Communitygithub.com

Leichtes Textanimations-Video

Erstellt animierte Textvideos (Reels/Shorts 9:16 oder YouTube 16:9) aus einem Skript und einer MP3-Voice-Over-Datei (z. B. von ElevenLabs) mit professionellem Motion-Design-Workflow – Konzept, Styleframe, Animation, Postproduktion – inklusive Kamerabewegungen, Übergängen, mehrschichtigen Soundeffekten, Untertiteln und .srt-Datei.

Was ist Leichtes Textanimations-Video?

Dieses AI-Agent-Skill erstellt im Sandkasten vollständig animierte Textvideos – ohne Internetzugriff, API-Schlüssel oder zusätzliche Installationen. Der Benutzer stellt lediglich ein Skript (den gesprochenen Text) und eine finale MP3-Datei des Voice-Overs (z. B. von ElevenLabs) bereit. Der Agent fungiert als Motion-Designer: Er plant die gesamte Produktion in einer strukturierten Vorgehensweise – Konzept → Styleframe → Animation → Postproduktion – und vermeidet typische KI-Fehler wie eintönige Fade-Animationen. Er legt den visuellen Stil („Rasa“: scharf, elegant, technisch oder verspielt) fest, erstellt ein Designsystem mit maximal 3–4 Farben und entwickelt einen detaillierten Szenenplan (Animatic) basierend auf den Pausen in der Audiodatei. Pro Szene generiert der Agent mehrschichtige PNG-Illustrationen mit Python und Pillow, die genau zum gesprochenen Text synchronisiert werden. Jedes Objekt erscheint zu dem Zeitpunkt, zu dem es im Voice-Over erwähnt wird, und bewegt sich kontinuierlich – es gibt keine statischen Elemente. Die Animation nutzt unterschiedliche Easing-Kurven (basierend auf der gewählten „Rasa“) und vermeidet Einheitlichkeit. Ein integriertes Skript („buat_video.py“) übernimmt die automatische Animation: Es steuert Kamerabewegungen (langsames Zoomen, Federeffekte für Fokus), Übergänge (Schnitt, Whip, Zoom), lebendige Untertitel (Wörter erscheinen einzeln mit Federeffekt; hervorgehobene Wörter erhalten einen gelben Kasten) und drei Lagen synthetischer Soundeffekte (Sub-Bass, Whoosh, Klick/Pop). In der Postproduktion wird das Video mit feinem Filmkorn, Vignettierung und chromatischer Aberration versehen, um den polierten Vektor-Look zu brechen. Das fertige Video (H.264, AAC 48 kHz) und eine .srt-Untertiteldatei werden im Ausgabeordner bereitgestellt. Der Agent erkennt auch Probleme: Wenn sich Bilder wiederholen oder nicht zum Ton passen, werden lange Szenen aufgeteilt, fehlende Auslöser-Zeitpunkte („saat“) hinzugefügt oder die Illustrationen überarbeitet. Dieses Skill eignet sich besonders für schnelle, aber qualitativ hochwertige Erklärvideos, Social-Media-Clips oder Präsentationen, bei denen der Text und das Voice-Over bereits fertig sind.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/thehanifz/remotion/tree/HEAD/referensi/video-animasi-ringan

In Ihrer bevorzugten KI fragen

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

Dokumentation

Leichtes Textanimations-Video (Python + Pillow + FFmpeg)

Alles läuft in dieser Sandbox. Kein Internet, kein API-Schlüssel, keine Installation erforderlich. Der Ablauf imitiert die Arbeitsweise eines Motion-Design-Studios, in einer leichten Version: Zuerst die Vorproduktion (dauert am längsten), dann die Animation, dann die Nachbearbeitung.

Du bist der Motion-Designer

KI-generierte Videos haben eine typische Handschrift: Alle Texte verblassen und steigen langsam mit derselben Kurve, die Abstände zwischen den Elementen sind gleich, und dann steht alles still. Dieses Skill bricht mit dieser Gewohnheit. Lies LIBRARY.md (im Ordner dieses Skills), bevor du den Szenenplan erstellst.

