Communitygithub.com

Personalisiertes Lied + Karaoke-Video

Erstellt ein personalisiertes Lied (Text + Suno-Stil) und ein vertikales Karaoke-Video aus den Fotos des Kunden, wobei die Textzeilen Wort für Wort auf den Beat abgestimmt sind. Ideal für Geburtstage, Jubiläen oder als Geschenk mit untertitelter Karaoke-Version.

Was ist Personalisiertes Lied + Karaoke-Video?

Dieses Skill-Modul automatisiert die Erstellung eines personalisierten Liedes und eines dazugehörigen vertikalen Karaoke-Videos (1080×1920) für Anlässe wie Geburtstage oder Jubiläen. Es besteht aus zwei Hauptphasen: (A) Texterstellung für Suno KI und (B) Erstellung eines Videos mit Kundenfotos und synchronisiertem Karaoke-Text. In Phase A werden die Wünsche des Kunden (Anlass, Beziehung, Musikrichtung) in einen strukturierten Songtext mit Strophe, Refrain, Bridge und Outro umgesetzt, inklusive zweier englischsprachiger Stil-Prompts (z. B. Merengue, Cumbia, Salsa). Phase B nutzt Python-Skripte (basierend auf faster-whisper, librosa, Pillow, ffmpeg) zur Spracherkennung, Beat-Analyse und Erstellung des Videos. Das Ergebnis ist ein vollständiges, markiertes Video mit Zoom-Effekten, Konfetti, Herzchen und präzisem Karaoke-Text, das auf verschiedenen Plattformen (TV, Instagram, WhatsApp) ausgeliefert werden kann.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/dialejo0720-maker/skills-edicion-video/tree/HEAD/skills/cancion-video-karaoke

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Personalisiertes Lied + Karaoke-Video?

Dieser Prozess wurde mit echten Bestellungen getestet (Geburtstage, Merengue – der Kunde sagte, es sei „spektakulär“ gewesen). Zwei Phasen: (A) Text für Suno und (B) vertikales Video 1080×1920 mit Fotos + Karaoke. Alles in lateinamerikanischem Spanisch (LATAM), warm und nahbar. Antworte dem Benutzer auf Spanisch.

Ordnerstruktur (einer pro Bestellung)

<Bestellordner>/cancion-<Name>/
  letra-suno.md          ← Phase A
  fotos/                 ← der Benutzer lädt die Fotos hoch
  <Lied>.mp3             ← der Benutzer lädt die MP3 von Suno hoch (beliebiger Name)
  video/                 ← alles Technische (project.json, lines.txt, json, chunks…)
  Feliz-Cumpleanos-<Name>.mp4 / -WhatsApp.mp4   ← Auslieferungsdateien

Skripte in ${CLAUDE_SKILL_DIR}/scripts/ (bezeichnet als $S). Ausführen mit normalem python (NICHT python -I: dann werden faster_whisper/librosa in site-packages des Benutzers nicht gefunden).

Voraussetzungen: ffmpeg mit libass, Python mit faster-whisper, librosa, numpy, Pillow (pip install faster-whisper librosa numpy pillow). Überprüfe sie beim ersten Mal (ffmpeg -version, python -c "import faster_whisper, librosa") und installiere Fehlendes mit Erlaubnis der Person. Schriften: Segoe UI Black (Text), Segoe Script (Titel) unter Windows; unter Mac/Linux installierte Äquivalente verwenden.


