skillmds/kinetic-multicam

/kinetic-multicam: Eine Aufnahme → Kinetische Supers + Kamera-Snaps

Übersicht

Verwandelt EINE echte Talking-Head-Aufnahme in den bewährten Prompt für Video-zu-Video-KI – am besten auf Seedance 2.0 Fast (Google Omni führt es aus, aber mit deutlich schwächeren Ergebnissen; nicht empfehlenswert) –, der dem unbearbeiteten Filmmaterial zwei Dinge hinzufügt: Sekundenschnelle sichtbare Kamera-Schwenks – bewegungsunscharfe Bewegungen, die bei Ankunft in stabilen Frames landen – und fette kinetische Supers (Motion-Graphics-Text, KEINE Untertitel), die synchron zu den Sprachrhythmen eingeblendet werden. Der Prompt friert das hochgeladene Quellvideo ein – Gesicht, Raum, Audio, Lippenbewegungen bleiben unverändert. Er beschreibt oder regeneriert die Szene NICHT.

Grundprinzip: Die Vorlage ist eingefroren; nur drei Zonen ändern sich jemals – die Zeitstempel [Xs] (immer), die Supers "[TEXT]" (aus den tatsächlich gesprochenen Wörtern geschnitten; nicht jeder Block bekommt einen – Supers folgen ihrer eigenen Dichteregel) und die Kamerapositionsbeschreibungen (nur wenn der Benutzer danach fragt).

Verwandtes Skill, nicht dasselbe Skill: /multicam macht harte Schnitte ohne Text. Die beiden Vorlagen NIEMALS mischen – diese sagt nie „harter Schnitt", verwendet Von [Xs] bis [Xs]-Bereiche (nicht * Bei [Xs]:) und trägt ihre eigene Typografie-Anweisung. Der Unterschied liegt im Übergang: /multicam SCHNEIDET zwischen Winkeln; dieses Skill REIST zwischen ihnen mit einem sichtbaren bewegungsunscharfen Schwenk.

Eingabe

Nur lokale Videodatei (das eigene Filmmaterial des Benutzers). Wenn der Benutzer nur eine URL hat (einen Instagram-Link, einen Drive-Link), bitten Sie ihn, das Video zuerst als lokale Datei zu speichern. Wenn mehr als ein Video „das Video" sein könnte, fragen Sie nach – niemals über ls -t raten.

Schritt 0 – Vorbereitung (erster Durchlauf oder bei fehlenden Tools)

python "<Basisverzeichnis dieses Skills>/scripts/check_env.py"

Es überprüft Python 3.8+, ffmpeg, ffprobe und Whisper und gibt bei fehlenden Komponenten aus, wofür das Tool GEDACHT ist, sowie den genauen Installationsbefehl für das Betriebssystem des Benutzers. Es installiert selbst nie etwas – teilen Sie mit, was fehlt, bitten Sie den Benutzer um Erlaubnis, installieren Sie es und führen Sie die Überprüfung erneut aus. Wenn alles in dieser Sitzung kürzlich bestanden wurde, fahren Sie direkt mit Schritt 1 fort.

Schritt 1 – Sprachrhythmus-Analyse

python "<Basisverzeichnis dieses Skills>/scripts/beats.py" "<Videopfad>"

(Das Basisverzeichnis des Skills wird beim Laden dieses Skills bekanntgegeben.)

Melden Sie dem Benutzer die erkannte SPRACHE und DAUER. Flags: --language <Code> falls die Erkennung falsch aussieht, --force zur erneuten Transkription, --model medium für Genauigkeit statt Geschwindigkeit, --cuts N für eine andere Anzahl von Grenzen (erneutes Ausführen geht sofort, sobald die Transkriptions-JSON existiert).