  • Entscheide zuerst, wie sich dieses Video anfühlen soll, und wähle dann die Rasa (den Bewegungstyp), die Kurve und die Art des Erscheinens. Zwei Videos sollten sich nie gleich bewegen.
  • Bestimme, WAS die Bewegung ist, bevor du über das Easing nachdenkst: Erscheint der Titel sofort, wird er getippt, prallt er ab oder wird er eingeschlagen?
  • Der Bildschirm = eine bewegte Illustration + lebendige Untertitel. Standard: KEIN großer Titel und KEIN Fortschrittsbalken; die Untertitel transportieren den Satz bereits, daher wiederholt der Titel ihn nur. Verwende einen Titel nur, wenn ein Begriff/eine Zahl auf dem Bildschirm lesbar bleiben muss.
  • Das Bild folgt der Stimme. Was auf dem Bildschirm erscheint, muss das Objekt oder Ereignis sein, das GERADE gesprochen wird. Satzwechsel = Bildwechsel. Test: Schalte den Ton aus; wenn das Bild allein den Satz nicht erzählt, ist das Bild falsch. Verwende kein Bild für einen anderen Satz wieder.
  • Es gibt keine statischen Objekte. Jede Illustration wird in Schichten aufgeteilt, und jede Schicht kommt und bewegt sich eigenständig.
  • Wenn ein Titel verwendet wird, ist der Großteil cut. Spezielle Bewegungen (pop, slam, fokus, whip, zoom) nur an Wendepunkten der Geschichte.
  • Ein Abpraller ist eine Wahl, keine Dekoration. Ein zuverlässiger Übergang pro Video; der Rest ist Handwerk, das nicht auffällt.
  • Füge keine KI-Merkmale hinzu: Fade bei allen Texten, Weichzeichner, Lichtkugeln, Text-Shimmer, Titelunterstreichungen, Chip-/Label-Pillen, Linien- oder Rasterdekor. Der Bildschirm enthält nur das, was den Inhalt trägt: Bilder und Untertitel (Titel/Beschriftungen nur, wenn nötig).

Was der Benutzer bereitstellen muss

  1. Skript: Der Text, der im VO gesprochen wird (entweder in den Chat eingefügt oder als Datei hochgeladen).
  2. VO-MP3-Datei, die ENDGÜLTIG ist (z. B. mit ElevenLabs erstellt und dann in den Chat hochgeladen). Die ElevenLabs-API ist von dieser Sandbox aus nicht erreichbar, daher muss der Benutzer das VO selbst erstellen und hochladen.
  3. Format: 9:16 (Reels/Shorts/TikTok) oder 16:9 (YouTube). Wenn der Benutzer es nicht angibt, frage nach.

Wenn Skript oder MP3 noch nicht vorliegen, fordere sie zuerst an. Erfinde keinen Skriptinhalt.

Phase 1 – Vorproduktion (am wichtigsten)