Phase A – Text für Suno

  1. Lies die Nachricht des Kunden: für wen, Beziehung, Anlass, Nachricht, gewünschtes Genre.
  2. Alle Ideen aus der Kunden-Nachricht in den Text einbauen (wenn er/sie sagt „Begleiter, Freund und Partner“, dann soll das genau so natürlich vorkommen). Das berührt die Beschenkte/n am meisten.
  3. Struktur: [Intro] mit Ausruf/Widmung mit dem Namen → [Verse 1] 8 Zeilen → [Pre-Chorus] 2 → [Chorus] 8 (der Name zu Beginn wiederholt: „¡Valentina, Valentina!“) → [Verse 2] → [Pre-Chorus] → [Chorus] → [Instrumental Break] → [Bridge] festlich („¡que suene la güira!“, „¡Felicidades!“) → [Final Chorus] → [Outro] („¡Te amo, X!“) → [End].
  4. Saubere Konsonanz/Assonanz, Verse mit 9–12 Silben, eingängiger Refrain.
  5. Gib 2 Stil-Prompts (auf Englisch, für „Style of Music“). Beispiele:
    • Merengue: festive dominican merengue, accordion, güira, tambora, bright saxophone section, warm joyful male vocal, party backing choir, romantic birthday celebration, danceable, 140 bpm, spanish
    • Cumbia: colombian cumbia, accordion lead, guacharaca, caja vallenata, bass, warm romantic male vocal, festive choir shouts, birthday celebration, danceable, 95 bpm, spanish
    • Anpassen: Balada, Vallenato, Bachata, Ranchera, Salsa je nach Wunsch; männliche/weibliche Stimme je nach Schenkendem.
  6. Speichern in cancion-<Name>/letra-suno.md (Titel, Style A/B, Text als Codeblock, Tipps: 2–4 Versionen generieren, falls Name falsch ausgesprochen wird, phonetisch schreiben). Leeres fotos/ erstellen und Fotos + MP3 anfordern.

Phase B – Karaoke-Video

B1. Analysieren (≈4–6 Min, im Hintergrund ausführen)

python $S/analizar.py <video_verzeichnis> <mp3_pfad> <fotos_verzeichnis> "<erste Zeilen des Texts als Prompt>"

Erzeugt words.json, beats.json, fotos.json, hoja-fotos.jpg und gibt die Transkription mit Zeitstempeln aus (= Kartenabschnitte).

B2. Fotos prüfen (hoja-fotos.jpg mit Read ansehen)

  • Klassifizieren: nur gefeierte Person, Paar/Familie, Gruppe/Party. Screenshots mit schwarzen Balken erkennen (render.py schneidet nur schwarze Balken weg).

  • Für jedes Foto focus notieren = horizontale Position (0..1) des Gesichts/der Hauptperson. Entscheidend, damit das Schwenken niemanden abschneidet.

  • Horizontale Fotos (Breite/Höhe > 0.75) → werden als „Karte“ mit weißem Rand und Schwenk gezeigt; vertikale → Vollbild mit Ken Burns.

  • Screenshots von WhatsApp/Facebook-Status („Antworten“-Leiste, Statusleiste, Buttons): render.py schneidet nur reines Schwarz weg, NICHT die Benutzeroberfläche. Manuell zuschneiden zu fotos-limpias/NN.jpg (Bruchteile oben/unten pro Foto), fotos.json mit diesen Namen und fotos_dir: "../fotos-limpias" neu schreiben. Duplikate verwerfen (gleiches Foto als Screenshot und Original).

B2b. Kundenvideo (optional)

Verschieben nach clip/video.mp4. In proyecto.json: "clip": "../clip/video.mp4" (optional clip_inicio), und einen Abschnitt mit Fotos ["clip"] und beats_por_foto 99, Dauer ≈ des Clips (wird in Echtzeit abgespielt, ohne Audio; vertikal = Vollbild). Ideal bei einem Instrumental + Beginn einer Strophe. focus akzeptiert "clip".

B3. video/lineas.txt schreiben

Offizieller Text in der exakten Reihenfolge, in der Suno ihn gesungen hat (siehe Transkription: Suno lässt manchmal Verse aus oder ändert sie – z. B. den zweiten „¡Valentina, Valentina!“ des Refrains weggelassen). Eine Zeile pro Reihe, komplette wiederholte Refrains, # für Abschnittskommentare.

