Communitygithub.com

Video-Beobachtung

Untersucht Referenzvideo-Aktionen, breite Aufmerksamkeit, gesprochene Dialoge und Partnerreaktionen. Nutzt Einstellungsansichten und kontextbezogene Ausschnitte mit optionaler lokaler Spracherkennung oder importierten Untertiteln, um zu verbinden, was gesagt wird, mit wer handelt oder reagiert. Hält sichtbare, auditiv abgeleitete und interpretierte Beweise getrennt.

Was ist Video-Beobachtung?

Diese Fähigkeit (Skill) ist für KI-Assistenten wie Claude Code, Cursor oder Codex konzipiert, um videobasierte Performance-Analyse durchzuführen. Sie hilft, das Verhalten von Schauspielern in Videoreferenzen zu verstehen, einschließlich Aufmerksamkeit, Aktionen, Dialoge und Reaktionen. Der Fokus liegt auf beobachtbaren Fakten, nicht auf detaillierter Mimik oder Skelettanalyse. Das Skill betont die Trennung von Beobachtung, Interpretation und offenen Fragen, um systematische Fehler zu vermeiden. Es verwendet ein CPU-basiertes Tool ohne Cloud-API oder Modellgewichte und unterstützt optionale lokale Spracherkennung (ASR) oder importierte Untertitel. Das Skill folgt einem Workflow, der zuerst die Einstellungen inspiziert, bevor interpretiert wird, und fordert den Assistenten auf, Unsicherheiten anzuerkennen. Es ist plattformunabhängig und benötigt kein spezifisches Produktions-Backend, kann aber mit anderen Skills wie `performance-direction` zusammenarbeiten. Die Nutzer sollten sicherstellen, dass die tatsächlichen Bildinhalte vom Modell gesehen werden, nicht nur Metadaten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/SharingYu/video-performance-skills/tree/HEAD/skills/video-observation

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Video-Beobachtung?

Hilf dem bestehenden Assistenten, normale, für das Publikum sichtbare Darbietungen zu verstehen: wer wem oder was Aufmerksamkeit schenkt, was sie tun oder sagen, wie der Körper reagiert und wie ein Partner antwortet. Verwandle eine breite schauspielerische Frage nicht in eine Messung von Gesichtsmuskeln, Skelett oder präzisem Blick.

Antworte in der Sprache des Benutzers und behalte den gewünschten Umfang bei. Lies den Arbeitsablauf zur Bildbeobachtung für Befehle, Beweisführung und Übergabe. Sein CPU-Tool verwendet diese Abhängigkeiten, ohne Modellgewichte oder eine Cloud-API. Wenn Sprache eine erzählerische Bedeutung oder einen Reaktionshinweis tragen könnte, lies auch den Dialog-Workflow: optionale lokale ASR oder importierte Transkripte unterstützen denselben Quellzeitplan, bestätigen jedoch kein Zuhören oder identifizieren keine sichtbare Figur.

Beobachten vor dem Erklären

  1. Decke die Einstellungen ab. Untersuche die Übersichtsbilder, bevor du entscheidest, welche Momente wichtig sind. Automatische Schnittgrenzen sind Navigationskandidaten, keine erkannten Witze oder garantierten Szenengrenzen. Übersichtsposen begründen nicht jede Aktion zwischen ihnen.
  2. Kehre zu einer Frage zurück. Wenn eine Wendung, eine unterbrochene Aktion oder eine Partnerreaktion unklar ist, fordere ein kurzes Fenster darum herum an. Beginne mit den standardmäßigen vier Bildern pro Sekunde; erhöhe die Abtastrate oder öffne ein Originalbild nur, wenn es die Frage erfordert. Vergrößere nicht jeden Moment erschöpfend.
  3. Halte die Beziehung sichtbar. Überprüfe die vollständige Komposition zusammen mit einem nützlichen Ausschnitt. Ein Gesicht allein kann sein Aufmerksamkeitsziel verbergen; eine isolierte Hand kann den Hinweis des Partners verbergen.
  4. Schreibe zuerst sichtbare Fakten. Beschreibe ungefähre Richtung, Annäherung oder Rückzug, Handlungsänderungen, Partnerreaktion und Ergebnis. Trenne Körper-/Kopfrichtung, lesbare Augenrichtung und das bearbeitete Objekt. Verwende qualifizierte Sprache für ein offensichtliches Aufmerksamkeitsziel; eine unlesbare Augenrichtung kann unbekannt bleiben, ohne den Rest der Szene zu blockieren.
  5. Überprüfe die wichtige Unsicherheit. Ein unabhängiger Beobachter kann dasselbe Material inspizieren, bevor er die erste Interpretation erhält. Nutze Uneinigkeit, um eine nützliche Rückansicht zu wählen. Zustimmung zwischen Assistenten ist keine Grundwahrheit. Höre auf, Ansichten zu wiederholen, wenn die Quelle die Frage nicht klären kann; behalte die Unsicherheit bei und fahre mit nützlicher Arbeit fort.

