Communitygithub.com

Treemation

Erstelle kurze vertikale 3D-Erklärvideos (9:16, Shorts/Reels/TikTok) vollständig per Code – mit Pixel-Skin-Moderator + Maskottchen, dynamischer Kamera, adaptiven Hintergründen, gelben Keyword-Untertiteln, Lippen-Sync, Soundeffekten und Thumbnail – in Bahasa Indonesia, synchronisiert mit einer ElevenLabs MP3-Erzählung. Automatischer 2-Schritt-Ablauf.

Was ist Treemation?

Treemation ist eine leistungsstarke AI-Agent-Fertigkeit, die es Entwicklern ermöglicht, professionelle 3D-Erklärvideos für Plattformen wie TikTok, Instagram Reels und YouTube Shorts vollständig in Code zu erstellen. Der Prozess ist zweigeteilt: In Schritt 1 generiert der Agent auf Basis einer Themenanfrage des Nutzers (z. B. „buat konten edukasi apa itu domain“) ein fertiges ElevenLabs-Skript mit Szenenplan, ohne das Thema im Chat zu erklären. In Schritt 2 verarbeitet er eine bereitgestellte MP3-Datei ohne Rückfragen direkt zu einem MP4-Video mit Thumbnail. Die Videos zeichnen sich durch ein Pixel-Skin-Moderator-Maskottchen, dynamische Kamerafahrten, adaptive Hintergründe, gelbe Keyword-Untertitel, Lippen-Synchronisation und Soundeffekte aus. Die Fertigkeit unterstützt die Ausführung über die Befehlszeile und erfordert Python, Node.js und gängige Tools wie ffmpeg. Sie ist ideal für Content-Ersteller, die schnell und effizient ansprechende Bildungsinhalte in Bahasa Indonesia produzieren möchten, ohne manuell schneiden oder animieren zu müssen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Adytm404/treemation/tree/HEAD/skills/treemation

In Ihrer bevorzugten KI fragen

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

Dokumentation

Treemation — 3D-Erklärvideos

Diese Fertigkeit produziert Videos wie das Beispiel in examples/zenhosta/ („Kok website bisa online?“): ein Pixel-Skin-Moderator (blockiger Sandkasten-Spielstil-Charakter mit einem pixeligen Anime-Gesicht), angepasst an den Kontext des Nutzers, das Maskottchen „Byte“, eine Kamera, die die Einstellungen wechselt (Gesichts-Nahaufnahme, Maskottchen-Nahaufnahme, 3D-Illustrationsfokus, Totale, Untersicht), Hintergründe, deren Thema dem Thema folgt, eine Schrittbeschriftung am oberen Rand mit einem Fortschrittsbalken, eine schwebende 3D-Bühne für Requisiten, 3D-Sets (ganze Räume/Orte – Rechenzentrum, Büro, Lager, Stadt oder eigene – aufgebaut hinter dem Moderator, der davor schwebt, dann fliegt die Kamera hinein), UI-Panels, die genau dann erscheinen, wenn ein Wort gesprochen wird, große Untertitel (Keywords in Gelb) und ein Moderator, dessen Mund der Stimme folgt.

Die gesamte Kommunikation mit dem Nutzer erfolgt auf Bahasa Indonesia (Skripte, Untertitel und Chat-Antworten).

Trigger-Regeln (zuerst lesen – ein Satz vom Nutzer reicht aus)

A. Der Nutzer nennt ein Thema – z. B. „buat konten edukasi apa itu domain“, „bikin video soal cara kerja email, CTA ke tokoku.id“, „konten tiktok: kenapa harga emas naik“.