B4. video/proyecto.json schreiben (siehe ejemplo-proyecto.json)

  • audio, fotos_dir, salida (relativ zu video/), nombre, titulo, cierre, lineas.
  • focus: {"n": x}.
  • pulso: "suave" (sanft) standardmäßig bei neuen Bestellungen = nur in Refrains, ein langsamer Atemzug pro Takt (der Zoom bei jedem Beat verwirrt – Fall María Paula). false = kein Puls; true = jeder Beat (nicht verwenden, es sei denn, es wird gewünscht).
  • letra: false für den Cancionarte-Plan „Lied + Video mit Fotos“ (14.90): nur Titel, kein Karaoke. Plan Karaoke (19.90): weglassen oder true.
  • tema: "infantil" (Kinder/Babys): Luftballons an den Seiten, funkelnde Sterne, Blasen, sanftes Konfetti; Herzen in Refrains. Mit "fuente_titulo": "Segoe Print" (spielerischer als Segoe Script). Auch in Strophen 8 Beats pro Foto verwenden → dynamisch.
  • tema: "nostalgia" (Abwesenheit, Distanz, Versöhnung, Trauer; Fall Mariana CNA-8YHTM2): sanfter Schnee + warmes, gedämpftes Licht in Refrains, kein Konfetti oder Herzen; Titel weiß/cremefarben mit dunklem Rand. Mit "pulso": false, "crossfade": 1.0, ohne flash, 12–16 Beats pro Foto. Vor der Wahl des Themas den Text lesen: Fotos als Kind ≠ Kinderlied.
  • gaps: Titel in Instrumentalstücken [start, ende, "text"] (z. B. "Ein Lied voller Liebe", "¡A bailar, mi reina!", "¡Que viva la cumpleañera!").
  • sections: [start, ende, beats_por_foto, [fotos], flash, herzen] überdecken 0 bis Dauer lückenlos:
    • Strophen / Intro / Instrumentalstücke: 16 Beats pro Foto (~6–7 s bei 140 BPM).
    • Refrains und Bridge: 8 Beats (~3,3 s) → dynamisch.
    • Refrains: corazones: true. flash: true beim Eintritt jedes Abschnitts (außer Intro).
    • Erzählung: Intro → bestes Foto der gefeierten Person; Strophen der Bewunderung → Fotos nur von ihr; Refrains der Liebe → Paarfotos; Bridge/Party → Gruppenfotos; Abschluss → bestes Paarfoto (bleibt unter dem finalen Titel).
    • Fotos wiederholen ist okay (17 Fotos in 4 Min → jedes erscheint ~2–3 Mal); nicht dasselbe Foto direkt hintereinander wiederholen.

B5. Timeline + Karaoke generieren

python $S/timeline.py <video_verzeichnis>
python $S/karaoke.py <video_verzeichnis>     # muss "sin match: 0" oder fast anzeigen; sonst lineas.txt korrigieren

B6. Vorschau (~1 Min) – IMMER vor dem vollständigen Rendern

python $S/build.py <video_verzeichnis> --preview 62 70     # Einstieg eines Refrains

prev/preview.jpg ansehen (Read). Überprüfen: Gesichter nicht abgeschnitten, Text lesbar, nichts verdeckt Gesichter.

B7. Finales Rendern (im Hintergrund)

python $S/build.py <video_verzeichnis>

8 Blöcke parallel → zusammenführen → Karaoke + Audio einbrennen → WhatsApp-Version (crf 27, ~50 MB). Gemessene Echtzeit (8 Kerne, Lied 4:00): ~15 Min Rendern + ~3 Min Final + ~2 Min WhatsApp ≈ 20 Min. Warten mit until grep -q "FINAL\|rror" <ausgabe>; do sleep 5; done (Bash-Hintergrund), nicht mit sleep.

