paxon-yang/talking-video-skills

Ein Satz zum fertigen Clip: Haupt-Einstieg

Ziel: Der Benutzer sagt nur die Anforderung, Claude erledigt alles – Skript, Untertitel, Animationen, Sounddesign, Rendering, Selbstprüfung, Cover und Werbetext – und liefert ein fertiges Video. Frag nicht bei jedem Schritt nach, lass den Benutzer nicht Dinge bestätigen, die du selbst entscheiden kannst.

Erst die Materialien prüfen (30 Sekunden vor Arbeitsbeginn)

Vergleiche mit der Materialliste in ../video-asset-prep/SKILL.md: Digitaler Avatar (nur für Version mit Sprecher), Stimme, Bausteine-Bibliothek, festes Framework. Fehlt etwas, gehe dorthin und besorge es, mach nicht einfach weiter; die reine Effekt-Version benötigt keinen Avatar. Sind alle Materialien da, läuft alles automatisch ab.

0. Anforderungen erfassen (maximal einmal fragen, drei Fragen gebündelt)

Frage nur nach Dingen, die die Struktur des fertigen Clips ändern und nicht per Voreinstellung festlegbar sind. Alles, was der Benutzer nicht beantwortet, läuft per Standard:

Frage	Standard
Thema und Standpunkt (ein Satz oder grober Entwurf)	Muss vorhanden sein
Tritt ein digitaler Avatar auf?	Nein (reine Effekte). Ja → benötigt dann das Avatar-Bild und Sprachaufnahme des Benutzers
Woher kommt die Sprachaufnahme?	Der Benutzer erzeugt die Audiodatei mit seiner Klonstimme und schickt sie; ist keine vorhanden, verwende systemeigenes TTS als Platzhalter, führe den gesamten Workflow durch, und wenn die echte Aufnahme kommt, führe nur die Synchronisation erneut aus

Feste Standards: 1920×1080, 30fps, 60–80 Sekunden, kein Hintergrundmusik (nur Stimme + Soundeffekte, Musik fügt der Benutzer selbst hinzu), Untertitel-Kapseln, helles oder dunkles Farbschema je nach Thema, fertiger Clip −16 LUFS, Cover horizontal und vertikal je ein Paar, ein einzeiliger Werbetext.

1. Pipeline (automatisch ablaufend)

Schritt	Was tun	Wer	Ergebnis / Abnahme
S1 Skript	Auf 8–12 mundgerechte Sätze kürzen: pro Satz ≤20 Zeichen, ein Satz eine Bedeutung, Zahlen als eigenen Satz; KI-Look vermeiden (kurze Sätze, Umgangssprache, wenig Parallelstrukturen); Fakten prüfen; Zeichenzahl ≈ Laufzeit × 4,8	Claude	script_lines.json; Nur bei Faktenfragen den Benutzer stören
S2 Sprachaufnahme	Skript an die Aussprache des Aufnahmewerkzeugs anpassen (Abkürzungen wie A I Buchstabe für Buchstabe schreiben) → Benutzer erzeugt Audiodatei → lokale Pausen auf max. 0,4 s begrenzen	Benutzer liefert Audiodatei	voice.mp3; Dies ist der einzige Schritt, bei dem auf den Benutzer gewartet werden muss (falls nicht vorhanden, Platzhalter)
S3 Synchronisation	Whisper forceta auf Wortebene → Untertitel nach Wörtern schneiden → Startzeitpunkte mit Wellenform unabhängig prüfen	Claude	words.json subs.json; Untertitelstart ≤3 Frames
S4 Avatar (optional)	Browser steuert Avatar-Werkzeug: Audiodatei hochladen → generieren → herunterladen. Authentifizierung, Bezahlung, Löschung nur durch den Benutzer	Claude + Benutzer	Greenscreen-mp4
S5 Keying (optional)	Chroma Key + Kantenerweiterung → VP9 alpha WebM; Decodierungskurven-Kompensation; Lippenbewegung 3 Frames voraus	Claude	key_host.py
S6 Kameraplan	Alle Kamerazeiten aus der wortgenauen Zeitleiste ableiten (Schnittpunkt 6 Frames vor Satzanfang), keine manuellen Frame-Nummern	Claude	timeline.ts als einzige Quelle der Wahrheit
S7 Animationen	Pro Satz eine Kameraeinstellung, eine Kamera, ein Fokus; alle Tippeffekte mit Schreibmaschinen-Animation und in typing.ts eintragen; Soundeffekte nach Ereignis generieren	Claude	Siehe ae-motion-craft
S8 Rendering	Segmentiert + Watchdog: Kein neuer Frame nach 5 Minuten → Prozess abbrechen und max. 3× wiederholen; Start-/Endzeiten jedes Segments ins Log schreiben	Claude	Segmentierte mp4 → zusammenfügen → mixen
S9 Selbstprüfung	Siehe Checkliste in Abschnitt 3; an echten Dateizeitstempeln und Logs prüfen, nicht nach Gefühl sagen „Fast fertig“	Claude	Prüftabelle
S10 Verpackung	Horizontal + vertikales Cover (Hauptmotiv + Alternative), Thumbnail-Größe prüfen, einzeiliger werbewirksamer Text	Claude	4 Cover + Text