Schritt 2 – Anzahl der Blöcke wählen, dann Grenzen verfeinern (Urteil; das Skript meldet nur Fakten)

Die Blockanzahl skaliert mit der Länge – aber Schwenks kosten Bildschirmzeit (~0,2–0,3s sichtbare Bewegung pro Stück), daher bleibt die kinetische Dichte GLEICH oder UNTER der Schnittdichte von /multicam, niemals darüber: ≤10s → 4 Blöcke; >10–15s → 5 Blöcke; >15s → 6 Blöcke (eine Kamerabewegung alle ~1,6–2,2s). Der Benutzer kann am Kontrollpunkt eine abweichende Anzahl festlegen. Wenn die Anzahl nicht 4 ist, führen Sie beats.py mit --cuts N erneut aus (sofort – die Transkription ist zwischengespeichert).

Die Zeitachse besteht aus N Blöcken, die das Video nach einer anfänglichen Haltephase der Originalkamera kacheln: [0 → t1] Originalrahmung (kein Super), dann [t1 → t2] … [tN → Ende]. Die Grenzen t1–tN sind die NAIVE_SCHNITTE – eine deterministische erste Schätzung, nie unverfeinert ausliefern. Gruppieren Sie WÖRTER in gesprochene Phrasen und leiten Sie neu ab:

• Die anfängliche Haltephase (Originalkamera) dauert ≥0,8s vor Block 1 – und nicht viel länger: Wenn eine saubere Phrasengrenze bei 0,8–1,0s liegt, dort einrasten, anstatt die Öffnung über ~1,2s hinausziehen zu lassen. Ein langer statischer Anfang tötet das Format. Die Haltephase kann den optionalen Aufhänger-Super tragen (siehe Kontrollpunkt), aber niemals eine Kamerabewegung.
• Grenzen liegen am Beginn von Phrasen, niemals mitten im Wort. Whisper könnte getrennte Wörter in zwei Einträge aufteilen („Multi" + „-Winkel") – behandeln Sie sie als EIN Wort; niemals dazwischen schneiden.
• Wenn ein LÜCKEN-Eintrag (Atemzug/Stille) neben einer Phrasengrenze liegt, setzen Sie die Grenze an den BEGINN der Stille: Runden Sie das Ende des vorherigen Worts auf eine Dezimalstelle auf (Wort endet 3,98 → Grenze bei 4,0; endet 5,68 → 5,7). Niemals am Ende der Lücke.
• Die Schlüsselbotschaftsphrase bekommt den längsten Block.
• Tempo: Blöcke laufen ~1–2,5s. Wenn ein Block ~2,5s überschreiten würde, während eine saubere Phrasengrenze darin liegt, teilen Sie dort – und verteilen Sie die 4 Grenzen über das gesamte Video, niemals in einem Abschnitt gebündelt.
• Der LETZTE Block schwenkt immer zurück zur Originalkamera vor der letzten Phrase – das Video endet mit der anfänglichen Rahmung. Sein Endzeitstempel ist DAUER auf eine Dezimalstelle gerundet.
• Mindestabstand ~0,7s; tN ≤ Dauer − 1s; Zeitstempel aufsteigend, eine Dezimalstelle.
• Video >15s: Warnen, dass die Technik bei kurzen Hooks am besten glänzt, dann die Blöcke wählen, die den gesamten Bogen abdecken. Video <4s: Warnen, dass 4 Blöcke nicht in die Abstandsregeln passen, am Kontrollpunkt ehrliche Optionen präsentieren (weniger Blöcke / erzwungen-hektische 4) – die Wahl des Benutzers dort überschreibt die Standardanzahl. KEIN_SPRECHEN: Warnen und den gleichmäßig verteilten Rückfall anbieten oder abbrechen.

Schritt 2b – Supers schreiben (aus der Sprache – nicht jeder Block bekommt einen)

Supers haben ihre eigene Dichteregel, unabhängig von der Kamera: ein Super alle ~1,5–2s (5s Aufnahme → 3 Supers; 8s → 4–5), und ein Super muss seinen Stempel VERDIENEN – der CTA, die Substantive des Angebots, eine beibehaltene Verneinung, der Höhepunkt. Verbindungs- oder Füllphrasen („du kannst", „also", „und dann") bekommen KEINEN Super: Ihr Block wird kamerabasiert (siehe Vorlagenabschnitt). Der Aufhänger-Super wird, wenn gewünscht, auf die Gesamtzahl angerechnet.