  • Das ist eine Aufforderung, Inhalte zu erstellen, keine Frage. Erkläre das Thema nicht im Chat, fasse das Material nicht zusammen und frage nicht zurück („Welche Dauer?“, „Zielgruppe?“, „Mit CTA?“).
  • Gehe direkt zu Stufe 1 mit den folgenden Standardeinstellungen und antworte dann im Stufe-1-Format (references/output-format.md): fertig zum Einfügen ElevenLabs-Skript, Charakter, Thumbnail, Szenen- tabelle, Pfad zu video-plan.json. Schließe mit einem Satz: „Sende das MP3 von ElevenLabs, dann mache ich es sofort zum Video.“
  • Standardeinstellungen, wenn nicht anders angegeben: Dauer ±60–70 s (120–150 Wörter), 2–4 Schritte je nach Thema, Charakter aus karakter.md (Nutzerkontext → Nische → Voreinstellung raka), abschließender CTA „Folge für weitere Bildungsinhalte!“ (ohne Marke). Wenn der Nutzer eine Marke/URL nennt, verwendet der CTA diese. Jede Standardeinstellung kann später geändert werden – erwähne sie kurz in der Antwort, frage nicht zuerst.
  • Wenn das Thema von Fakten abhängt, die sich ändern können (Preise, Vorschriften, aktuelle Daten) und du Webzugriff hast, überprüfe sie zuerst; ansonsten schreibe ein Skript, das nicht auf aktuellen Zahlen beruht.

B. Der Nutzer sendet eine MP3-Datei (mit oder ohne Nachricht) – führe Stufe 2 bis zum Ende aus, ohne um Bestätigung zu bitten: Finde das Projekt, aligniere, schreibe scenes.js, überprüfe Standbilder, rendere, Thumbnail, kodiere, überprüfe das Ergebnis und antworte dann im Stufe-2-Format.

  • Projekt finden: python <skill>/scripts/find_project.py listet Projekte und deren Status auf. Verwende das Projekt, dessen plan.json existiert, aber noch kein Audio hat (neuestes). Der MP3-Dateiname oder eine Nutzernachricht, die das Thema nennt, hat Vorrang vor der chronologischen Reihenfolge. Frage nur eine kurze Frage, wenn mehrere Kandidaten gleichermaßen plausibel sind.
  • Kein Projekt vorhanden → bitte den Nutzer, den in ElevenLabs vorgelesenen Text einzufügen (Alignment benötigt den genauen Text), dann erstelle plan.json um diesen Text herum, ohne seine Wörter zu ändern, und fahre mit Stufe 2 fort.
  • Audiodauer weit von der Schätzung entfernt (> 25 %) oder align.py kennzeichnet viele Phrasen mit <-- cek → der Text wurde wahrscheinlich in ElevenLabs bearbeitet. Frage nach dem verwendeten Text, aktualisiere die Erzählung im Plan und wiederhole den Vorgang.
  • Die einzigen Gründe, die Ausführung abzubrechen: eine fehlende Abhängigkeit (erlaube einmal die Installation) oder ein Fehler, den du nicht selbst beheben kannst.
  • Ein vollständiger Render kann eine Weile dauern; führe ihn im Hintergrund aus, erstelle in der Zwischenzeit das Thumbnail und sende kurze Fortschrittsupdates, wenn die Sitzung dies unterstützt.

C. Der Nutzer bittet um eine Überarbeitung („Ändere den Charakter zu einer Frau mit Hijab“, „Thumbnail-Titel ist kürzer“, „Markenfarbe blau“) → ändere plan.json/scenes.js im selben Projekt. Vorhandensein einer MP3: sende nur die Teile der Stufe-1-Antwort erneut, die sich geändert haben. Wenn sich die Erzählung ändert, erinnere den Nutzer daran, dass die MP3 neu generiert werden muss. Nachdem das Video fertig ist: rendere nur das Nötige neu (nur Thumbnail oder das gesamte Video).

Das Chat-Antwortformat für beide Stufen ist in references/output-format.md – befolge es genau.

Projektordner

Ein Video = ein Ordner video-<Kurz-Thema>/ (Kleinbuchstaben, Bindestriche, z. B. video-apa-itu-domain) im Arbeitsverzeichnis. Erstelle ihn in Stufe 1 und richte ihn einmal ein:

python <skill>/scripts/setup_project.py video-<Thema>

Dies kopiert die Engine (index.html, engine.js, pixelchar.js), installiert three.js + Schriftarten + Symbole via npm, erstellt icons.js und prüft ffmpeg/numpy/playwright. Wenn eine Zeile mit PERLU: beginnt, installiere zuerst, was darin genannt wird (frage den Nutzer um Erlaubnis, bevor du etwas auf seinem System installierst).