  1. Konzept-Statement. Schreibe einen Satz mit der Hauptbotschaft des Videos und wähle dann eine Rasa (Bewegungspersönlichkeit) passend zur beabsichtigten Emotion:
    RasaEmotionBewegung
    tegas (Standard)informativ, dringend, lehrreichschnelles Eintreten, sanftes Stoppen, kleiner Abpraller
    mewahelegant, premium, ruhiglangsam, anmutig, fast ohne Abpraller, breite Pausen zwischen Elementen
    teknologiHigh-Tech, präzisesehr schnell, dicht, scharf
    ceriaverspielt, entspanntabprallend, Kurve über 100%
    Zeige dem Benutzer das Konzept-Statement + die Rasa. Eine Rasa für das gesamte Video, nicht mischen.
  2. Audio zuerst. Das VO muss endgültig sein, bevor die Szenen entworfen werden. Die Szenendauer wird aus den Pausen in der MP3 berechnet, daher ist das VO das Zeitraster für alle Bewegungen.
  3. Designsystem. Maximal 3–4 Farben (tema), eine Titelart, eine Rasa. Füge keine Farben pro Szene hinzu.
  4. Szenenplan = Animatic. Teile das Skript in Szenen auf: EIN Satz (eine Idee) pro Szene, 3–7 Sekunden. Lange Sätze, die mehrere Dinge erwähnen, werden weiter aufgeteilt, oder jedes Ding erhält eine Schicht mit einem saat-Zeitpunkt (Schritt 8). Das Skript markiert mit !, wenn ein Bild länger als 8 Sekunden angezeigt wird oder eine Szene kein Bild hat: Korrigiere dies, bevor du den Plan zeigst. ucapan enthält den VO-Text unverändert und in der richtigen Reihenfolge. Setze das WICHTIGSTE Wort/eine wichtige Phrase in Sternchen, z. B. "Tanah pucuk ini *tidak dibuang*, tapi disimpan.": Im Untertitel erhält dieses Wort einen gelben Kasten (in der .srt-Datei sind die Sternchen entfernt). Maximal eine Phrase (1–3 Wörter) pro Satz: Zahlen, Begriffe oder Wörter, die die Bedeutung umkehren. Wenn alles hervorgehoben wird, ist nichts wichtig. Für jede Szene:
    • gambar: Eine MEHRSCHICHTIGE Illustration, die die Szene repräsentiert (siehe Schritt 8). Jede Szene muss eine haben; das ist der Hauptinhalt des Bildschirms.
    • judul (optional, Standard leer): 1–5 große Wörter. Nur für Begriffe/Zahlen, die lesbar bleiben müssen; keine Kopie der Sprache.
    • label (optional): Kleiner Text in Großbuchstaben über dem Bild/Titel, z. B. „1/7".
    • keterangan (optional): Eine unterstützende Zeile.
    • kamera (optional): dorong (langsames Hereinzoomen), tarik (langsames Herauszoomen), fokus (Zoom auf das Bild oder auf den Titel, falls vorhanden; landet mit einer Feder), diam. Leer gelassen = abwechselnd dorong/tarik. fokus für wichtige Sätze, etwa 1 von 3 Szenen.
    • transisi (optional, Art und Weise, wie die Szene EINTRITT): potong (Standard), whip (Kamerabewegung + Bewegungsunschärfe), zoom (Durchschub: Die Kamera durchdringt das Bild der alten Szene zur neuen Szene). Nur bei Wechseln großer Abschnitte, etwa 1 pro Minute.
    • masuk (optional, Art und Weise, wie der TITEL kommt): potong (sofort präsent; Wahl für die meisten Szenen), ketik (Buchstabe für Buchstabe öffnend: Befehle, Dateinamen, Zitate), pop (Feder, Standard, wenn leer gelassen; für wichtige Punkte), slam (aus großer Größe einschlagend; Hook/Abschluss, maximal 1–2 pro Video). Siehe LIBRARY.md Abschnitt 3.
    • sfx (optional): Zusätzliche Sounds zu Beginn der Szene: ding (richtig/erfolgreich), error (falsch/Hindernis), thud, pop, tick, klik, sub.
  5. Überprüfe den Blickverlauf (Eye-Tracking) bevor du den Plan zeigst:
    • Ein Fokus pro Szene: die Illustration. Die Untertitel darunter, immer an derselben Stelle.
    • In jeder Illustration gibt es EINEN Teil, der am lebendigsten ist (der gerade besprochen wird); andere Teile bewegen sich weniger.
    • Whip zeigt immer in dieselbe Richtung. Keine zwei großen Übergänge hintereinander.
    • Wichtige Informationen nicht am Rand oder in der Nähe der Untertitel.
    • Führe die Checkliste aus LIBRARY.md Abschnitt 6 aus (Anzahl der Bewegungswerkzeuge, Variation der Eintrittsarten).
  6. Zeige das Konzept-Statement, die Rasa und den Szenenplan als Tabelle (Nr., Sprache mit wichtigen Wörtern, Bildinhalt + Schichten und deren Bewegung, Kamera, Übergang, SFX). Warte auf Zustimmung.
  7. Schreibe rencana.json im Arbeitsordner:
    {
      "nama": "tahapan-tambang",
      "format": "9:16",
      "audio": "/mnt/user-data/uploads/vo.mp3",
      "rasa": "tegas",
      "kurva": "kit.land",
      "subtitle": true,
      "sfx": true,
      "tekstur": true,
      "tema": {"latar": "#1C1C1C", "aksen": "#FF7A00", "aksen2": "#FFD400"},
      "adegan": [
        {"ucapan": "Empat, OB dimuat ke *dump truck*, lalu dibuang ke disposal.", "kamera": "dorong",
         "gambar": ["a4_tanah.png",
                    {"file": "a4_badan.png", "saat": "dump truck", "masuk": "kiri", "hidup": "apung"},
                    {"file": "a4_roda1.png", "saat": "dump truck", "masuk": "kiri", "hidup": "putar"},
                    {"file": "a4_roda2.png", "saat": "dump truck", "masuk": "kiri", "hidup": "putar"},
                    {"file": "a4_muatan.png", "saat": "dibuang", "masuk": "atas", "hidup": "apung"}]},
        {"ucapan": "Angkanya *tujuh tahap*.", "gambar": ["a5_peta.png"], "judul": "7 Tahap", "masuk": "slam", "transisi": "whip"}
      ]
    }
    
