Communitygithub.com

Annie-246/tabcom-skills

Bearbeitet vertikale Videos (9:16) für Tabcom aus Sprecher-Quelle + Illustrations-Assets mittels ffmpeg + Pillow-Pipeline.

Was ist tabcom-skills?

Dieses Skill automatisiert die Erstellung von vertikalen Tabcom-Videos (1080×1920, 25fps) durch eine Python/ffmpeg-Pipeline. Es nutzt KI-gestützte Hintergrundentfernung (BirefNet), automatische Spracherkennung (faster-whisper) und Pillow-Rendering für Textanimationen, Überblendungen und Overlays. Der Workflow umfasst: (1) Transkription mit Zeitstempeln, (2) Sammlung von Assets (App-Screenshots, Stockfotos, Illustrationen) mit strengen Qualitäts- und Kontextprüfungen, (3) personenseparierte Split-Szenen, (4) abwechslungsreiche Szenenkomposition mit 5 Archetypen, Overlays und animierten Texteffekten. Spezielle Regeln gelten für Markenlogo-Platzierung, Farbschema (Teal, Navy, Shopee-Orange) und Sicherheitsabstände. Das Skill vermeidet teure CapCut-Nachbearbeitung – alle Captions und Effekte werden während der Pipeline gerendert. Es benötigt ffmpeg, Python (rembg, Pillow, faster-whisper) und Playwright für Screenshots. Der Nutzer liefert lediglich das Quellvideo und die gewünschten Assets; der Rest läuft automatisiert ab, wobei etwa 4 Stunden Rechenzeit für aufwändigere Split-Szenen eingeplant werden sollten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Annie-246/tabcom-skills/tree/HEAD/plugins/tabcom-video-edit/skills/tabcom-video-edit

In Ihrer bevorzugten KI fragen

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

Dokumentation

Tabcom Video-Edit – Pipeline für vertikale Videos

Erstellt Videos mit Code (ffmpeg + Pillow Frame-Rendering), nicht mit CapCut. Der Nutzer fügt nur Hintergrundmusik in CapCut hinzu – Captions werden von der Pipeline gerendert (Stand: 18.08.2026).

Standardparameter: 1080×1920, 25fps, H.264 crf 19, vollständige Sprachaufnahme des Quellmaterials. OUTRO TABCOM wird am Ende angehängt (30fps→25fps konvertieren, dann concat).

Schritt 0 – Vorab lesen

  1. tai-lieu/Phan-tich-video-mau.md (in diesem Skill) – Analyse der Beispielvideos, 5 Standard-Szenentypen.
  2. tai-lieu/quy-tac-video-tabcom.md (in diesem Skill) – Markenlogo-Konventionen, Speicherkonventionen, Richtlinien zur Asset-Sammlung. Vor dem Sammeln der Assets zwingend lesen.

Rechtliche/Politikinhalte: Assets müssen aus Originaltext oder offiziellen Quellen stammen; der Textname ist unter dem Bild anzugeben.

Vorbereitung (einmalig pro Computer)

Feste Assets (Schriftarten, Hintergründe, Gradient-Karten, OUTRO, Plattform-Logos, Beispiel-Sticker) liegen im assets/-Ordner dieses Skills – kein Download erforderlich. Prüfen mit:

python scripts/tabcom_paths.py     # zeigt OK/FEHLT für jedes Asset an

Erforderliche Umgebung: siehe cai-dat/README-cai-dat.md im Paket (ffmpeg, Python + rembg, faster-whisper, Playwright). Fehlende Bibliotheken dem Nutzer melden, keine Workarounds erfinden.

