden von den Basiswerten ausgeschlossen, bis ihr Muster durch Änderung von Parametern, die Sie kontrollieren, reproduziert wird. Fragen Sie den Eigentümer nach externen Shares, bevor Sie den Inhalt bewerten – die API kann sie nicht sehen.
• Keine Schattenverbannung/Einschränkung ohne Nachweis aus dem App-Kontostatus behaupten.
• Der Zeitpunkt der Collab-Akzeptanz ist unvorhersehbar; Reichweitensteigerungen nicht ohne Nachweis Collabs zuschreiben.
• Erfolg an Engagement (Shares, Saves, Kommentare pro Reichweite, Follower pro 1k Reichweite) messen, nicht nur an der Reichweite.
• Zwei Geschwindigkeiten: Daten jedes Mal protokollieren; Regeländerungen nur in einer wöchentlichen Überprüfung vorschlagen und nur, wenn ≥ 3 gleich alte Beiträge das Muster zeigen.

Projektspezifische Einrichtung (zu Beginn eines neuen Projekts fragen oder lesen)

Markenpalette, Schriftarten und Logosatz · Sprecherstimme + wechselnde Nebenstimmen · KI-Offenlegungsformulierung · Budgetobergrenzen pro Reel/Video · erlaubte/verbotene Modelle · wo API-Schlüssel gespeichert sind (Schlüsselbund-Dienstnamen / Umgebungsvariablen) · Veröffentlichungskonten und Mitarbeiterkarte · Speicherorte für Inhaltskalender und Analysedateien · Sicherheitseinschränkungen für das Publikum · ob der Eigentümer vor der Kamera erscheinen kann.

Referenzdateien

Datei	Lesen, wenn
references/pipeline.md	beim Aufbau der skriptgesteuerten TTS → Timing → Remotion-Pipeline; Ordnerstruktur; Ergebnisse
references/remotion.md	beim Schreiben oder Debuggen von Remotion-Kompositionen, Schriftarten, RTL-Text, 3D, Render-Qualitätskontrolle
references/audio.md	TTS-Einstellungen, diakritische Zeichen, Sprachkette, Musik-Ducking, Lautstärke, SFX
references/ai-generation.md	bei der Auswahl/Bepreisung von fal-Modellen, I2V-Regeln, Hedra Character-3, Omni-Video-Bearbeitung, Matting, LUTs, kostenlosen Bild-Agenten
references/short-form.md	Hooks-Katalog, CTAs, Loop-Shorts, Instagram-Ranking-Signale, Neugier-Lücke, Erklärprinzipien, Framing
references/analytics.md	beim Durchführen einer Instagram/YouTube-Analyse, CSV-Schemata, Vergleichsregeln
scripts/fal_jobs.py	Budgetbegrenzter fal-Bild-/Video-Job-Runner (Schätzung / Einreichung / Abfrage / Download)
scripts/stt_check.py	Überprüfung der TTS-Turns am Drehbuch mit ElevenLabs STT
scripts/master.sh	Zwei-Durchgang-Lautstärke-Master + Lautstärke-/Schwarz-/Einfrier-Qualitätskontrolle
scripts/qc.sh	Frame-Gitter + Kontaktabzug + technische Prüfungen vor der Auslieferung