B8. Überprüfen und ausliefern

  • ffprobe (1080×1920, Dauer = Lied, h264+aac).
  • Blatt mit 8 Einzelbildern (2, 20, 45, …, Ende) → mit Read ansehen. Wenn ein Titel Gesichter verdeckt oder der Text fehlerhaft ist: python $S/build.py <video_verzeichnis> --solo-karaoke (~5 Min, verwendet bereits gerenderte Fotos erneut).
  • Ausliefern mit Links zu den beiden MP4s (komplett für TV/IG, WhatsApp zum Verschicken), der benötigten Zeit und einer Zusammenfassung, was enthalten ist.

Visueller Stil (bereits in den Skripten implementiert)

  • Hintergrund: dasselbe Foto, weichgezeichnet und abgedunkelt (niemals schwarze Balken).
  • Zoom-Puls bei jedem Beat (stärker bei geraden Beats), Crossfade 0,35 s zwischen Fotos, weißer Blitz beim Start von Abschnitten.
  • Buntes Konfetti im gesamten Video; rosafarbene Herzen in Refrains.
  • Karaoke unten: aktuelle Zeile 74 px, goldene Füllung Wort für Wort (\kf) mit Skalierungseffekt; nächste Zeile darunter in Grau.
  • Titel: "<titel>" in rosa Segoe Script + "<name>" groß in Gold, unten (und 1400–1780), um Gesichter nicht zu verdecken; Abschluss mit "<name> ♥" + Spruch.

Lebendige Bewegung (beim Hinzufügen neuer Titel, Themes oder Effekte)

Befolge die Regeln aus ${CLAUDE_SKILL_DIR}/../video-con-vida/references/principios.md:

  • Neue Titel und Sticker kommen mit ease-out + 5–10 % Überschwung (Symbole/Herzen bis 20 %) und gehen mit ease-in; nichts ist linear außer der Karaoke-Füllung.
  • Mehrere Elemente gleichzeitig → Staffelung 80–120 ms; die Wörter eines Titels, Buchstabe für Buchstabe 40–70 ms.
  • Ken Burns immer mit ease-in-out, niemals linear; kein Foto vollkommen still (Zoom 1–3 % Minimum).
  • Subtiler Gewinn: Der „Puls bei jedem Beat“ hat sich bereits als verwirrend erwiesen (Fall María Paula). Wenn eine Bewegung bewusst auffällt, reduziere sie.
  • Wenn der Kunde ein eigenes Video mit einer Ansprache an die Kamera schickt (Widmung), können Effekte aus video-con-vida angewendet werden (z. B. 16 Titel mit dem Namen hinter dem Kopf, 14 lebendiges Gekritzel mit Herz), bevor es als clip eingefügt wird.

Bereits gelöste Fehler (nicht wiederholen)

  • Teiltransparente Partikel: ImageDraw auf einem RGBA-Bild ersetzt Pixel (wird undurchsichtig). In einer separaten Ebene zeichnen und alpha_composite verwenden (so macht es Snow).
  • Mosaike/Collagen des Kunden: Die weißen Streifen erkennen, jedes Foto zuschneiden, ×3 Lanczos + UnsharpMask skalieren; Doppelfotos trennen und Wasserzeichen entfernen.
  • Whisper packt manchmal einen ganzen Vers in denselben Moment (alle Wörter mit demselben s): Verteile sie manuell in words.json (vorher words-original.json sichern), bevor karaoke.py ausgeführt wird.
  • Luftballons in der Mitte verdeckten Gesichter → sie kommen an die Seiten (x <190 oder >890).
  • python -I → ModuleNotFoundError für faster_whisper. Normales Python verwenden.
  • JSON als Argument in PowerShell zerstört Anführungszeichen → alles in proyecto.json.
  • Starker Schwenk/Zoom bei horizontalen Fotos schnitt die Person ab → Karte mit 940 px Höhe + focus.
  • Zentrierte Titel verdeckten Gesichter → sie kommen in den unteren Bereich (kein Karaoke in Intro und Abschluss).
  • Sehr kurzes Endsegment eines Abschnitts (<60 % der normalen Länge) wird mit dem vorherigen verbunden (das macht timeline.py).

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Verwandte Skills