PhucDnag/video-3d-agent

Skill: 3D-Video-Regie nach Sprachvorgabe

Ziel

Verwandle ein Skript und eine Sprachaufnahme in ein vertikales 9:16-Video mit schönen, verständlichen 3D-Bildern – auch ohne Ton. Jede Einstellung muss die gerade gesagte Aussage richtig illustrieren, mit den Untertiteln synchron sein und eine sichtbare Veränderung/Aktion aufweisen. Diversifiziere Charaktere, Objekte, Schauplätze, Kompositionen, Farben, Materialien, Licht und Bewegungen; vermeide, dass jedes Video aus Goldkristallen, Neon, Diagrammen, Uhren oder Orbit-Kameras besteht.

Bewahre die Kompatibilität mit dem tatsächlichen Renderer, der Szene und der CLI des Projekts. Beschreibe oder versprich nicht, dass ein Asset, eine Bewegung, ein Aligner, ein KI-Anbieter oder ein Befehl existiert, ohne dies im Code überprüft zu haben. Wenn die Engine eine neue Szene nicht unterstützt, drücke die Szene durch eine Kombination verfügbarer Formen/Assets aus, die am besten passen, und dokumentiere die Einschränkung; erweitere den Renderer nur, wenn der Benutzer eine Softwareänderung anfordert.

Regieprozess

1. Lese das vollständige Skript und überprüfe die Pipeline zur Szenenerstellung, TTS, das Timing der Untertitel, den Renderer und die tatsächlich unterstützten Szenen/Kameras. Behalte den Inhalt, den Ton und die Bedeutung der Sätze bei.
2. Teile die Rede in Sinneinheiten (Beats) auf; nimm nicht automatisch an, dass ein Satz eine Einstellung ist. Notiere für jeden Beat: den Wortlaut des Gesprochenen/Untertitels, die Hauptaussage, das Subjekt, die Handlung, das Objekt, die Emotion, Ursache-Wirkung, was unbedingt zu sehen sein muss und was auf keinen Fall falsch dargestellt werden darf.
3. Bevorzuge zuerst direkte Illustrationen: Wenn die Rede bestimmte Personen, Objekte, Handlungen oder Orte erwähnt, zeige sie dem Betrachter. Bei abstrakten Konzepten verwende einfache, leicht lesbare visuelle Metaphern und nur dann, wenn sie die Aussage verdeutlichen. Achte auf Negationen, Vergleiche, Wendepunkte und Ergebnisse; beschränke dich nicht nur auf die Erfassung von Schlagwörtern.
4. Erstelle ein Storyboard basierend auf dem Sprachrhythmus: Lege Einstellung, Hauptaktion, Bildausschnitt/Kamerawinkel, Licht-, Farb- und Materialdesign, Szenenübergänge und die Kontinuität von Charakteren/Requisiten zwischen verwandten Beats fest. Jede Einstellung konzentriert sich auf eine Hauptidee oder -aktion.
5. Gestalte den emotionalen Spannungsbogen des gesamten Videos: Beginne mit einer Frage, einem ungewöhnlichen Bild oder einer unvollendeten Handlung, die zum Inhalt passt; steigere Umfang/Tempo im Entwicklungsteil; reserviere die Enthüllung oder den stärksten Moment für die Kernaussage; beende mit einem nachhallenden Bild/Gefühl oder einem Aufruf zum Handeln, wenn das Skript dies vorsieht. Füge keine eigenen Dialoge, Fakten oder Wendungen hinzu, die die Botschaft verfälschen.
6. Führe Regie über den Sprechstil entsprechend der Nuance jedes Beats und des gesamten Skripts; vermeide einen monotonen Vortrag von Anfang bis Ende. Notiere vor der TTS-Erstellung oder Aufnahme für jeden Beat klar Emotion, Intensität (leicht/mittel/stark), Tempo (langsam/mittel/schnell), Betonung (zu betonende Wörter/Phrasen) und Pausen (vorher/nachher), falls nötig.
7. Richte das Timing an der tatsächlichen Audio/den Untertiteln aus. Verwende Wort-Timing/Ausrichtung, falls von der Pipeline bereitgestellt; falls nicht, verwende vorhandenes Segment-Timing und markiere die begrenzte Genauigkeit. Gib nicht vor, eine Wort-für-Wort-Synchronisation zu haben, ohne tatsächliche Zeitstempel für jedes Wort.
8. Höre dir die Audio zusammen mit einer Bildvorschau an; korrigiere Stellen, an denen der Vortrag unnatürlich klingt, die Betonung falsch ist, monoton wirkt oder nicht zu Mimik/Bewegung passt. Rendere die endgültige Datei mit dem korrekten Projektworkflow.

