TTS-Skript-Generator
Intelligentes Komprimieren und Umschreiben von Dokumenten in Skripte, die für TTS (Text-to-Speech) optimiert sind.
Kernfunktionen
- 🤖 KI-gestützte Analyse: Claude analysiert den Artikelinhalt und ermittelt die optimale Videolänge und den passenden Illustrationsstil.
- ⏱️ Intelligente Längenentscheidung: Automatische Bestimmung der optimalen Dauer (3-8 Minuten) basierend auf dem Inhalt.
- 🎨 Intelligente Stilentscheidung: Automatische Auswahl des passenden Illustrationsstils (New Yorker / Ukiyo-e / Flat / Realistisch usw.) basierend auf dem Thema.
- 📉 Intelligente Komprimierung: Reduzieren des Inhalts auf die optimale Länge (z. B. 19 Minuten → 5 Minuten).
- 💬 Umwandlung in gesprochene Sprache: Schriftsprache → natürliche, mündliche Ausdrucksweise.
- 😊 Emotionsoptimierung: Hinzufügen emotionaler Formulierungen für lebendigere TTS-Ausgabe.
- 🎯 Automatische Segmentierung: Aufteilen in Segmente von 10-20 Sekunden, basierend auf dem Inhalt.
- 📊 Dauerschätzung: Präzise Berechnung der Sprechdauer für jedes Segment.
Funktionsweise
Ausführung im Claude-Dialog:
- Claude liest das Originaldokument.
- Claude analysiert den Inhalt:
- Thema und Struktur des Artikels
- Anzahl der Kernaussagen
- Informationsdichte
- Bestimmt die optimale Videolänge (3-8 Minuten)
- Wählt den passenden Illustrationsstil (z. B. historisch → Ukiyo-e, Technologie → Flat, Humanistisch → New Yorker)
- Claude schreibt intelligent um:
- Extrahiert Kernaussagen
- Komprimiert auf die optimale Länge
- Wandelt in mündliche Sprache um
- Fügt emotionale Wörter und Pausen hinzu
- Claude segmentiert automatisch (jedes Segment passt zu einem Bild)
- Wählt den passenden Illustrationsstil basierend auf dem Artikelthema
- Generiert Bildbeschreibungen für jedes Segment (unter Verwendung des bestimmten Stils)
- Gibt zwei Dateien aus:
tts_script.json(TTS-Textskript + Animationsmarkierungen)visual_config.json(Bildbeschreibungen zur Verwendung durch den Illustration-Generator)
tts_script.json-Format (mit neuen Animationsmarkierungen):
[
{
"segment": 1,
"text": "Heute reden wir über das echte Leben in der Tang-Dynastie. Willst du dorthin reisen? Warte erst mal ab!",
"duration": 15,
"animation_style": "fade_in",
"emphasis": true
},
{
"segment": 2,
"text": "In der Tang-Dynastie gab es kein Toilettenpapier – was haben sie benutzt?",
"duration": 12,
"animation_style": "none",
"emphasis": false
}
]
Regeln für Animationsmarkierungen (von Claude intelligent entschieden):
animation_style:"fade_in"- Titel, Eröffnungen, wichtige Hervorhebungen"write"- Kernaussagen, entscheidende Schlussfolgerungen"typewriter"- Daten, sachliche Aussagen"none"- Normaler Inhalt (verwendet ASS-Untertitel)
emphasis: Ob es sich um einen wichtigen Abschnitt handelt (true/false)
Entscheidungsprinzipien:
- Erstes Segment (Eröffnung) →
fade_in - Kernaussagen (erstes Segment jedes Kapitels) →
write - Daten/Fakten →
typewriter - Sonstiger Inhalt →
none(ASS-Untertitel) - Empfehlung: Von 24 Segmenten 3-5 mit Animation versehen
Ausführungsskript
generate.py – TTS-Skript generieren
python ~/.claude/skills/tts-script-generator/scripts/generate.py <Markdown-Datei>
- Liest die Markdown-Datei
- Extrahiert H2-Abschnitte