2. Nur vom Menschen durchführbare Schritte (alles andere selbst erledigen)

Audiodatei-Generierung, Avatar-Authentifizierung, Zahlungsbestätigung, Konto/Profil löschen, finale ästhetische Abnahme. Wenn du darauf stößt, erkläre in einem Durchgang, was benötigt wird, nicht in mehreren Nachfragen.

3. Selbstprüfliste (vor Auslieferung pro Punkt ✓/✗/Wert)

• Laufzeit: Videounterschied zur Audiodauer ≤0,05 s; ffprobe 1920×1080 / 30fps / BT.709
• Lautstärke −16 LUFS (Stimme + Soundeffekte), Spitze < −1 dBFS; Soundeffekte mindestens 10 dB leiser als Stimme
• Untertitel: Zeilenstartabweichung von Wellenform ≤3 Frames, keine Zeitüberlappungen, ein einheitlicher Stil
• Anteil violetter Pixel (falls violette Linien vermieden werden sollen) <0,2%; Schnitt alle 2 Frames ohne harte Sprünge
• Jeder Schreibmaschinenblock: Zeichenanzahl = Anzahl der Tastengeräusche
• Bild enthält keine Drittmarken/echte Personen/interne Dateinamen; Text in chinesischen Videobildern allgemein verständlich
• Rendering-Zeitstempel später als letzte Änderung; Log enthält keine fehlgeschlagenen Segmente

4. Eiserne Regeln (aus Fehlern gelernt)

1. Nicht den Grund raten: Hängt das Rendering, prüfe zuerst die Datei-Änderungszeit vs. aktuelle Zeit, lies das vollständige Log, dann ziehe Schlüsse.
2. Nicht den Benutzer zum Aufseher machen: Lange Aufgaben mit Zeitstempeln versehen; bleibst du stecken, erkenne es selbst und wiederhole.
3. Zuerst Standbilder/Niedrigauflösungsvorschau zur Selbstkontrolle erstellen, dann 1080p rendern.
4. Untertitel müssen wortgenau synchron sein, niemals nach Zeichenanzahl schätzen.
5. Kein Hintergrundmusik; keine erklärenden Kleinschriften; in hellem Hintergrund keine großen dunklen Flächen; kein Violett verwenden.
6. Bei einer konkreten Benutzer-Rückmeldung nur die betroffenen Szenen neu machen, nicht das gesamte Video.
7. Nach Auslieferung nicht den gesamten Vorgang wiederholen, sondern angeben: Speicherort, was geändert wurde, bekannte Mängel, Cover, einzeiliger Werbetext.

5. Verwandtes

• Materialbeschaffung (Avatar / Stimme / Bausteine / festes Framework): ../video-asset-prep/SKILL.md
• Details zu diesem Skill in references/: Skript und Hooks (hooks-and-copy, thinking, templates), Storyboard und Bildkomposition (visual-mapping, motion-and-camera, packaging), Untertitel-Synchronisation (subtitle-sync), Komfortregeln (comfort-rules), vollständiger Workflow (production-playbook), Sprecher-Fusion (hosted-video-fusion), Rendering und Pipeline (remotion-pipeline, promo-and-hosted-pipeline), Soundeffekte (motion-polish-and-sfx), Zusammenarbeit (collaboration), Chinesisch/Englisch (english), Cover-Material (gemini-asset-prompts).
• references/legacy-combo-style-SKILL.md ist die alte Übersicht vor der Aufspaltung, nur zum Nachschlagen; die darin genannten Dateipfade beziehen sich auf das aktuelle Verzeichnis.
• Skripte: scripts/, ../../pipeline-scripts/; vollständige Methodik: ../../方法论-制作篇.md