Regeln für die Bindung an Text und Bildrhythmus

• Jeder Beat hat einen visualClaim: Ein Satz, der beschreibt, was der Betrachter sehen wird, genau passend zur gesprochenen Aussage. Vergleiche das Storyboard mit jedem Untertitel-Satz vor dem Rendern.
• Bringe das Subjekt in den Rahmen, sobald die Idee genannt wird; beginne die Handlung nahe am Verb; zeige das Ergebnis genau in dem Moment, in dem die Rede das Ergebnis nennt. Du kannst das Bild einen kurzen Takt vor der Rede vorbereiten, damit der Betrachter es erkennt, aber enthülle das Ergebnis nicht zu früh.
• Führe Szenenwechsel an den Grenzen von Ideen, bei Atempausen oder beim Wechsel des Subjekts durch; vermeide Schnitte mitten in einer Sinngruppe. Ein kontinuierliches Bild kann sich über mehrere Sätze erstrecken, wenn es die Aussage noch korrekt illustriert; ein langer Satz kann in mehrere Einstellungen unterteilt werden, wenn sich die Semantik ändert.
• Karaoke-Untertitel und Sprachaufnahme müssen dieselbe Timing-Quelle verwenden. Verteile die Satzdauer nicht gleichmäßig, um eine Wortausrichtung vorzutäuschen. Halte die Untertitel lesbar, rechtschreiblich korrekt, kontrastreich und überlagere keine wichtigen Aktionen.
• Bei Negation/Gegensatz zeige deutlich die beiden Zustände oder die zu vermeidende Handlung; verwende keine Bilder, die das Gesagte bejahen. Bei Ratschlägen illustriere eine konkrete Handlung anstatt nur ein allgemeines Symbol einzublenden.
• Eine Einstellung darf nicht nur aus Orbit/Zoom bestehen: Sie muss eine Handlung, Transformation, Interaktion oder Enthüllung enthalten, die zur Vermittlung des Inhalts beiträgt. Die Kamera unterstützt das Geschichtenerzählen, ersetzt aber nicht die Handlung.
• Der Anfang muss Neugier durch den Inhalt des Skripts selbst wecken: Beginne direkt mit einem Detail, einer Frage, einer Konsequenz oder einer auffälligen Wahl; vermeide lange Logo-Intros, allgemeine Durchflüge und schöne, aber noch nicht relevante Szenen.
• Passe den Schnittrhythmus an den Sprechstil und die Wichtigkeit an: Kürzere Einstellungen für Aufzählungen/schnelle Gegensätze, längere Einstellungen für Emotionen, zu beobachtende Aktionen oder zum Nachdenken anregende Ideen. Nutze Änderungen der Einstellungsgröße, Bewegungsrichtung, Stille der Stimme (falls vorhanden) oder Enthüllungen, um Rhythmus zu erzeugen; schneide nicht ständig schnell, nur um ein dynamisches Gefühl zu erzeugen.
• Verwende Szenenübergänge mit einer visuellen Motivation: Match Cut basierend auf Form/Bewegung, Objektivabdeckung durch ein Objekt in der Szene, Schärfe-/Lichtwechsel oder harter Schnitt auf den Sprachrhythmus. Beschränke sich wiederholende dekorative Übergangseffekte.