Eingabe

Jedes Video ist ein Ordner jj.mm.tt - Videotitel/ mit der Sprecher-Quelldatei. Pfadangabe über Umgebungsvariablen, nicht hartcodiert in Skripte:

# PowerShell
$env:TABCOM_SRC    = "D:\Video\26.08.20 - Ten video\source.mp4"     # Sprecher-Quelldatei
$env:TABCOM_OUT    = "D:\Video\26.08.20 - Ten video\26.08.20 - Ten video (draft v1).mp4"
$env:TABCOM_ASSETS = "D:\Video\26.08.20 - Ten video\assets"          # illustrationsspezifische Assets

Alle Skripte lesen Pfade aus scripts/tabcom_paths.py:

VariableZeigt aufHinweis
P.FIXassets/co-dinh/Hintergründe, Gradient-Karten für geteilte Szenen, OUTRO, Logos auf hellem Grund
P.LOGOassets/logo/Shopee-, TikTok-, Facebook-, Zalo-Logos (freigestellt) – neue Logos hier speichern
P.FONTSassets/fonts/ps-display/PS Anton - Regular V1.0.otf (große Schrift), Big Shoulders ExtraBold Viet Hoa.otf (Unterzeile). Schriftgröße ×1.22 wegen kondensierter Schrift
P.STICKERSassets/stickers/Sticker, Plattform-Badges, PNG-Flash-Muster
P.src() / P.out_file()TABCOM_SRC / TABCOM_OUTFehler melden, falls nicht gesetzt
P.assets()TABCOM_ASSETSIllustrationsspezifische Assets des aktuellen Videos
P.work()./build oder TABCOM_WORKZwischenspeicher für Frames, Clips, Masken

Schritt 1 – Sprachzeitstempel extrahieren (erforderlich)

ffmpeg -i "source....mp4" -ac 1 -ar 16000 audio.wav

faster-whisper Modell small, language='vi', word_timestamps=True, vad_filter=True.

Whisper erkennt Eigennamen falsch („shop“→„SOAP“, „Tabcom“→„TAPCOM“, „Shopee“→„Soppy“) – ignorieren, nur die Zeitstempel zählen. Tabelle erstellen: Zeitstempel → Aussage → geplante Szene.

Schritt 2 – Bilder sammeln (ERFORDERLICH, entscheidet über Videoqualität)

Harte Anforderung des Nutzers: Bilder müssen durchgehend sein, jede Szene muss ein Bild haben, keine Szene mit nur nacktem Text. Ein Video von ~115 Sekunden benötigt 25–30 Bilder.

Quellen in dieser Reihenfolge:

  1. Assets aus dem Ordner TABCOM_ASSETS des Videos (P.assets()) – alle verwenden, nichts verschwenden.
  2. App-/Plattform-Screenshots: scripts/17_collect_platform_images.py – siehe SOP unten.
  3. Kostenlose Stockfotos: scripts/16_get_stock_photos.mjs (Playwright + Chrome) ausführen.
    • Pexels durch Cloudflare blockiert („Just a moment...“) – keine Zeit verschwenden.
    • Unsplash und Pixabay sind scrapbar. Wikimedia nur für Logos geeignet, nicht für Stockfotos.
  4. Verkäufer-Illustrationen / generierte Bilder (optional): in <VIDEO_ROOT>/tai-nguyen/carousel-hook-video-ban-hang/ und <VIDEO_ROOT>/tai-nguyen/generated-carousel/ ablegen, mit P.extra("...") abrufen. Fehlt, kann das Video trotzdem erstellt werden.

Bilder vor Verwendung prüfen – der Nutzer beanstandet dies: Bild tatsächlich öffnen und sehen, was es zeigt. Beispiel für Fehler: Aktien-Kerzenchart wurde für „Dashboard-Anzeigen“ verwendet (falsch), Telefon-Ladeanschlussbild für CTA-Kommentar (irrelevant). Kontextfremde Bilder weglassen, nicht nur der Anzahl wegen einfügen.