    Alle Schlüssel außer format, audio und adegan sind optional. subtitle, sfx, tekstur sind standardmäßig true. kurva = Name der Eintrittskurve aus LIBRARY.md Abschnitt 2, ersetzt die Standardkurve der rasa (bei Unsicherheit leer lassen). penanda = Fortschrittsbalken + laufender Marker: tidak (Standard, ohne Balken), titik, truk. Nur verwenden, wenn der Benutzer es verlangt.
  8. Mehrschichtige Illustrationen pro Szene. gambar = Liste der Schichten, von hinten nach vorne. Jede Schicht ist ein transparentes PNG.
    • Zeichne Bilder selbst mit Pillow (oder verwende ein Foto/ einen Screenshot des Benutzers als eine statische Schicht: "gambar": "foto.png").
    • Alle Schichten einer Szene werden auf einer gleich großen Leinwand gezeichnet (2000x2000, dann resize((1000, 1000), Image.LANCZOS)), wobei jede nur ihren Teil an ihrer endgültigen Position enthält. Das Skript stapelt sie und entfernt leere Ränder.
    • Zerlege Objekte nach den Teilen, die sich in der realen Welt selbstständig bewegen würden: Räder, Ladung, Bildschirm, Arm, Rauch, Pfeile, Zeiger. 3–6 Schichten pro Szene.
    • Jede Schicht: {"file": "...", "saat": ..., "masuk": ..., "hidup": ...}. Nur der Dateiname = statische Schicht (Boden, Tisch).
    • saat = Wort oder Phrase aus dem ucapan dieser Szene. Eine neue Schicht erscheint genau dann, wenn dieses Wort gesprochen wird, sodass sich das Bild mit der Stimme aufbaut: "...digali excavator, dimuat ke dump truck, lalu dibuang ke disposal" → Hügel "saat": "digali", LKW "saat": "dump truck", Ladung "saat": "dibuang". Schreibe es genau wie in der Sprache (ohne Sternchen). Ohne saat erscheint die Schicht zu Beginn der Szene. Jedes im Satz erwähnte Objekt sollte eine eigene Schicht mit saat haben; nur der Hintergrund (Boden, Tisch) ist ohne saat.
      masuk (Art des Erscheinens)hidup (Dauerbewegung)geeignet für
      potong (Standard)sofort dadiam (Standard)Boden, Tisch, Hintergrund
      bawah atas kiri rechtsgleitet aus dieser Richtungapungsanftes Auf und Ab: Fahrzeugaufbauten, Ladung, Wolken
      popvergrößert sich mit Federayunschwingt links-rechts: Helm, Tafel, Blätter
      napassanftes Vergrößern und Verkleinern: leuchtender Bildschirm, Lampe, Knopf
      putardreht sich kontinuierlich: Räder, Ventilator, Zahnrad (mit Markierungen/Speichen versehen, damit die Drehung sichtbar ist)
      geserhorizontal hin und her: Wolken, Wellen, Pfeile
    • Die Schichten erscheinen nacheinander mit unregelmäßigen Pausen (Reihenfolge der Liste = Reihenfolge des Erscheinens), und hidup jeder Schicht ist in einer anderen Phase. Wähle eine sinnvolle masuk-Richtung (LKW von der Seite, Ladung von oben), nicht alle gleich.
    • Zeichne OBJEKTE oder EREIGNISSE, die in der Sprache dieser Szene erwähnt werden, keine generischen Symbole (Glühbirne, Rakete, Zahnrad, Häkchen).
    • Flache, dicke Formen aus polygon, rectangle, ellipse, pieslice; 2–3 Farben aus tema + Weiß + Dunkelgrau. Keine Farbverläufe, Leuchteffekte, Schatten und kein Text. Gleicher Stil in allen Szenen.
      from PIL import Image, ImageDraw
      def lapis(nama, gambar):                      # ein Teil = ein PNG auf derselben Leinwand
          img = Image.new("RGBA", (2000, 2000), (0, 0, 0, 0)); gambar(ImageDraw.Draw(img))
          img.resize((1000, 1000), Image.LANCZOS).save(nama)
      lapis("a4_tanah.png", lambda d: d.rectangle([100, 1660, 1900, 1720], fill="#3A3A3A"))
      lapis("a4_badan.png", lambda d: (d.polygon([(280, 900), (1340, 900), (1240, 1380), (380, 1380)], fill="#FF7A00"),
                                       d.rectangle([1380, 960, 1800, 1380], fill="#FF7A00")))
      lapis("a4_roda1.png", lambda d: (d.ellipse([390, 1290, 770, 1670], fill="#111111"),
                                       d.rectangle([560, 1300, 600, 1400], fill="#FFD400")))   # Markierung, damit die Drehung sichtbar ist
      
    • Wenn das Skript mit „nicht genug Platz für das Bild" stoppt, kürze oder entferne judul/keterangan für diese Szene.
  9. Styleframe. python <ordner_des_skills>/buat_video.py rencana.json --preview → ein Rasterbild, ein Frame pro Szene (aufgenommen gegen Ende der Szene, wenn alle Schichten bereits da sind). Vergleiche jeden Frame mit seinem Satz, bevor du ihn sendest. Sende es an den Benutzer und bitte vor dem Rendern um Zustimmung. Überarbeitungen in dieser Phase sind viel billiger als nach dem Rendern.