Emotionale Sprachregie

• Verstehe die Bedeutung und die Beziehungen zwischen den Sätzen, bevor du einen Ton wählst. Notiere für jeden Beat emotion, intensity (leicht/mittel/stark), pace (langsam/mittel/schnell), emphasis (zu betonende Wörter/Phrasen) und pauseAfter/pauseBefore falls nötig. Diese Labels sind Regieanweisungen; übergib sie nur an TTS, wenn die API/das Schema dies tatsächlich unterstützt.
• Erstelle eine natürliche emotionale Kurve: Beginne klar und neugierig machend; der erklärende Teil ist ruhig und gut hörbar; wichtige Punkte werden fest betont; emotionale Passagen sind warm und aufrichtig; warnende Passagen sind ernst, aber nicht schreiend; die Schlussfolgerung hat einen pointierten Abschluss. Passe dies an das Skript an, wende nicht ein Schema auf jedes Video an.
• Setze bewusst Pausen an Ideengrenzen, vor Enthüllungen, nach rhetorischen Fragen oder nach Sätzen, die den Betrachter zum Nachdenken anregen sollen. Füge nicht nach jedem Satz eine lange Pause ein und ersetze keine Satzzeichen, um die Bedeutung zu ändern oder den Inhalt zu korrigieren.
• Betone durch Intonation und Rhythmus, nicht nur durch Erhöhung von Lautstärke/Tempo. Vermeide einen zu aufgeregten Werbestil für traurige Inhalte, reißerischen Stil für neutrale Wissensinhalte oder übermäßige Tragik für sanfte Ratschläge. Stelle eine klare Aussprache, stabile Lautstärke sicher und beeinträchtige nicht die Verständlichkeit.
• Falls mehrere Stimmen zur Auswahl stehen, wähle eine Stimme, die zu Alter/Emotion/Genre passt, und behalte sie im Video bei. Wechsle die Stimme nicht zwischen Beats, es sei denn, es gibt einen erzählerischen Grund.
• Überprüfe die tatsächlichen Fähigkeiten der TTS, bevor du die Ausdruckssteuerung entwirfst. In der aktuellen Pipeline können die Felder voice, rate, pitch konfiguriert werden; nimm nicht standardmäßig an, dass Emotion-/Style-Tags oder eine abschnittsweise Prosodie-Steuerung existieren. Wenn die Engine nur rate/pitch hat, verwende Skriptsegmentierung, Satzzeichen und Pausen, die die Pipeline unterstützt; dokumentiere die Einschränkungen der Ausdrucksfähigkeit. Behaupte nicht, dass die TTS wie ein echter Mensch klingt, ohne es überprüft zu haben. Wenn eine feine schauspielerische Leistung benötigt wird, die die Engine nicht liefern kann, schlage eine Aufnahme mit einem echten Sprecher oder die Integration einer Engine mit expressiven Steuerungsmöglichkeiten als separate Änderung vor.
• Lass Stimme und Bild gemeinsam agieren: Sanfte Sätze mit weichen Bewegungen und wenigen Schnitten; bestimmte Sätze mit klaren Posen/sauberen Schnitten; überraschende Sätze können eine Enthüllung genau zum richtigen Zeitpunkt enthalten; nachdenkliche Sätze halten die Einstellung lange genug. Das Bild unterstützt die Emotion, ohne sie zu übertreiben, sonst widerspricht es dem Inhalt.

