Communitygithub.com

huangserva/servasyy_skills

Intelligentes Komprimieren und Umschreiben von Dokumenten in TTS-freundliche Skripte. Nutzt KI zur Inhaltsanalyse, Zeitkomprimierung, Konvertierung in gesprochene Sprache mit emotionalen Elementen und automatischer Segmentierung. Ideal für Videokommentare.

Was ist servasyy_skills?

Dieses Skill (TTS-Skript-Generator) analysiert Dokumente mithilfe von Claude AI und wandelt sie automatisch in natürlich klingende Skripte für Text-to-Speech (TTS) um. Es komprimiert lange Texte auf eine optimale Länge (3-8 Minuten), konvertiert schriftliche in mündliche Sprache, fügt emotionale Akzente hinzu und unterteilt den Text in Segmente, die jeweils 10-20 Sekunden dauern – perfekt für die Synchronisation mit Videoanimationen. Es unterstützt die automatische Auswahl eines passenden visuellen Stils (z. B. ukiyo-e für historische Inhalte, New Yorker für humanistische Themen) und generiert zwei Dateien: `tts_script.json` mit TTS-Text und Animationsmarkierungen sowie `visual_config.json` mit Bildbeschreibungen. Es kann manuell in einem Claude-Dialog oder automatisch durch das image-to-video-Skill aufgerufen werden, um einen nahtlosen Workflow von der Texterstellung bis zur Videoproduktion zu ermöglichen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/huangserva/servasyy_skills/tree/HEAD/tts-script-generator

In Ihrer bevorzugten KI fragen

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

Dokumentation

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:

  1. Claude liest das Originaldokument.
  2. 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)
  3. Claude schreibt intelligent um:
    • Extrahiert Kernaussagen
    • Komprimiert auf die optimale Länge
    • Wandelt in mündliche Sprache um
    • Fügt emotionale Wörter und Pausen hinzu
  4. Claude segmentiert automatisch (jedes Segment passt zu einem Bild)
  5. Wählt den passenden Illustrationsstil basierend auf dem Artikelthema
  6. Generiert Bildbeschreibungen für jedes Segment (unter Verwendung des bestimmten Stils)
  7. 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:

  1. Erstes Segment (Eröffnung) → fade_in
  2. Kernaussagen (erstes Segment jedes Kapitels) → write
  3. Daten/Fakten → typewriter
  4. Sonstiger Inhalt → none (ASS-Untertitel)
  5. 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.json aus

Anwendungsszenarien

  1. Videovertonung: In Kombination mit image-to-video (Hauptzweck)
  2. 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

  1. Kern bewahren: Wichtigste Punkte und Geschichten beibehalten
  2. Mündlichkeit:
    • "Aber" → "Allerdings"
    • "Weil ... deshalb ..." → "Warum? Weil ..."
    • Hinzufügen von Füllwörtern wie "ja", "eigentlich", "eben"
  3. Emotionale Formulierungen:
    • Betonung: "wirklich", "sehr", "besonders"
    • Überraschung: "Wow", "Oh je", "Stell dir vor"
  4. 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

Verwandte Skills