Phase 2 – Animation (automatisch durch das Skript)

Das Skript erledigt Folgendes, es muss nicht manuell angepasst werden:

  • Extreme Geschwindigkeitskurve: Kamera Easy Ease Einfluss ±80-85%; Element-Eintritt starke Ausgangserleichterung entsprechend rasa oder kurva.
  • Unterstützender Text erscheint sofort (Schnitt), ohne Einblendung.
  • Trägheit: Zoom fokus und Titel-Pop verwenden eine Feder (starten aus dem Stillstand, überlaufen leicht, beruhigen sich).
  • Lebendige Illustrationen: Jede Schicht erscheint selbstständig (wenn ihr Wort gesprochen wird oder nacheinander zu Beginn der Szene) und bewegt sich dann kontinuierlich mit unterschiedlichen Phasen.
  • Lebendige Untertitel: Wörter erscheinen einzeln, synchron zur Sprache, jedes Wort springt mit einer Feder herein; mit *...* markierte Wörter erhalten einen gelben Kasten.

Phase 3 – Nachbearbeitung & Audio (automatisch)

  • Textur (tekstur): Bewegtes feines Korn, Vignettierung, chromatische Aberration 1 px, Farbgebung (S-Kontrast + leicht warm), um den zu sauberen Vektor-Look zu entfernen. Mit "tekstur": false für ein flaches/sauberes Aussehen deaktivieren.
  • SFX 3 Lagen (synthetisch, lizenzfrei, leise unter dem VO gemischt):
    1. Sub-Bass (sub): Gewicht, wenn Titel/Kamera landen,
    2. Mid Whoosh: Luft, wenn Kamera oder Übergänge sich bewegen,
    3. High (pop, klik): kleine Details, wenn Elemente erscheinen.
  • Rendern: python <ordner_des_skills>/buat_video.py rencana.json → <name>.mp4 (H.264, AAC 48 kHz, etwa -14 LUFS) und <name>.srt in /mnt/user-data/outputs/. Etwa 3–4 Minuten Renderzeit pro Minute Video (kann in der Sandbox abweichen).
  • Gib dem Benutzer die MP4- und SRT-Datei sowie eine vom Skript gedruckte Tabelle mit der Zeiteinteilung der Szenen.

Einschränkungen (gib ehrlich Bescheid, wenn der Benutzer danach fragt)

Diese leichte Version ist nur 2D: Bildschichten, die sich verschieben, drehen und vergrößern/verkleinern (die Form selbst ändert sich nicht). Nicht enthalten: 3D (Cinema 4D/Blender), Charakter-Rigging, Frame-by-Frame-Animation, automatischer Match-Cut zwischen Formen, Tiefenschärfe, Linsenverzerrung oder LUT-Dateien. Dafür sind After Effects/Remotion auf einem Computer erforderlich.

Wenn es Probleme gibt

  • Das Bild wirkt „immer gleich" oder passt nicht zum Ton: Die Szene ist zu lang oder die Schichten haben kein saat. Teile die Szene pro Satz auf, zeichne sie entsprechend dem Satzinhalt neu und gib jedem erwähnten Objekt einen saat.
  • Untertitel oder Szenen passen nicht zum Ton: Verschiebe Sätze zwischen den Szenen oder teile lange Szenen auf und rendere neu. Die Zeit wird aus den Pausen in der MP3 berechnet, nicht aus der Spracherkennung.
  • Text läuft aus dem Bildschirm: Kürze judul oder keterangan. Der Zoom fokus wird automatisch begrenzt, damit der Titel passt.
  • Die Bewegung wirkt übertrieben: Ändere masuk zu potong, rasa zu mewah, kamera zu diam, transisi zu potong oder setze "sfx": false.
  • Die Bewegung wirkt flach/immer gleich: Gib EINEN slam beim Hook und einen fokus beim wichtigsten Punkt, nicht jedes Element auf die gleiche Weise behandeln.

Verwandte Skills