Communitygithub.com

yt-video

YouTube-Videos als Code: Erstelle Shorts (9:16, 1080×1920) und Langformate (16:9, 1080p oder 4K). HTML-Seiten, animiert mit seek(t), vertont mit OmniVoice (lokale TTS mit Stimmklonung und Sprachdesign via MCP), optionaler code-generierter Musik, gerendert zu MP4 mit ffmpeg und verifiziert per Skript.

Was ist yt-video?

yt-video ist ein KI-Agenten-Skill, mit dem du YouTube-Videos vollständig aus Code erstellst – sowohl Shorts (vertikal, 9:16) als auch Langformate (horizontal, 16:9, bis zu 4K). Der Workflow ist modular: Du schreibst ein `script.json`, das Szenen und deren visuelle Änderungen definiert, lässt die Sprachausgabe mit OmniVoice (TTS mit Stimmklonung; über MCP erreichbar) erzeugen, baust HTML-Seiten mit der integrierten Animationsbibliothek `kit.js` und renderst alles mit Playwright und ffmpeg zu einem MP4-Video. Der Skill enthält eine Pipeline (`short.py`), die Timeline-Erstellung, Prüfung, Musikgenerierung (nur auf Wunsch), Audiomixing, Rendering und abschließende Verifikation (Größe, Seitenverhältnis, Codec, A/V-Sync, Lautstärke etc.) automatisiert. Acht vorgefertigte Stilvorlagen (z.B. 3Blue1Brown, KodeKloud, Fireship, Kurzgesagt) helfen, das Erscheinungsbild anzupassen; für Langformate werden Kapitel, SRT-Untertitel und Thumbnails erstellt. Der Skill ist für Claude Code, Cursor und Codex geeignet, basiert auf einer `SKILL.md`-Dokumentation und erfordert Python, Node.js und Playwright.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Shyamnath-Sankar/video-generation-skill/tree/HEAD/yt-video

In Ihrer bevorzugten KI fragen

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

Dokumentation

YouTube-Videos aus Code: Shorts und Langformate

Du baust ein Video so, wie es ein Motion Designer tun würde, aber in Code: HTML-Seiten zeichnen jeden Frame aus einem Zeitwert, die Erzählung setzt das Timing, und Skripte rendern, mischen und beweisen, dass das Ergebnis gültig ist, bevor es jemand hochlädt.

script.json ──► OmniVoice (MCP) ──► voice/*.wav ──► timeline.py ──► timeline.js ─────────┐
   │ Format: short | long | long-4k                                                         ▼
   └─ Stilvorlage ─► style.css / style.js ─────────────────────► page(s).html (seek(t), K.layout pro Format)
                                                                     │ check_page ► stills ► render (gecachte Chunks)
Musik (nur wenn gewünscht) ─► make_music.py ─┐                            ▼
Soundeffekte (CC0) ───────────────────────────┴─► mix_audio.py ─► mix.wav ─► mux ─► final.mp4 ─► verify_video.py
                                          (Langformat auch: chapters.txt, captions.srt, thumbnail.jpg)

$SKILL unten bezeichnet den Ordner dieses Skills. Alles läuft über ein CLI: python3 $SKILL/scripts/short.py <befehl>.

Formate

shortlonglong-4k
Frame1080×1920 (9:16)1920×1080 (16:9)Seite 1920×1080, Ausgabe 3840×2160
Länge≤ 180 s (optimal < 60 s)beliebig (typ. 5–15 min)beliebig
Sicherheitszonex 60–940, y 288–1440 (Shorts-UI)x 96–1824, y 54–1026 (Titelsicher)wie long
Untertiteleingebrannt (Stil-Look)captions.srt für YouTube; Einbrennen optionalwie long
Extras—Kapitel, eine Seite pro Kapitel, Thumbnail 1280×720wie long

Profile leben in engine/formats.json. Seiten verwenden K.W/K.H und eine K.layout({short, long})-Tabelle, sodass ein Projekt in beiden Formaten erstellt werden kann. Lies reference/long-form.md für alle 16:9-Videos.