Gezielte visuelle Vielfalt

Wähle einen Stil, der zum Thema und zur Emotion passt, anstatt eine ästhetische Voreinstellung auf das gesamte Video anzuwenden. Kombiniere Stile wie Charakter-Animation, Miniatur/Maquette, Ton, elegantes Low-Poly, Glas/Keramik/Holz/Stoff/Metall, alltägliche Dioramen, stilisierte Architektur, Natur oder abstrakte Symbole. Bevorzuge klare Formen, Oberflächen mit Tiefe, Licht, das Volumen schafft, abgestufte Farben, einen aufgeräumten Hintergrund und ein Subjekt, das auf dem Telefonbildschirm hervorsticht.

Jedes Video benötigt vor dem Storyboard eine kurze Art Direction: Thema/Emotion, Art der Formen und vorherrschende Materialien, eine Farbpalette von 3–5 Farben, Lichtstil, Charakterdesign (falls vorhanden), Kontrast und Abstraktionsgrad. Beispiel: Eine Familiengeschichte könnte Holz, Stoff und warmes Fensterlicht verwenden; wissenschaftliche Inhalte könnten Schnittmodelle, durchscheinenden Kunststoff und Laborbeleuchtung verwenden; ein angespanntes Thema könnte mit einer engen Komposition und starkem Kontrast beginnen und sich dann räumlich öffnen, wenn es aufgelöst wird. Dies ist eine flexible Richtlinie, keine verbindliche Voreinstellung.

Setze visuelle Akzente durch Hierarchie: ein Hauptfokuspunkt, ein unterstützendes Nebenelement und ein Hintergrund mit weniger Details. Verwende Nahaufnahmen für Emotionen/Details, Halbtotale für Interaktionen, Totale für Umfang oder Veränderungen; Perspektive und Schärfentiefe nur, wenn sie das Subjekt klarer machen. Gestalte leicht erkennbare Silhouetten, Mimik/Posen, die auch in kleiner Größe lesbar sind, und Materialien mit deutlichen Unterschieden. Vermeide falschen Text in 3D-Bildern, nicht angeforderte Logos/Watermarks, schwer erkennbare verzerrte Objekte, überbelichtete Glanzlichter, zu unruhige Hintergründe und durchgängige Neon-Paletten.

Überprüfe vor der Fertigstellung des Storyboards benachbarte Einstellungen und ändere aktiv mindestens zwei Elemente, wenn sie sich wiederholen: Subjekt/Requisit, Ort, Einstellungsgröße/Komposition, Kamerawinkel/-bewegung, Farbpalette, Material oder Übergangsart. Wiederhole dasselbe Heldenobjekt nicht in mehr als zwei aufeinanderfolgenden Beats, es sei denn, die Kontinuität erfordert es; verwende nicht denselben Kameratyp in drei aufeinanderfolgenden Einstellungen. Vielfalt muss aus Bedeutungsänderungen im Text resultieren, nicht aus willkürlichen Farbwechseln.

Halte die Kontinuität für Charaktere, Kleidung, Requisiten, Zeit und Bewegungsrichtung innerhalb desselben Erzählstrangs aufrecht. Verwende eine Hauptfarbpalette pro Strang; du kannst Licht oder Akzentfarben ändern, um emotionale Veränderungen auszudrücken. Begrenze Partikel/Glühen und Hintergrunddetails, um das Subjekt, den Text oder den Untertitelbereich nicht zu überladen.

Sorge für Vielfalt zwischen den Videos, indem du die Erzählweise an das Skript anpasst, nicht nur die Farbe änderst oder eine Requisite austauschst: Du kannst eine durchgehende Charaktergeschichte, eine Vignetten-Reihe, eine Reise durch den Raum, einen Vergleich zweier Optionen, eine Zeitraffer-Transformation oder die Erkundung eines Modells/einer inneren Struktur wählen. Verwende eine Erzählstruktur nur, wenn sie die Botschaft verständlicher macht. Falls eine Historie früherer Videos existiert, vermeide die Wiederholung einer kürzlich verwendeten Art Direction oder charakteristischen Einstellungsfolge; falls keine Daten vorliegen, behaupte nicht, die Historie überprüft zu haben.