Für jeden Block, der einen verdient, schneiden Sie den Super aus den TATSÄCHLICH GESPROCHENEN Wörtern innerhalb dieses Blockfensters in WÖRTER:

• Ein zusammenhängender Lauf von 2–6 gesprochenen Wörtern – und bevorzugen Sie den ENGSTEN Schnitt, der die Bedeutung bewahrt (2–4 Wörter): Entfernen Sie aggressive führende/nachfolgende Artikel, Präpositionen und Füllwörter („der einfachste Weg" → EINFACHSTER WEG, „aus einem einzigen Video" → EINZIGES VIDEO). Behalten Sie Verneinungen – das Weglassen von „nicht" kehrt die Botschaft um. Ordnen Sie niemals neu, ersetzen, übersetzen oder fügen Sie Wörter hinzu, die nicht in diesem Fenster sind.
• Sprache = die gesprochene Sprache des Videos (PT-Video → PT-Supers). Nur die Supers folgen der Videosprache; alles andere im Prompt ist Englisch.
• In GROSSBUCHSTABEN ausliefern. Entfernen Sie Kommas und Schlusspunkte; behalten Sie „?" oder „!" wenn so gesprochen.
• Ein Super ist eine prägnante Hervorhebung, kein Untertitel: niemals ein vollständiger Untertitelstil-Satz und höchstens ein Super pro Block – keine Eintrittszeitsteuerung pro Wort, keine Animationsskripte. Der Typografie-Absatz der Vorlage trägt bereits die künstlerische Ausrichtung.

Schritt 3 – Präsentieren, dann OBLIGATORISCHER Kontrollpunkt

Zeigen Sie dem Benutzer in dieser Reihenfolge:

1. Zwei Zeilen zur Funktionsweise: Der Prompt friert Identität/Raum/Audio/Lippensynchronisation ein; die einzigen Ergänzungen sind sekundenschnelle bewegungsunscharfe Kameraschwenks, die einrasten, und kinetische Supers, die aus den eigenen gesprochenen Wörtern geschnitten werden – deshalb sieht es aus wie eine hochwertige Motion-Graphics-Bearbeitung derselben echten Aufnahme.
2. Phrasentabelle mit Zeitfenstern.
3. Die vorgeschlagenen Blöcke, jeweils begründet (welche Phrase sie abdecken; welche Grenzen in Atemzügen liegen) – plus den vorgeschlagenen Super für jeden Block oder „kamerabasiert", wo die Dichteregel den Bildschirm frei lässt.
4. Die folgende Vorlage, noch mit [Xs] und [TEXT].

Dann fragen Sie (AskUserQuestion; einfache Chatfragen falls nicht verfügbar) bevor Sie etwas ausfüllen:

• Blockanzahl und vorgeschlagene Zeitstempel akzeptieren oder anpassen?
• Super-Plan akzeptieren – die Texte UND welche Blöcke kamerabasiert bleiben – oder bearbeiten (anderer Schnitt, andere Groß-/Kleinschreibung, Super hinzugefügt/entfernt)?
• Standard-Kamerapositionen beibehalten oder welche tauschen (Voreinstellungstabelle anbieten)?
• Optionalen Aufhänger-Super über der anfänglichen Haltephase hinzufügen (Text auf Frame 1, Kamera bleibt still)? Standard AUS.
• Nur wenn die Dichteregel einen wertvollen Super weggeschmolzen hat: den statischen Super-Block als Alternative zum Verlust anbieten.

Diesen Kontrollpunkt niemals überspringen, selbst wenn der Benutzer es eilig zu haben scheint oder die Sprachrhythmen offensichtlich aussehen.