SOP für App-Screenshots (Shopee, TikTok Shop, Zalo, Facebook)

Wenn der Inhalt eine bestimmte Funktion einer Plattform erwähnt, muss ein echter Screenshot dieser Funktion beigefügt sein. Vier Quellen, ausgeführt mit scripts/17_collect_platform_images.py:

BenötigtBefehlHinweis
App-Oberfläche (Käufer & Verkäufer)play <package>Offizielle Quelle, Vietnamesisch, automatischer Zuschnitt auf Telefonrahmen
Nicht per Bot erreichbare Oberfläche (Shopee Live, TikTok LIVE)page <url-zu-anleitung> <slug>Vorher mit WebSearch nach Beitrag suchen
Öffentliche Webseite (Fanpage, Gruppe, Zalo OA, Academy, Website)shot <url> <name>Playwright + Chrome systemweit
Allgemeine Illustrationenbing "<query>" <slug>Query muss spezifisch sein

Bereits verwendete Play-Pakete: com.shopee.vn · com.shopee.shopeeseller (mit Verkaufseffizienz-Bildschirm mit 7/30-Tage-Rahmen – Standardbild für jede Aussage „Analytics öffnen, 30 Tage anzeigen“) · com.tiktokshop.seller · com.zing.zalo · com.facebook.katana.

Bereits getestet und blockiert, keine Zeit verschwenden: shopee.vn (gibt „Seite nicht verfügbar“ zurück), tiktok.com/shop und TikTok-Profilseiten (Captcha), API banhang.shopee.vn und Shopee Uni/TikTok Academy als SPA (WebFetch/curl gibt nur leeres Gerüst, API benötigt Login-Token), Google Images (HTML enthält keine Original-URLs mehr – Bing verwenden).

Vietnamesische Beiträge mit echten Screenshots können wiederverwendet werden: shopee.vn/blog (offiziell, bevorzugt), misaeshop.vn, cellphones.com.vn/sforum, ghn.vn. Keine Bilder von Wettbewerbern verwenden (tukigroup.vn).

Nach dem Sammeln: sheet out/<slug> ausführen, dann Contact Sheet lesen und auswählen – nicht nach Dateinamen auswählen.

Asset-Übergabe mit README (erforderlich)

Im Asset-Ordner des Videos (TABCOM_ASSETS) muss eine README.md enthalten sein: Welches Bild für welchen Abschnitt des Skripts · Bild-URL + Seiten-URL + Datum · Was noch nicht gefunden wurde · Hinweise zur Erstellung. Dazu _preview-all.png (Contact Sheet) für schnelle Durchsicht.

Drei Dinge, die immer notiert und beachtet werden müssen:

  • Daten in App-Bildern sind Beispieldaten des Herausgebers – nicht als echte Daten interpretieren, nicht als Beweis verwenden.
  • Bilder mit Kontonamen, Shop-Namen, Kommentatorennamen → vor dem Einfügen im Video zuschneiden oder unkenntlich machen.
  • Shop-Datenrückgang/Traffic-Quellen-Diagramme: kein Dashboard-Bild suchen, um es als echte Daten auszugeben, auch kein Label „Illustration“ auf dem Bildschirm anbringen (siehe Abschnitt „Kein Illustrations-Label verwenden“).

Schritt 3 – Personen-Hintergrundentfernung für geteilte Szenen

Wichtige Lektion: Der Gate-Ansatz (BirefNet auf Stichproben-Frames + ISNet pro Frame) ist nicht sauber genug – Union-Mask über mehrere Frames verschluckt immer noch Hintergrundobjekte neben dem Kopf (Pokalsterne, Blätter, Stuhlkanten), und der Schritt „helle Bereiche abdunkeln“ macht sie nur zu hässlichen schwarzen Klumpen.

Richtiger Weg:

  • Geteilte Fenster kurz halten (≤ 4 Sekunden). Längere Abschnitte in Vollbild-Asset-Szenen umwandeln (Bild bleibt groß, lesbarer).
  • scripts/15_cutout_birefnet.py ausführen: birefnet-portrait pro Frame (~17 s/Frame; 90 Frames ≈ 25 Minuten). Dies ist die einzige Methode für absolut saubere Haarspitzen.
  • Frame zuschneiden: crop=940:1040:70:340 (für jede Quelle mit drawgrid überprüfen).