Szenenauswahl und Machbarkeit

• Überprüfe registrierte Szenen/Kameras im Code und Presets, bevor du sie verwendest. Ältere Szenenbibliotheken sind eine machbare Option/Notlösung, kein Grund, jedes Skript in Geldröhren, Zahnräder oder Kristalle zu zwängen.
• Wenn das Projekt sceneSpec/Scene Graph unterstützt, beschreibe strukturiert die Umgebung, Akteure, Objekte, Aktionen, Kamera und Übergänge; verwende nur Geometrie, Rig, Materialien und Animationen, die der Asset Resolver/Renderer tatsächlich unterstützt.
• Wenn nur ein scene-Enum unterstützt wird, wähle den am besten passenden, existierenden Enum. Erfinde keine Enums/Kameras und behaupte dann, der Renderer würde sie verstehen; beschreibe die gewünschte Szene als Storyboard, wenn nötig, damit der Benutzer über eine Engine-Erweiterung entscheiden kann.
• Bevorzuge ausführbare Aktionen: Gehen, Platzieren/Fassen, Öffnen/Schließen, Fallen, Geben/Nehmen, Bauen, Brechen, Wachsen, Richtungswechsel, Treffen und Weggehen. Komplexe menschliche Animationen benötigen ein gültiges Rig/Clip; falls nicht vorhanden, verwende Silhouetten, einfache Blocking-Animationen oder Ersatzobjekte.
• Verwende nur Bibliotheks-Assets mit klarer Quelle und Nutzungserlaubnis. Behaupte nicht, nach Belieben 3D-Modelle aus Text erstellen zu können, wenn das Projekt keinen entsprechenden Anbieter hat. Dokumentiere klar, welches Asset prozedural, Bibliotheks-, generiert oder eine Notlösung ist, wenn die Pipeline diese Metadaten unterstützt.

Zeitachse und Datenstruktur

Behalte das vorhandene Projektschema und die Pflichtfelder bei, um die Kompatibilität zu gewährleisten. Falls unterstützt, sollte jedes Segment enthalten:

{
  "id": "beat_01",
  "vi": "Wortlaut der Sprachaufnahme",
  "meaning": "Bedeutung des Beats",
  "visualClaim": "Konkrete Aktion/das zu sehende Bild",
  "mustShow": ["Subjekt", "Handlung", "Ergebnis falls vorhanden"],
  "mustNotShow": ["Ereignisse, die dem Text widersprechen"],
  "continuityIds": ["Durchgehende Charaktere oder Requisiten"],
  "scene": "Gültige Szene des Projekts",
  "camera": "Gültige Kamera des Projekts",
  "actions": [{"verb": "sichtbare Handlung", "cue": "Auslösender Satz, falls Timing vorhanden"}],
  "timing": {"source": "tts_alignment oder segment_timing", "startSec": null, "endSec": null}
}

Dies ist ein Storyboard-Vorschlag. Füge keine inkompatiblen Felder zu einem Projekt hinzu, das gerade gerendert wird. Die endgültige Zeit muss direkt vor dem Rendern aus der Audio-/TTS-Pipeline bezogen werden; lasse in der Render-Zeitachse keine null-Werte, wenn der Renderer Zeitstempel benötigt. Wenn nur satzweise Zeitangaben vorliegen, behalte die Beats als Segmente und erfinde keine Zeitpunkte.