Ordnerinhalte nach Fertigstellung: plan.json (du schreibst es), scenes.js (du schreibst es), narasi.mp3, naskah-elevenlabs.txt, video-plan.json, timeline.js/json, frames/, previews/, video.mp4.

Stufe 1 – Konzept → Skript + Szenenplan

  1. Lies references/naskah-dan-plan.md (wie man das Skript schreibt, das plan.json-Schema, die Liste der Posen, Ausdrücke, Maskottchen-Aktionen und Soundeffekte).
  2. Wähle den Moderator-Charakter aus dem Kontext des Nutzers (lies references/karakter.md) und schreibe ihn in die characters in plan.json. Führe python <skill>/scripts/preview_characters.py <Projekt> --plan aus und sieh dir das Ergebnis an; füge previews/karakter.png nach Möglichkeit in die Antwort ein.
  3. Lies references/hook.md. Schreibe 3 Hook-Versionen (verschiedene Typen) und wähle den stärksten für den ersten Erzählsatz + hook in plan.json (großer Bildschirmtext, Alternativen). Szene 1 muss die Drei-Schicht-Regel erfüllen: eine starke Einstellung bei @start, ein Soundeffekt beim ersten Wort, keine Begrüßung/Einführung.
  4. Schreibe plan.json: 6–9 Szenen, die Hook → Einführung (Anzahl der Punkte) → Schritte 1..n → Zusammenfassung → CTA folgen, plus thumbnail (Titelbild, anzuzeigende Requisiten, Ausdruck des Moderators) – siehe den Abschnitt „Thumbnail“. Plane die shots und den background jeder Szene gleichzeitig (Abschnitte „Shot kamera“ und „Latar adaptif“. Ziel: 120–150 Wörter insgesamt (≈ 60–70 Sekunden in ElevenLabs). Wenn ein Schritt einen Ort betrifft (Serverraum, Lager, Büro, Straße, Klassenzimmer, Fabrik…), lies references/sets.md und verwende set für diese Szene (1–2 Sets pro Video): Der Moderator schwebt vor einem 3D-Raum, die Kamera bewegt sich zu dem in der Erzählung genannten spot:, mark zeigt auf seine Teile, fx erweckt es zum Leben. Ein Ort, der nicht zu den integrierten Sets gehört → baue ihn mit defineSet() in scenes.js (Stufe 2).
  5. Führe python <skill>/scripts/plan_timing.py <Projekt> aus → erstellt video-plan.json (geschätzte Zeitmessung) und naskah-elevenlabs.txt. Überprüfe die Ausgabe: Jedes Trigger-Wort muss gefunden werden, es muss „Cek hook: OK“ ausgeben und bei Verwendung von Sets „Cek set 3D: OK“ – behebe jede ⚠ Warnung und führe es erneut aus. Optional für Videos mit Sets: plan_timing.py <Projekt> --preview schreibt auch eine geschätzte timeline.js, sodass render.py --stills überprüfen kann, wie das Set aussieht, bevor die MP3 existiert (benötigt scenes.js; in Stufe 1 reicht eine einzelne Zeile: import { register } from './engine.js'; register({});).
  6. Antworte dem Nutzer im Stufe-1-Format aus references/output-format.md: fertig zum Einfügen Skriptblock, Aussprachehinweise, Szenentabelle mit Minuten und den Pfad zu video-plan.json. Frage nach der MP3.