Layout der geteilten Szene (genehmigt):

  • Gradient-Karte 800×690 bei (140, 1226) – Mittelpunkt des Rahmens.
  • Person scale=760:842, overlay=160:1074 – genau zentriert, Füße berühren untere Kante.
  • Obere Hälfte des Rahmens freilassen für Caption. Nur kleines Label links oben + 1 Bild + 1 Capsule.
  • Dieses Layout mehrmals im Video verwenden, nicht nur beim abschließenden CTA – der Nutzer fordert Abwechslung (18.08.2026). Bei der Planung die Cutout-Kosten vorher einkalkulieren: birefnet-portrait läuft ~50 Sekunden/Frame auf diesem Rechner, d.h. jede geteilte Sekunde kostet ~21 Minuten. 3–4 Fenster × 2,5–3 Sekunden sind etwa 4 Stunden – im Hintergrund laufen lassen und in der Zwischenzeit andere Aufgaben erledigen, nicht auf die letzte Minute verschieben.

Schritt 4 – Szenen erstellen

scripts/10_scene_helpers.py (Layer, Capsule, TextImg, Icon, Render) + 11_scenes_images.py (Bilder in allen Szenen) + 12_layout_archetypes.py (vielfältige Layouts).

Texteffekte – müssen abwechslungsreich sein und den Sprachrhythmus treffen

pop (ease-out-back), slide, wipe, slideL/slideR (abwechselnd für Zickzack-Rhythmus), blurin (für Bilder), flip (horizontales Stauchen/Strecken), shakein (für Warn-Capsules), none (sofort sichtbar, keine Animation), float (schweben mit leichtem Zittern), fly (von A nach B fliegen), TypeLayer (Schreibmaschineneffekt für Hook/CTA), CountLayer (Zahlen zählen, z.B. 0→50%, mit Boom beim Stopp), MarkerLayer (Textmarker-Hintergrund für Text).

Effekt-Intensität – Nutzer beanstandet „Augenkrebs, Kopfschmerzen“ (09.08.2026)

Lebendig bedeutet nicht stark. Genehmigte Parameter: pop von 74% (nicht 60%), flip auf 48% Breite (nicht 15%), shakein auf 84% + Zittern ≤4px bei 7 Hz für ≤0,45s. Gesamte Zeit um ~18% verlängern.

Anfangsabschnitt muss gedehnter sein als der Mittelteil: Elemente im Abstand ≥0,4 Sekunden, TypeLayer ≤16 Zeichen/Sekunde.

Bild bereits in vorheriger Szene erschienen → in folgender Szene sofort vorhanden (anim="none", t0=0), nicht erneut einblenden – sonst werden Texteffekte in dieser Szene überladen und der Zuschauer fühlt sich überfordert.

Kein Illustrations-Label verwenden (Stand: 20.08.2026)

Kein „ILLUSTRATION“ auf irgendetwas stempeln – nicht auf Grafik-Requisten (Geldscheine, Icons), auch nicht auf selbst erstellte Diagramme, und kein Label „App-Oberflächen-Illustration …“ unter App-Screenshots. Der Nutzer empfindet es als störend und unübersichtlich. So bleiben Sie ohne Label innerhalb der Claim-Grenzen:

  • Selbst erstellte Säulen/Diagramme: roh lassen, keine Zahlen anfügen – nur visuell hoch–niedrig vergleichen (z.B. Säule „TREO LIVE“ niedrig · Säule „LIVE AI“ hoch). Ohne Zahlen keine Ergebnisversprechen.
  • App-/Plattform-Screenshots: Bilder ohne sichtbare Daten auswählen (Umsatzbalken, Shop-Namen, Kommentatorennamen bereits beim Sammeln zuschneiden), anstatt sie intakt zu lassen und dann zu labeln.