Was im Ordner ist

PfadWas es ist
scripts/short.pyDie Pipeline-CLI: doctor, styles, init, style, kit, timeline, check, stills, thumb, music, mix, render, mux, verify, build
scripts/timeline.pySprachdauern → Szenen-Timings, Wort-Cues, Untertitel, SFX-Cues, Beat-Snapping, Seiten-Segmente, Kapitel, SRT
scripts/import_voice.pyEinen OmniVoice-Clip importieren: konvertieren, Stille trimmen, fehlerhafte TTS-Aufnahmen ablehnen
scripts/make_music.pySynthetisierte Hintergrundmusik (7 Stimmungen), auf dem Beat-Raster, beliebige Länge. Nur wenn der Benutzer nach Musik fragt
scripts/mix_audio.pyStimme + Musik (geduckt) + SFX → −14 LUFS, True Peak ≤ −1,5 dBTP
scripts/verify_video.pyDas Korrektheits-Gate: Größe, Seitenverhältnis, Codec, fps, Frame-Anzahl, A/V-Sync, Lautstärke, schwarze/eingefrorene Frames, Kapitel, Sicherheitszonen-Blatt
engine/formats.jsonFormat-Profile (Größen, Sicherheitszonen, Untertitel-Standards, Limits)
engine/render.cjsPlaywright-Aufnahme → ffmpeg H.264 (Bewegungsunschärfe, Frame-Bereiche, 2× Aufnahme für 4K), Kontaktbögen
engine/check_page.cjsPre-Render-Prüfungen: Seitenvertrag, Schriften, Determiniertheit, Sicherheitszone, Untertitel, Textgröße, leere Frames
engine/kit.jsDas Animations-Toolkit (Federn, Cues, Untertitel, Übergänge, Layouts pro Format, Manim-artiges Zeichnen/Schreiben)
template/Ein vollständiges funktionierendes Video (editorial style), das in beiden Formaten erstellt wird
styles/8 Stilvorlagen: style.json + STYLE.md; 3b1b-math und kodekloud-devops haben vollständige Demos in beiden Formaten
assets/Schriftarten (OFL/MIT) und CC0-Soundeffekte
reference/Lies diese, wenn du den passenden Schritt erreichst (Tabelle am Ende)

Arbeitsablauf

0. Einrichtung (erste Installation auf einem Rechner)

bash $SKILL/scripts/setup.sh          # playwright + chromium in ~/.cache/yt-video, numpy/scipy
python3 $SKILL/scripts/short.py doctor

1. Briefing (eine Runde Fragen, dann arbeiten)

Frage in einer Nachricht (AskUserQuestion, falls verfügbar); überspringe, was der Benutzer bereits gesagt hat:

  1. Format: Short (9:16) oder Langformat (16:9, 1080p oder 4K). Leite es ab, wenn es offensichtlich ist ("ein Short", "ein 10-minütiges Video").
  2. Thema und die eine Sache, an die sich der Zuschauer erinnern soll. Ein Skript, Artikel oder eine URL, falls vorhanden.
  3. Stil: short.py styles. Standard: editorial. Lies styles/<name>/STYLE.md, sobald ausgewählt.
  4. Stimme: Klonen (Referenzclip + dessen Transkript), Design ("weiblich, jung, tiefe Stimme, britischer Akzent") oder Standard. Siehe reference/voice-omnivoice.md.
  5. Musik: Aus, es sei denn, der Benutzer fragt danach. Falls ja: Stimmung (make_music.py --list). Füge niemals Musik hinzu, die nicht gewünscht wurde.
  6. Länge: Shorts 20–45 s (max. 180). Langformat: deren Ziel; plane Kapitel.

2. Skript schreiben, dann Genehmigung einholen

Lies reference/shorts-design.md (Shorts) oder reference/long-form.md (16:9). Schreibe script.json (Schema in reference/page-contract.md): eine Idee pro Szene; das visual jeder Szene benennt, auf welches gesprochene Wort jede visuelle Änderung fällt; Langformat-Szenen erhalten chapter-Titel und, bei längeren Videos, eine page pro Kapitel. Zeige dem Benutzer die Szenentabelle (id, Zeile, Visual, Cue-Wörter; Kapitel für Langformat) und warte auf Genehmigung oder Änderungen, bevor du Audio generierst. Erfinde niemals Fakten, Zahlen, Zitate oder Ergebnisse; Beispielwerte in UI-Mockups sind in Ordnung und werden als illustrativ gekennzeichnet.

3. Projekt erstellen

python3 $SKILL/scripts/short.py init videos/<slug> --style <style> --format short|long|long-4k

Kopiert die Vorlage (oder das demo/ des Stils), kit.js, Schriftarten und Stil-Token. Lege dein genehmigtes script.json ein (behalte dessen format).

4. Erzählung mit OmniVoice (MCP) → voice/<scene-id>.wav

Folge reference/voice-omnivoice.md: Finde die OmniVoice-MCP-Tools, generiere einen Clip pro Szene mit denselben Stimmeinstellungen, importiere dann jeden:

python3 $SKILL/scripts/import_voice.py <clip> videos/<slug> <scene-id> --text "<die Zeile>"

Es schlägt bei stillen, abgeschnittenen oder unplausibel schnellen/langsamen Aufnahmen fehl – generiere diese neu. Falls OmniVoice nicht erreichbar ist, sage dies; du kannst die Visuals trotzdem mit geschätzten Timings bauen und die Stimme später hinzufügen.

5. Timeline

python3 $SKILL/scripts/short.py timeline videos/<slug>

Schreibt timeline.js (Szenen- und Wortzeiten, Segmente, Kapitel) plus out/captions.srt und, mit Kapiteln, out/chapters.txt. Visuelle Änderungen treffen auf Wörter durch K.cue('szene', 'wort').