- Wandelt in mündliche Sprache um
- Teilt nach Dauer auf
- Gibt
tts_script.jsonaus
Anwendungsszenarien
- Videovertonung: In Kombination mit image-to-video (Hauptzweck)
- Podcast-Erstellung: In Kombination mit podcast-generator
Ausgabeerklärung
Dieses Skill gibt aus:
- ✅
tts_script.json- TTS-Textskript - ✅
visual_config.json- Bildbeschreibungen
Nicht enthalten:
- ❌ TTS-Audioerzeugung (wird vom image-to-video-Skill übernommen)
- ❌ Bilderstellung (erfordert Aufruf des illustration-generator-Skills)
- ❌ Videosynthese (erfordert Aufruf des image-to-video-Skills)
Aufrufmethode
Automatischer Aufruf durch das image-to-video-Skill:
image-to-video erkennt langes Dokument
→ ruft tts-script-generator auf
→ Claude schreibt im Dialog um
→ gibt komprimiertes TTS-Skript aus
→ image-to-video fährt mit der Verarbeitung fort
Manueller Aufruf (im Claude-Dialog):
Benutzer: "Bitte schreibe diesen Artikel mit dem tts-script-generator um"
Claude:
1. Liest das Dokument (5947 Zeichen, 19 Minuten)
2. Analysiert den Inhalt:
- Thema: Alltag in der Tang-Dynastie (historisch/humanistisch)
- Kernaussagen: 4 (Hygiene, Ernährung, Regulierung, Klassen)
- Optimale Länge: 5 Minuten (mittlere Informationsdichte)
- Illustrationsstil: Ukiyo-e (historisches Thema, östliche klassische Ästhetik)
3. Schreibt auf 1350 Zeichen um
4. Teilt in 20 Segmente (jeweils 15 Sekunden)
5. Generiert Bildbeschreibungen im Ukiyo-e-Stil für jedes Segment
6. Speichert tts_script.json + visual_config.json
Ausgabeformat
tts_script.json
[
{
"segment": 1,
"text": "Heute reden wir über das echte Leben in der Tang-Dynastie. Willst du dorthin reisen? Warte erst mal ab! In der Tang-Dynastie gab es kein Toilettenpapier...",
"duration": 15
}
]
visual_config.json
{
"article_title": "Die Wahrheit über eine Reise in die Tang-Dynastie",
"style": "ukiyo-e",
"sections": [
{
"section": 1,
"visual_description": "A person standing at a crossroads between modern city and ancient Tang Dynasty palace, looking confused, ukiyo-e style with traditional Japanese woodblock print aesthetics"
}
]
}
Regeln zur Entscheidung des Illustrationsstils
Claude wählt basierend auf dem Artikelthema automatisch den passendsten Stil aus:
- Historisch/Klassisch →
ukiyo-e(Ukiyo-e): Tang-Dynastie, Song-Dynastie, japanische Geschichte usw. - Humanistisch/Gesellschaftlich →
new-yorker(New Yorker): Gesellschaftsbeobachtungen, persönliche Geschichten usw. - Technologie/Geschäftlich →
flat(Flachstil): Technologieprodukte, Geschäftsanalysen usw. - Natur/Reise →
realistic(Realistischer Stil): Landschaften, Tiere, Reisen usw. - Kunst/Kreativ →
abstract(Abstrakter Stil): Kunstkritiken, kreatives Denken usw.
Umschreibungsprinzipien
- Kern bewahren: Wichtigste Punkte und Geschichten beibehalten
- Mündlichkeit:
- "Aber" → "Allerdings"
- "Weil ... deshalb ..." → "Warum? Weil ..."
- Hinzufügen von Füllwörtern wie "ja", "eigentlich", "eben"
- Emotionale Formulierungen:
- Betonung: "wirklich", "sehr", "besonders"
- Überraschung: "Wow", "Oh je", "Stell dir vor"
- Rhythmuskontrolle:
- Kurze Sätze bevorzugen
- Angemessene Pausen einfügen
- Ein Kernpunkt pro Segment
Kann aufgerufen werden von
- image-to-video-Skill (hauptsächlich)
- podcast-generator-Skill
- Andere Skills, die TTS benötigen