Overlay über dem Sprecher – eine obligatorische Bauweise, im gesamten Video verteilt (20.08.2026)

Anstatt auf eine Vollbild-Grafik umzuschalten, PNG-Sequenz RGBA über das Sprechervideo legen: Text float schwebt mit leichtem Zittern im freien Bereich über dem Kopf (Gesichtsbereich vermeiden, vorher mit drawgrid messen), Illustrationsbilder als horizontaler Streifen unter der Person auf Tischhöhe anordnen. Über gleichen Mechanismus wie geteilte Szene: -framerate 25 -start_number 1 -i seq_XXX/%04d.png dann overlay=0:0:enable='between(...)'.

Nicht nur im Anfangsabschnitt verwenden. Der Nutzer fordert (20.08.2026), Overlay als gleichwertigen Szenentyp neben Vollbild-Grafik und geteilter Szene zu behandeln, und alle drei Typen abwechselnd im gesamten Video einzusetzen:

TypWann verwendenKosten
Vollbild-GrafikSatz mit vielen aufzuzählenden Punkten, Daten, Raster, ChecklistenGünstig, Pillow-Render
Overlay über SprecherSatz mit nur 1–2 Punkten; Gesichtspräsenz erhalten, Sprachrhythmus haltenGünstig, Pillow-Render
Geteilte Szene (freigestellte Person)Höhepunkte, Zusammenfassungen, CTATeuer, ~50 s/Frame Cutout

Zielrhythmus: nach 2–3 Vollbild-Szenen ein Overlay-Abschnitt, jedes Video ≥ 3–4 Overlay-Fenster, jedes Fenster 2,5–5 Sekunden. Overlay ist der günstigste Weg für „durchgehendes Bild“, ohne den Sprecher auszublenden.

Overlay-Regeln:

  • Freien Bereich vorher mit drawgrid messen im genauen Frame des Fensters. Der Sprecher sitzt schief/gestikuliert je nach Abschnitt – Koordinaten des vorherigen Fensters nicht ohne Prüfung übernehmen.
  • Gesicht nicht verdecken und gestikulierende Hände nicht verdecken. Text im freien Bereich über dem Kopf oder neben der freien Schulter platzieren; Illustrationsbilder als horizontaler Streifen auf Tischhöhe oder vertikale Spalte neben der freien Schulter.
  • Overlay-Hintergrund muss halbtransparent sein, kein Vollblock: weißes Panel alpha 200–225 mit abgerundeten Ecken 28, oder Navy-Gradient-Scrim alpha 0→150 an oberer/unterer Kante. 100% deckend würde zur Vollbild-Grafik werden und Overlay-Zweck verlieren.
  • Text muss starke Kontur/Schatten haben, da der Hintergrund echtes Kamerabild mit wechselnden Helligkeiten ist.
  • Bevorzugte Effekte: float, blurin, slideL/slideR mit kleiner Amplitude – Overlay liegt auf bewegtem Bild, starke Effekte wirken chaotisch. Kein shakein auf Overlay.
  • Reels-Sicherheitszone einhalten: Text bei y ≈ 1500, rechte Spalte x > 900 vermeiden.
  • Caption der Sprachausgabe bleibt während des Overlay-Fensters aktiv (dieser Rahmen ist luftig), es sei denn, das Overlay ist bereits eine mehrzeilige Checkliste.

Layout – vermeiden Sie zwei aufeinanderfolgende gleiche Szenen

Genehmigte Archetypen: Bild im Vollbild mit überlagerter Schrift (mit hellem Scrim, damit Navy-Schrift lesbar ist) · 2×2-Raster mit Beschriftung · Bildspalte links + Checkliste rechts · Bild oben + schwebendes weißes Panel unten · 3-Bild-Horizontalstreifen · Kreisausschnitt mit farbigem Rand · Bild links + Capsule gleitet rechts · Doppelblock mit internem Bild · Große Zahl + Nebenbild · Vertikaler Pfeil-Flow.

Fachbegriffe korrekt verwenden

„treo live“ – nicht „chèo live“. Dies ist die Bezeichnung für das Abspielen eines vorab aufgezeichneten Videos als Live-Session. Whisper erkennt es immer als „chèo live“/„TeoLive“; manuell in Caption und Bildschirmtext korrigieren.