Stufe 2 – MP3 → Video

  1. Speichere das Audio als <Projekt>/narasi.mp3.
  2. Stelle sicher, dass die Erzählung in plan.json genau dem vorgelesenen Text entspricht (der Nutzer kann das Skript in ElevenLabs bearbeitet haben – frage nach, wenn unsicher, oder überprüfe die Dauer: eine große Abweichung von der Schätzung bedeutet, dass der Text unterschiedlich ist).
  3. python <skill>/scripts/align.py <Projekt> --whisper → synchronisierte timeline.js, timeline.json, video-plan.json. Mit --whisper (benötigt pip install faster-whisper; der erste Model-Download ist ±500 MB) stammt die Zeitmessung jedes Wortes aus echter Spracherkennung, sodass Karaoke-Untertitel und Lippen-Sync genau landen; ohne wird Pausen + Silbenausrichtung verwendet. Wenn faster-whisper nicht installiert ist, fällt das Skript automatisch auf die alte Methode zurück. Sieh dir die Phrasenliste an: Zeilen mit <-- cek haben verdächtige Dauern, normalerweise weil der Text von den Audiodaten abweicht oder ElevenLabs an einer unerwarteten Stelle pausiert hat. Korrigiere den Text im Plan, falls nötig, und führe es erneut aus.
  4. Lies references/engine-api.md (und references/sets.md wenn der Plan set verwendet), dann schreibe <Projekt>/scenes.js. Beginne damit, die Muster in examples/zenhosta/scenes.js zu kopieren. Alle Zeiten verwenden T(szeneId, 'wort'), niemals rohe Sekunden – so bleibt alles synchron, wenn das Audio ersetzt wird.
  5. Visuelle Überprüfung vor dem vollständigen Render: python <skill>/scripts/render.py <Projekt> --stills <3–4 Sekunden pro Szene> dann sieh dir die Bilder in <Projekt>/previews/ an. Nimm mindestens ein Standbild pro Einstellung (bei Sets: eines pro spot: und eines während das Set aufgebaut wird). Überprüfe: Panels verdecken nicht das Gesicht des Moderators, nichts wird an den Rändern abgeschnitten, Untertitel sind lesbar, Requisiten erscheinen auf der Bühne, keine Seitenfehler. Korrigiere und wiederhole, bis sauber. Dies ist der wichtigste Schritt für die Qualität. Um Bewegung zu überprüfen (Charaktere treten zur Seite, Hintergrundübergänge, Kameraschnitte), rendere einen kurzen Clip mit Ton: python <skill>/scripts/render.py <Projekt> --clip 10 18 → previews/clip_10-18.mp4.
  6. Vollständiger Render: python <skill>/scripts/render.py <Projekt> (fortsetzbar bei Unterbrechung; --workers N für viele CPU-Kerne). Wenn der Computer eine Grafikkarte hat, überprüfe zuerst render.py <Projekt> --gpu --check-gpu; wenn der Renderer nicht SwiftShader ist, rendere mit --gpu (3–10× schneller). Vergleiche ein --gpu-Standbild mit der CPU-Version vor dem vollständigen Render. Ungefähr 0,3–0,6 s pro Bild pro Worker. Führe es im Hintergrund aus und überwache den Fortschritt, wenn es lange dauert.
  7. Hintergrundmusik: Wenn der Nutzer eine Musikdatei sendet (oder music in plan.json gesetzt ist), verwende sie mit automatischer Ducking (die Musik wird leiser, während die Erzählung spricht). Ohne Datei verwende --music auto (einfach codegenerierte, lizenzfreie Musik) und erwähne in der Antwort, dass der Nutzer sie durch Musik seiner Wahl ersetzen kann – verwende niemals urheberrechtlich geschützte Songs.
  8. Thumbnail: python <skill>/scripts/thumbnail.py <Projekt> → <Projekt>/thumbnail.png (1080×1920 Cover) und previews/thumbnail-cek.png (Sicherheitsbereich-Richtlinien). Sieh dir das Kontrollbild an: Titel und Gesicht des Moderators innerhalb der roten Box, Titel bedeckt nicht das Gesicht, Requisiten sichtbar. Passe props_from, stage oder title_y an und wiederhole. Kann während des vollständigen Renders durchgeführt werden.
  9. python <skill>/scripts/encode.py <Projekt> <Name>.mp4 [--music datei.mp3|auto] → Soundeffekte werden automatisch generiert, leise unter der Erzählung gemischt (+ Musik mit Ducking), dann zu einem 1080×1920 30 fps H.264 + AAC MP4 kodiert.
  10. Überprüfe ein paar Frames der endgültigen MP4 (ffmpeg -ss <Sekunden> -frames:v 1), dann antworte im Stufe-2-Format aus references/output-format.md.