Qualitätskontrolle

Überprüfe vor dem Export jeden Beat anhand dieser Checkliste:

• Richtiger Text: Die Hauptaussage ist auch ohne Ton erkennbar; das Bild widerspricht nicht Negation, Subjekt, Emotion oder Ursache-Wirkung.
• Richtiges Timing: Wichtige Aktionen erscheinen, wenn der entsprechende Satz gesprochen wird; Untertitel und Sprachaufnahme weichen nicht mehr ab, als die Pipeline überprüfen kann.
• Schön und klar: Das Subjekt hebt sich ab, die Farbabstimmung ist zielgerichtet, Licht/Material erzeugt Tiefe, die Komposition ist auf kleinen Bildschirmen lesbar, Untertitel werden nicht verdeckt.
• Enthält Bewegung: Die Einstellung hat eine Aktion/Transformation/Enthüllung; übermäßiger Orbit oder Zoom wird vermieden.
• Vielfältig und kontinuierlich: Benachbarte Einstellungen unterscheiden sich zielgerichtet, aber relevante Charaktere/Requisiten bleiben konsistent.
• Ansprechend und rhythmisch: Die ersten 1–3 Sekunden beziehen sich direkt auf den Aufhänger; es gibt visuelle Veränderungen entsprechend dem Inhaltsverlauf; Höhepunkt/Enthüllung dient der Hauptaussage; das Ende bricht nicht mitten in einer Aktion ab.
• Hat Art Direction: Stil, Palette, Licht und Material sind innerhalb jedes Strangs konsistent; jede Einstellung hat eine visuelle Hierarchie; keine Effekte nur zur Dekoration.
• Stimmliche Entwicklung: Ton, Betonung und Pausen passen zu jeder Idee; der Bildrhythmus begleitet die Stimme; alle Einschränkungen der TTS werden klar benannt.
• Renderbar: Asset ist auflösbar, keine leeren/schwarzen Szenen, keine abgeschnittenen Objekte; Dauer und Audio/Video passen innerhalb der Werkzeuglimits.

Wenn ein Kriterium mit den verfügbaren Werkzeugen nicht überprüfbar ist, dokumentiere dies als nicht durchgeführte Prüfung anstatt es als bestanden zu melden. Gib Storyboard/Manifest/QA-Bericht nur aus, wenn die Pipeline dies unterstützt oder der Benutzer es anfordert.

Beispiele für die Bildauswahl nach Text

• „Jeden Tag machst du nur ein kleines bisschen Fortschritt“: Dieselbe Figur übt an einem Tisch über mehrere Tage, die Aktionen werden allmählich flüssiger; ändere Licht/Wetter, um die Zeit darzustellen. Verwende Diagramme nur, wenn der Satz tatsächlich über Zahlen spricht.
• „Du kannst keinen Menschen halten, der gehen will“: Zwei Menschen lassen im Flur die Hände los, einer geht zur Tür; beende nicht mit einer Wiedervereinigung.
• „Geld verschwindet durch kleine Ausgaben“: Die Figur berührt ein Telefon, mehrere kleine Rechnungen/Transaktionen werden nacheinander vom Kontostand abgezogen; nimm nicht standardmäßig ein leckendes Rohr.
• „Die Zeit mit den Eltern wird nicht mehr viel sein“: Ein Familienessen, ein Kalender reißt Seiten ab, die Figur kehrt zurück und setzt sich neben die Eltern; verwandle die Erinnerung nicht in eine sentimentale Szene, wenn der Erzähler ruhig spricht.
• „Disziplin bedeutet, auch ohne Motivation zu handeln“: Die Figur steht vor einem Berg Wäsche, seufzt und beginnt, sie zu falten; keine Heldenpose oder triumphale Geste, nur die ausdauernde Handlung des Faltens.
• „Du hast die Wahl“: Zwei Türen in einem schlichten Raum, die Figur schaut hin und her; die Kamera zeigt eine Nahaufnahme der Hand, die zögert, sich dann für eine Tür entscheidet.
• „Die Firma meldete einen Gewinn von 15 %“: Ein 3D-Diagramm, das aus einer flachen Linie ansteigt und einen Gipfel erreicht; ein Münzsymbol fällt zur Seite, um den Gewinn darzustellen. Das Diagramm selbst ist die Aktion, nicht nur eine statische Grafik.

[Fortsetzung des Skills…]