Sicherheitsabstände oben und unten im Rahmen (Stand: 20.08.2026)

Tabcom-Hintergrund hat Logo bei y 48–122 und Hotline/Website bei y 1829–1872. Der Nutzer beanstandet „Text zu nah am Logo, Bild zu nah am unteren Rand“:

  • Titel-Capsule in FULL-Szene zentriert bei y ≥ 240 (oberer Rand mindestens 90px vom Logo entfernt).
  • Unterkante aller Bilder ≤ 1820. Bildstreifen in Overlay zentriert bei y ≈ 1670 (Höhe ~300) statt 1770.
  • Bisherige Obergrenze für Text beibehalten: Text und Zahlen enden oberhalb y ≈ 1500.

Shopee-Orange ist die dritte Akzentfarbe

ORANGE = (238, 77, 45) – Shopee-Orange #EE4D2D, abwechselnd mit Teal und Navy für Shopee-bezogene Capsule-Akzente, Pfeile, Rahmen großer Zahlen und Hintergrund von Keywords „SHOPEE“/„SHOP“ in Captions (caption(..., hi_col=ORANGE) – Text auf orangem Hintergrund ist weiß, auf tealem Hintergrund Navy). Dosierung: etwa 8–12 Orange-Punkte in einem ~100-Sekunden-Video, nicht als primäre Farbe (Teal/Navy) ersetzen.

Live-AI-Bilder von Tabcom müssen unbeschnitten im Vollbild bleiben (Stand: 20.08.2026)

Der Satz avatar-* in TABCOM_ASSETS/avatar-ai/ ist 941×1672 = Verhältnis 9:16 (0,563) – dies sind Produktbilder des Dienstes; ein Zuschnitt würde die Kameraeinstellung und die seitlichen Produkte ruinieren. Der Nutzer fordert das gesamte Bild:

  • Alle Container für dieses Bild müssen genau das Verhältnis 0,563 haben: 170×302 · 200×355 · 240×426 · 300×533.
  • Dieses Bild nicht in circle_photo() (runder Zuschnitt) oder horizontale Container einfügen – für runde Rahmen andere Bilder verwenden.
  • Raster mit mehreren Live-AI-Bildern: horizontal anordnen (4 Bilder 230×408) oder 3×2, nicht 2×2 anordnen, da schmale Bilder zwei große Lücken hinterlassen.

Sicherheitsabstand (Nutzer beanstandet Beschnitt)

Rechte Spalte: cx ≤ 806 und maxw ≤ 490 (sicherer Bereich für Reels).

Schritt 5 – Abspann anhängen & exportieren

# OUTRO konvertieren 30fps → 25fps
ffmpeg -i assets/co-dinh/OUTRO_TABCOM.mp4 -r 25 -c:v libx264 -crf 19 -preset medium -c:a aac -b:a 128k assets/co-dinh/OUTRO_25fps.mp4

# Video + Outro zusammenfügen
ffmpeg -f concat -safe 0 -i list.txt -c copy "$TABCOM_OUT"

Weitere Optimierung: Projekt in CapCut öffnen, Hintergrundmusik hinzufügen, finale Überprüfung.

Fehlerbehebung

ProblemLösung
BirefNet läuft ewig--frames 1 auf Stichprobe setzen; große Masken (≥1080p) auf 720p herunterskalieren
Caption-Text läuft übercaption(y=..., maxw=...) auf y < 1500 beschränken
Overlay deckt GesichtMit drawgrid vorher messen; y-Offset anpassen
Asset README fehltscripts/gen_asset_readme.py ausführen – generiert Vorlage

Wichtige Referenzen

  • scripts/tabcom_paths.py – Pfade, Fehlerbehandlung
  • scripts/10_scene_helpers.py – Layer, Capsule, Animation
  • cai-dat/README-cai-dat.md – Umgebungseinrichtung
  • tai-lieu/Phan-tich-video-mau.md – Beispielvideo-Analyse

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Verwandte Skills