Prinzipien

  • Erst Synchronisation, dann Optik. Jedes visuelle Element erscheint zu dem Wort, das es erklärt. Ein Panel, das vor dem Wort erscheint, das es erklärt, wirkt falsch.
  • Hook vor Inhalt. Die ersten 3 Sekunden entscheiden, ob das Video angesehen wird: Hook- Satz ≤ 14 Wörter ohne Begrüßung, großer Bildschirmtext, der nicht die Erzählung kopiert, Charaktere/Requisiten bewegen sich ab dem ersten Frame, und das Versprechen wird bereits vor Sekunde 8 eingelöst (references/hook.md).
  • Eine lebendige Kamera, keine statische. Jede Szene hat mindestens 2 Einstellungen (host_close, host_medium, mascot_close, illustration, wide, low_angle) mit einem Schnitt oder einer Bewegung auf dem richtigen Wort – Nahaufnahmen für Hook/Pointe/CTA, illustration während Requisiten besprochen werden (die Charaktere verschwinden oder gleiten zuerst aus dem Bild, dann zurück), mascot_close für Reaktionen. UI-Panels müssen innerhalb der Sicherheitszone der aktiven Einstellung bleiben.
  • Hintergründe folgen dem Thema. Jede Szene (oder jedes Schlüsselwort) hat einen background: Farbthema, Partikelmuster und Motivsymbole, die zum Inhalt passen – Kälte verwendet Eisblau + Schnee, Server verwenden Binärcode, der CTA verwendet warme/Markenfarben. Ein statischer einfarbiger Hintergrund für das gesamte Video wirkt langweilig.
  • Der Mund folgt Vokalen. Lippen-Sync verwendet 5 Mundformen A, I, U, E, O, die der Vokalreihenfolge jedes Wortes folgen – „aku mau makan“ → A U A U A A – und schließt bei Pausen. Fremdwörter werden gemäß ihrer Aussprache via pronunciation gelesen (references/karakter.md).
  • Charaktere blockieren nie die Kamera. Wenn der Fokus auf einer Illustration liegt, verschwinden die Charaktere entweder sofort (hide, für Schnitte) oder gleiten gerade zur Seite, bevor die Kamera sich bewegt (slide, für Bewegungen) – keine Drehungen, kein Vor-die-Kamera-Laufen. Für Abwechslung (nur bei Bedarf) kann ein Charakter von unten, von der Seite oder von oben via enter erscheinen.
  • Ein Ort wird zur Bühne, nicht zum Hintergrund. Wenn die Erzählung über einen Ort spricht, baue ihn als 3D-Set hinter dem Moderator (nicht als Hintergrundbild): Der Moderator schwebt davor und erklärt, dann bewegt sich die Kamera in den erwähnten Teil und zurück zum Moderator. Einzelne Objekte bleiben auf der schwebenden Insel.
  • Eine Idee pro Moment. Der obere Bereich (y 230–900 px) enthält jeweils eine Hauptsache: ein UI-Panel oder eine große 3D-Requisite. Lösche die Elemente der vorherigen Szene.
  • Kontextangepasste, aber originelle Charaktere. Der Pixel-Skin-Moderator wird aus einer Spezifikation (Voreinstellung + Frisur, Outfit, Farben, Accessoires, Hijab) erstellt, die aus der Beschreibung des Nutzers, der Marke und der Nische ausgewählt wird. Kopiere keine Skins/Charaktere von anderen Erstellern, Spielfiguren oder Markenmaskottchen – übernimm von Referenzbildern nur den Stil.
  • Genaue Fakten. Erziehungsskripte müssen korrekt sein; Beispielzahlen verwenden Dokumentations- bereiche (z. B. IP 203.0.113.x) oder klare Bezeichnungen. Erfinde niemals Statistiken.
  • Ehrlicher CTA. Gib die Marke/URL des Nutzers wie angegeben an, ohne Behauptungen, die er nicht gemacht hat (Preise, Angebote, „die besten“, fake Fristen).
  • Jede Sekunde lebendig. Karaoke-Untertitel, ein Zoom-Jump auf Keywords, ein Nicken auf betonte Wörter, Blicke auf das, worauf gezeigt wird, Zahlen werden

[Fortsetzung folgt – Übersetzung des restlichen Markdowns]

Verwandte Skills