Stelle für eine Referenz-Nachstellung fest, ob Dialog vorhanden ist und welche Abdeckung tatsächlich erzielt wurde. Verbinde folgenreiche Zeilen mit dem Sprecher, der Aktion und der Reaktion des Zuhörers mithilfe des Dialog-Workflows. Eine Tonspur, ein stummes ASR-Ergebnis oder eine Untertiteldatei allein kann nicht belegen, dass die Szene keine Sprache enthält.

Mache die Beobachtung real

Das Tool exportiert Bilder und Metadaten. Ein Pfad, eine Erfolgsmeldung, Bildanzahl, Bildunterschrift oder abgeschlossene Dekodierung ist kein Beweis dafür, dass der Assistent die Bilder gesehen hat. Öffne das relevante views[].image_path mit dem Bildbetrachtungswerkzeug des Hosts oder inspiziere den tatsächlichen Bildinhalt, der an den Host zurückgegeben wurde. Notiere dann die tatsächlichen Ansichts-IDs mit note.

Überprüfe die Antwort des Hosts auf ausgelassene oder verworfene Bilder. Wenn ein Batch abgeschnitten ist, öffne die fehlenden Ansichten in kleineren Batches erneut, bevor du sie notierst. Ein Bildwerkzeug aufzurufen, reicht nicht aus, wenn seine Bildausgabe nie das Modell erreicht hat.

Halte Beobachtung, Interpretation und offene Fragen getrennt. Binde Aussagen an die gelieferte Quellversion und die betrachteten Bilder. Abtastlücken bleiben Lücken; eine Reaktion in ein paar Bildern nicht zu sehen, beweist nicht, dass sie nie stattgefunden hat.

Statische Sequenzen unterstützen Posen und sichtbare Reihenfolge. Sie begründen keinen Echtzeit-Comic-Rhythmus oder hörbare Qualität. Notiere diese Grenzen, anstatt Wiedergabe oder Zuhören zu behaupten. Schließe die dem Host verfügbare Arbeit ab, ohne die routinemäßige Bestätigung pro Einstellung durch den Benutzer zur Abhängigkeit zu machen.

Übergebe verifizierte breite Aktionen und ungelöste Details an den Anpassungs-, Einstellungsplanungs- oder Überprüfungs-Workflow des Benutzers. Wenn performance-direction bereits verfügbar ist, kann seine Ereigniskarte diese Beobachtungen aufnehmen; dieses Skill erfordert es nicht oder ein bestimmtes Produktions-Backend.

Die gebündelten Werkzeuge stellen keine Modell-API-Anfrage; Bildbeobachtung und Transkriptimport benötigen kein Sprachmodell. Optionale Transkription erfordert separat vorbereitete lokale Modelldateien und die Spracherweiterung. Sie ersetzt nicht stillschweigend einen Cloud-Dienst. Zusätzliche Cloud-Überprüfung ist extern: Verwende sie nur innerhalb der Autorisierung der Aufgabe und, wenn keine zusätzlichen API-Kosten anfallen, nach Bestätigung, dass das tatsächliche Projekt/Modell auf einer kostenlosen Stufe ist. Eine kostenlose Website oder ein nicht verifizierter Schlüssel ist kein Beweis für eine kostenlose API. Nicht verfügbarer Dienst oder Kontingent lässt den lokalen Bild-/Import-Workflow nutzbar.

Quellenangaben und Grenzen: Quellen.

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Verwandte Skills