Was macht TTS Script Generator?
Intelligentes Komprimieren und Umschreiben von Dokumenten in für TTS geeignete Skripte.
Kernfunktionen
- 🤖 KI-gestützte Analyse: Claude analysiert den Artikelinhalt und bestimmt die beste Videolänge sowie den passenden Illustrationsstil
- ⏱️ Intelligente Längenentscheidung: Automatische Ermittlung der optimalen Dauer basierend auf dem Inhalt (3-8 Minuten)
- 🎨 Intelligente Stilentscheidung: Automatische Auswahl des Illustrationsstils je nach Thema (New Yorker/Ukiyo-e/Flach/Realistisch usw.)
- 📉 Intelligente Komprimierung: Komprimierung auf die optimale Dauer (z. B. 19 Minuten → 5 Minuten)
- 💬 Konversationale Umwandlung: Schriftsprache → natürliche gesprochene Sprache
- 😊 Emotionale Optimierung: Hinzufügen emotionaler Ausdrücke, um TTS lebendiger zu machen
- 🎯 Automatische Segmentierung: Automatische Bestimmung der optimalen Segmentanzahl basierend auf dem Inhalt (jeweils 10-20 Sekunden)
- 📊 Längenschätzung: 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
- Inhaltsdichte
- Bestimmung der optimalen Videolänge (3-8 Minuten)
- Bestimmung des am besten geeigneten Illustrationsstils (z. B.: Geschichte → Ukiyo-e, Technologie → Flach, Geisteswissenschaften → New Yorker)
- Claude schreibt intelligent um:
- Extraktion der Kernaussagen
- Komprimierung auf die optimale Länge
- Umwandlung in gesprochene Sprache
- Hinzufügen emotionaler Ausdrücke und Pausen
- Claude segmentiert automatisch (jedes Segment kann mit einem Bild versehen werden)
- Bestimmung des am besten geeigneten Illustrationsstils basierend auf dem Artikelthema
- Generierung einer Bildbeschreibung für jedes Segment (unter Verwendung des ermittelten Stils)
- Ausgabe von zwei Dateien:
tts_script.json(TTS-Textskript + Animationsmarker)visual_config.json(Bildbeschreibungen, für den illustration-generator)
tts_script.json Format (mit Animationsmarkern):
[
{
"segment": 1,
"text": "Heute reden wir über das wahre Leben in der Tang-Dynastie. Du willst reisen? Warte noch!",
"duration": 15,
"animation_style": "fade_in",
"emphasis": true
},
{
"segment": 2,
"text": "In der Tang-Dynastie gab es kein Toilettenpapier. Was hat man stattdessen benutzt?",
"duration": 12,
"animation_style": "none",
"emphasis": false
}
]
Animationsmarker-Regeln (durch Claude intelligent entschieden):
animation_style:"fade_in"– Titel, Eröffnung, Betonung"write"– Kernaussagen, wichtige Schlussfolgerungen"typewriter"– Daten, Fakten"none"– normaler Inhalt (verwendet ASS-Untertitel)
emphasis: Handelt es sich um ein hervorgehobenes Segment (true/false)
Entscheidungsprinzipien:
- erstes Segment (Eröffnung) →
fade_in - Kernaussagen (jeweils erstes Segment eines Kapitels) →
write - Daten/Fakten →
typewriter - andere Inhalte →
none(ASS-Untertitel) - Empfehlung: Bei 24 Segmenten 3-5 mit Animation verwenden
Ausführungsskript
generate.py – TTS-Skript generieren
python ~/.claude/skills/tts-script-generator/scripts/generate.py <Markdown-Datei>
- Markdown-Datei einlesen
- H2-Abschnitte extrahieren
- in gesprochene Sprache umwandeln
- nach Länge aufteilen
tts_script.jsonausgeben
Anwendungsszenarien
- Video-Vertonung: In Kombination mit image-to-video (Hauptnutzung)
- Podcast-Erstellung: In Kombination mit podcast-generator
Ausgabeerklärung
Dieses Skill gibt aus:
- ✅
tts_script.json– TTS-Textskript - ✅
visual_config.json– Bildbeschreibungen
Nicht enthalten:
- ❌ TTS-Audio-Generierung (wird vom image-to-video Skill übernommen)
- ❌ Bildgenerierung (erfordert den illustration-generator Skill)
- ❌ Videosynthese (erfordert den image-to-video Skill)
Aufrufweise
Automatischer Aufruf durch den 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 fort
Manueller Aufruf (im Claude-Dialog):
Benutzer: "Bitte schreibe diesen Artikel mit dem tts-script-generator um"
Claude:
1. Dokument einlesen (5947 Zeichen, 19 Minuten)
2. Inhalt analysieren:
- Thema: Leben in der Tang-Dynastie (historisch/kulturell)
- Kernaussagen: 4 (Hygiene, Ernährung, Kleiderordnung, Klassen)
- optimale Dauer ermitteln: 5 Minuten (mittlere Inhaltsdichte)
- Illustrationsstil ermitteln: Ukiyo-e-Stil (historisches Thema, östliche klassische Ästhetik)
3. Auf 1350 Zeichen umschreiben
4. In 20 Segmente aufteilen (jeweils 15 Sekunden)
5. Für jedes Segment eine Ukiyo-e-Bildbeschreibung generieren
6. tts_script.json + visual_config.json speichern
Ausgabeformat
tts_script.json
[
{
"segment": 1,
"text": "Heute reden wir über das wahre Leben in der Tang-Dynastie. Du willst reisen? Warte noch! In der Tang-Dynastie gab es kein Toilettenpapier...",
"duration": 15
}
]
visual_config.json
{
"article_title": "Die Wahrheit über eine Zeitreise in die Tang-Dynastie",
"style": "ukiyo-e",
"sections": [
{
"section": 1,
"visual_description": "Eine Person steht an einer Kreuzung zwischen der modernen Stadt und dem antiken Tang-Palast, sieht verwirrt aus, Ukiyo-e-Stil mit traditioneller japanischer Holzblockdruck-Ästhetik"
}
]
}
Entscheidungsregeln für den Illustrationsstil
Claude wählt automatisch den am besten geeigneten Stil basierend auf dem Artikelthema:
- Geschichte/Klassik →
ukiyo-e(Ukiyo-e): Tang-Dynastie, Song-Dynastie, japanische Geschichte usw. - Geisteswissenschaften/Gesellschaft →
new-yorker(New Yorker): Gesellschaftsbeobachtungen, Personenporträts usw. - Technologie/Wirtschaft →
flat(flacher Stil): Technologieprodukte, Wirtschaftsanalysen usw. - Natur/Reisen →
realistic(realistischer Stil): Landschaften, Tiere, Reisen usw. - Kunst/Kreativität →
abstract(abstrakter Stil): Kunstkritiken, kreatives Denken usw.
Umschreibungsprinzipien
- Kern bewahren: Die wichtigsten Aussagen und Geschichten erhalten
- Gesprochene Sprache:
- "aber" → "aber 'mal ehrlich"
- "weil...deshalb..." → "und warum? weil ..."
- Füllwörter hinzufügen: "ja", "eigentlich", "doch"
- Emotionale Ausdrücke:
- Betonung: "wirklich", "sehr", "besonders"
- Überraschung: "Wow", "Oh je", "stell dir vor"
- Rhythmuskontrolle:
- Hauptsächlich kurze Sätze
- Angemessene Pausen
- Ein Kernpunkt pro Segment
Kann aufgerufen werden von
- image-to-video Skill (primär)
- podcast-generator Skill
- Andere Skills, die TTS benötigen