Schritt 4 – Ausfüllen und ausliefern

Nur MUTIEREN:

• die [Xs]-Zeitstempel – ersetzen Sie nur das X: [Xs] wird zu [0.8s]. Die eckigen Klammern BLEIBEN: Vom [0.8s] bis [2.1s] ist korrekt, Vom 0.8s bis 2.1s ist falsch. Benachbarte Blöcke teilen die Grenze (Block 1 endet bei 2,1 → Block 2 beginnt bei 2,1); der letzte Block endet bei der Videodauer.
• die [TEXT]-Token – ersetzen Sie das gesamte Token (einschließlich Klammern) durch den Super, wobei die umgebenden Anführungszeichen ERHALTEN bleiben: "[TEXT]" wird zu "VIDEO HOCHLADEN". "[VIDEO HOCHLADEN]" (Klammern erhalten) ist falsch.
• jede Kamerapositionsbeschreibung, die der Benutzer zu tauschen wünschte (Voreinstellungen unten).

Speichern Sie es als <Video-Basisname>_kinetic_multicam_prompt.txt neben dem Video, dann selbstprüfen Sie die gespeicherte Datei:

python "<Basisverzeichnis dieses Skills>/scripts/verify_prompt.py" "<gespeicherter .txt>"

Es muss PASS ausgeben (Kopf/Ende byte-identisch mit der Vorlage, jeder Block wohlgeformt, Positionen aus dem kanonischen Menü, Grenzen verkettet, letzter Block zurück zur Originalkamera). Bei FAIL reparieren und erneut ausführen, bevor ausgeliefert wird.

Liefern Sie den fertigen Prompt in einem eingefassten Code-Block. Schließen Sie mit der Anwendung: Laden Sie das Quellvideo in Seedance 2.0 Fast hoch – die Plattform, für die diese Vorlage validiert ist (2026-07; Omni wurde schlechter getestet, nicht empfehlen) – wählen Sie es als Quellmaterial aus, fügen Sie den Prompt ein. Der ausgelieferte Prompt-Text ist IMMER auf Englisch, unabhängig von der Sprache der Unterhaltung oder des Videos – nur die Supers folgen der Videosprache.

Die kanonische Vorlage (EINGEFROREN)

Byte-für-Byte reproduzieren – inklusive Zeilenumbrüche. Eigenheiten sind beabsichtigt („The Supers"-Großschreibung, „same as original video"). Falls es seltsam liest, bleibt es so.

Use the uploaded video as the source. The Supers must follow the pace of the audio.
Video timing must be exactly the same as original video.

Preserve the person's face, identity, expression, clothing, body proportions, and lip sync exactly as in the original footage. Preserve the room, lighting, furniture, background, and overall environment. Do not replace, redesign, or hallucinate any part of the scene.

The only changes should be rapid cinematic camera repositioning and the addition of kinetic motion graphics.

Do not add traditional subtitles. Instead, create bold, high-energy kinetic supers that visually reinforce the spoken message. The supers should behave like motion graphics, not captions. Use dynamic typography, scaling, rotation, perspective, masking, tracking, and creative layouts. Vary the style throughout the video so each callout feels intentional and visually engaging. The text must never cover the speaker's face. Place each super in open areas of the frame, or layer it behind the speaker's body so the person partially occludes the text — as if the words physically exist in the room behind them. The text should integrate naturally with the composition.

Camera movement should be extremely fast. Each transition should take only a split second, rapidly snapping to the new viewpoint before immediately locking into a perfectly stable frame. The camera must visibly travel to each new position — a fast, motion-blurred whip move with a speed-ramp feel — never an editing cut and never an invisible instant jump between angles. Do not create long continuous camera moves, floating movement, or handheld motion. Every move should feel like a fast cinematic reposition followed by a freeze.

Follow this timeline:

Von [Xs] bis [Xs]
Den kinetischen Super anzeigen:
"[TEXT]"
Schwenken Sie die Kamera in einer schnellen, bewegungsunscharfen Orbitalbewegung nach links, landen Sie in einer linken Orbitalposition, dann halten Sie völlig still.

Von [Xs] bis [Xs]
Den kinetischen Super anzeigen:
"[TEXT]"
Schwenken Sie die Kamera in einer schnellen, bewegungsunscharfen Kranfahrt nach oben zu einem höheren Kranwinkel, dann halten Sie völlig still.