6. Die Seite(n) bauen

Lies reference/page-contract.md, reference/kit-api.md, reference/scene-patterns.md und das STYLE.md des Stils. Gib jedem Layout einen K.layout({short, long})-Eintrag, wenn das Video in beiden Formaten existieren könnte. Jede visuelle Änderung sitzt auf einem Cue-Wort.

7. Prüfen vor dem Rendern (günstig, fängt die meisten Fehler)

python3 $SKILL/scripts/short.py check  videos/<slug>      # jede Seite muss BESTEHEN
python3 $SKILL/scripts/short.py stills videos/<slug>      # out/stills*.png, Sicherheitszone in Rot

Sieh dir die Stills selbst an. Korrigiere alles Leere, Abgeschnittene, Überlappende, Unlesbare, Stilabweichende oder nicht zum passenden Wort Gehörende. Frame 0 muss bereits den Hook zeigen.

8. Musik (nur wenn gewünscht) und Mix

python3 $SKILL/scripts/short.py music videos/<slug>       # Nichts zu tun, wenn Musik aus ist
python3 $SKILL/scripts/short.py mix   videos/<slug>

Siehe reference/music-and-sound.md.

9. Entwurf → Überprüfung → Final

python3 $SKILL/scripts/short.py build videos/<slug> --draft   # 30 fps, keine Bewegungsunschärfe, 1080p: schnelle Überprüfungskopie
python3 $SKILL/scripts/short.py build videos/<slug> --final   # Bewegungsunschärfe, crf 16, 4K bei long-4k

build führt timeline → check → music → mix → render → mux → verify aus und stoppt beim ersten Fehler. Renderings werden in Blöcken erstellt und gecacht, sodass ein erneuter Build nach einer Bearbeitung nur das Geänderte wiederholt. Sende zuerst den Entwurf; sage, wie lange das Finale dauern wird, bevor du es startest (Langformat-Finals können eine Weile dauern; führe sie im Hintergrund aus).

10. Verifizieren und ausliefern

verify_video.py läuft innerhalb von build; das MP4 ist erst fertig, wenn es VERIFY PASSED ausgibt. Öffne out/verify_sheet_<mode>.png (Frame 0 + ein Frame pro Szene, UI/Sicherheitszonen in Rot) und sieh es dir an. reference/verification.md erklärt jede Prüfung.

Für Langformat führe auch short.py thumb videos/<slug> aus (oder rendere eine dedizierte thumbnail.html).

Liefere: das MP4, den Projektordner (index.html wird im Browser mit dem echten Soundtrack als Vorschau angezeigt) und eine kurze Notiz: Szenen oder Kapitel, was illustrativ ist, Stimmeinstellungen, Musikstimmung (oder "keine Musik"), die Verify-Zusammenfassung (LUFS, True Peak, Dauer); für Langformat auch chapters.txt, captions.srt und das Thumbnail. Du kannst nicht hören: Gib dem Benutzer Zeitstempel, die er mit dem Ohr prüfen kann (der Hook, der geschäftigste SFX-Moment, der lauteste Musikmoment, jeder Kapitelstart).

Wichtigste Regeln

  • seek(t) ist eine reine Funktion der Zeit. Kein Math.random, Date.now, CSS-Animationen/-Übergänge oder Timer im Render-Pfad. Der Prüfer setzt dies durch.
  • Text bleibt innerhalb der Sicherheitszone des Formats. Verwende niemals fest codierte 1080/1920: Nutze K.W, K.H, K.SAFE, K.layout.
  • Bei Frame 0 ist etwas Sinnvolles auf dem Bildschirm; alle 1–2 s (Shorts) oder alle paar Sekunden (Langformat) bewegt sich etwas.
  • Visuelle Effekte treffen auf gesprochene Wörter (K.cue), nicht auf geschätzte Zeiten.
  • Musik nur auf Anfrage. Soundeffekte folgen dem Stil-Standard (der Benutzer kann sie deaktivieren).
  • Stile sind inspiriert von den genannten Erstellern; verwende niemals deren Logos, Maskottchen, Charaktere, Intros oder Namen auf dem Bildschirm.
  • Sage niemals, dass das Audio "gut klingt" — berichte die gemessenen Zahlen und die zu prüfenden Zeitstempel.

Referenzdateien

Lies, wennDatei
Einen Short schreibenreference/shorts-design.md
Alles 16:9 / Langformatreference/long-form.md
Seiten bauen, script.json-Schemareference/page-contract.md
Das Toolkit verwendenreference/kit-api.md
Szenen entwerfenreference/scene-patterns.md
Stil auswählen/erstellenstyles/README.md, styles/<name>/STYLE.md
Erzählung generierenreference/voice-omnivoice.md
Musik und Soundeffektereference/music-and-sound.md
Eine Prüfung ist fehlgeschlagenreference/verification.md, reference/troubleshooting.md

Verwandte Skills