Von [Xs] bis [Xs]
Den kinetischen Super anzeigen:
"[TEXT]"
Schwenken Sie die Kamera in einer schnellen, bewegungsunscharfen Rückwärtsbewegung in eine weite Position, die den gesamten Raum mit dem Sprecher in der Mitte zeigt, dann halten Sie völlig still.

Von [Xs] bis [Xs]
Den kinetischen Super anzeigen:
"[TEXT]"
Schwenken Sie die Kamera in einer schnellen, bewegungsunscharfen Bewegung zurück zur ursprünglichen Kameraposition und halten Sie bis zum Ende.

Wichtige Anforderungen:

* Bewahren Sie den exakten Raum und die Person während des gesamten Videos.
* Ändern Sie keine Gesichtszüge, Kleidung, Beleuchtung oder den Hintergrund.
* Bewahren Sie perfekte Lippen-Synchronität.
* Keine harten Schnitte zu anderen Szenen.
* Jeder Übergang ist eine sichtbare, bewegungsunscharfe Kamerabewegung – niemals ein Schnitt.
* Keine Titelcards.
* Keine untertitelähnlichen Bildunterschriften.
* Supers bedecken niemals das Gesicht des Sprechers – offene Rahmenbereiche oder hinter dem Körper geschichtet, niemals darüber.
* Nur schnelle, sekundenschnelle Kameraneupositionierung, gefolgt von eingefrorenen Aufnahmen.
* Motion Graphics sollten sich hochwertig, modern, energiegeladen und für soziale Medien optimiert anfühlen.

Der Rahmen zeigt die 4-Block-Standardvorlage. Für 5 oder 6 Blöcke fügen Sie zusätzliche Blöcke mit derselben eingefrorenen 4-Zeilen-Einheit ein – Von [Xs] bis [Xs] / Den kinetischen Super anzeigen: / "[TEXT]" / eine Positionszeile, die WÖRTLICH aus der Voreinstellungstabelle entnommen wurde – getrennt durch Leerzeilen, wobei der Rückkehr-zum-Original-Block der letzte bleibt. Standardpositionsreihenfolgen:

• 4 Blöcke: linke Orbitalposition → höherer Kranwinkel → weit (Raum-Offenbarung) → zurück zum Original
• 5 Blöcke: enge Nahaufnahme → linke Orbitalposition → höherer Kranwinkel → weit → zurück zum Original
• 6 Blöcke: enge Nahaufnahme → linke Orbitalposition → höherer Kranwinkel → rechte Orbitalposition → weit → zurück zum Original

Semantische Übereinstimmung schlägt die Standardreihenfolge. Bevor Sie sich festlegen, überprüfen Sie die Phrase jedes Blocks auf Bedeutung, die zu einer Position passt – Offenbarung/Raum/„kein Aufbau" → weit; Intimität/Geheimnis → enge Nahaufnahme; Kraft/Herausforderung → tiefer Heldenwinkel; Überblick/Liste → Vogelperspektive; wichtiges Detail → Punch-In-Nahaufnahme. Wenn eine Phrase passt, geben Sie diesem Block die passende Position (unter Berücksichtigung der Kontrastregel) und begründen Sie die Wahl am Kontrollpunkt – „HABE KEINEN VOLLSTÄNDIGEN AUFBAU" bei der weiten Raumoffenbarung ist das kanonische Beispiel.

Optionaler Aufhänger-Super (am Kontrollpunkt aktivierbar)

Standardmäßig trägt die anfängliche Haltephase keinen Text. Wenn der Benutzer zustimmt, fügen Sie EINEN zusätzlichen Block ganz oben in die Zeitachse ein – von [0s] bis t1, Kamera BEWEGT sich NICHT; er dient nur dazu, einen Aufhänger-Super auf Frame 1 zu setzen:

Von [0s] bis [Xs]
Den kinetischen Super anzeigen:
"[TEXT]"
Halten Sie die Kamera in der ursprünglichen Position und Rahmung, völlig still.

Sein s

…

[abgeschnitten für Übersetzung]