Was macht Video Podcast Maker Lite?
Eine zweckgebundene Pipeline für den persönlichen Gebrauch: Thema → Erzählskript → Azure TTS (SSML) → Remotion → 1080p/4K MP4. Keine externen Skills, keine Konfigurationsdateien, keine gebündelten Vorlagen – die Remotion-Komposition wird einmalig gemäß dem untenstehenden Vertrag erstellt und dann für mehrere Videos wiederverwendet.
Voraussetzungen
pip3 install azure-cognitiveservices-speech # die einzige Python-Abhängigkeit
export AZURE_SPEECH_KEY="..." # Azure Speech-Ressourcenschlüssel
export AZURE_SPEECH_REGION="..." # z. B. eastasia
# ffmpeg + Node 18+ erforderlich; ein Remotion-Projekt mit durchgeführtem npm install
# Playwright MCP (Session-Browser) wird nur für Schritt 5 (BGM-Beschaffung) benötigt
Projektfindung (vor Schritt 1 ausführen)
- Remotion-Projekt lokalisieren – das Verzeichnis, das sowohl
src/remotion/index.tsals auchnode_modules/remotion/enthält. Zuerst das aktuelle Arbeitsverzeichnis prüfen; wenn es sich nicht dort befindet, den Benutzer nach dem Projektpfad fragen. NICHT das Dateisystem scannen und KEIN neues Projekt erstellen, wenn bereits eines woanders existiert. - Vorhandene Videos auflisten –
ls videos/undls src/remotion/*Video.tsx. Die neueste*Video.tsx-Datei ist die Komponente, die in Schritt 3 kopiert wird;videos/zeigt, welche Videos bereits existieren. - Existiert bereits
videos/{name}/? Dann handelt es sich um eine Iteration dieses Videos, nicht um ein neues – das Verzeichnis wiederverwenden und nur das erneut ausführen, was geändert wurde (siehe Iterieren). - Kein Projekt vorhanden (nur bei der ersten Ausführung) → Einmalig im Arbeitsverzeichnis einrichten:
npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom,src/remotion/erstellen und den Benutzer auf die einmalige ~2 GB große Installation hinweisen. Alle späteren Videos überspringen diesen Schritt.
Arbeitsablauf (6 Schritte)
Alle Befehle vom Projektstammverzeichnis aus ausführen. Alle Artefakte eines Videos befinden sich im Projektverzeichnis unter videos/{name}/. {name} ist in Kleinbuchstaben, englisch und durch Bindestriche getrennt.
Schritt 1 – Skript schreiben: videos/{name}/podcast.txt
Ein [SECTION:xxx]-Marker pro Videosegment; Abschnittsnamen sind in Kleinbuchstaben englisch (hero, content-1, outro). Ein optionaler Anzeigetitel folgt nach einem | – [SECTION:outro|thanks] – er beschriftet den Fortschrittsbalken-Pill und das Standard-Layout (ohne ihn leitet sich die Beschriftung vom ersten Satz ab, was unschön sein kann). Zeilen, die mit # beginnen, werden ignoriert (und können sicher Marker erwähnen). Nur gesprochener Text – kein Markdown – und befolgen Sie die untenstehenden Skript-Stilregeln. Beispiel:
# Kommentarzeilen werden nicht gesprochen
[SECTION:hero|intro]
Willkommen zu diesem Video! Heute sprechen wir über ein Thema, das viele interessiert.
[SECTION:content-1|punkt 1]
Zunächst betrachten wir den ersten Punkt. Hier sind einige wichtige Informationen, die Sie wissen sollten.
[SECTION:outro|thanks]
So, das war's für heute. Wenn es hilfreich war, freuen wir uns über ein Like und ein Abo. Bis zum nächsten Mal!
Skriptstil (Anti-KI-Geschmack, zh-CN)
Beim Schreiben anwenden, dann vor TTS selbst überprüfen. Ziel: alltägliches gesprochenes Chinesisch, nicht geschriebene Prosa mit Kommas. (Abgeleitet aus den natural-narration.md + script-polish.md des vollständigen Skills – dies sind die kanonischen Quellen; dort zuerst die Bearbeitungsregeln ändern, dann hier spiegeln.)
Konjunktionen austauschen (geschrieben → gesprochen): 此外→还有 · 然而→但是 · 因此→所以 · 与此同时→这时候 · 总的来说/综上所述→löschen · 首先/其次/最后→direkt zur nächsten Sache übergehen.
Streichliste (umschreiben oder löschen): 赋能、打造、深入探讨、值得一提/值得注意的是、众所周知、至关重要、革命性、颠覆、天花板、无缝、闭环、抓手、里程碑、标志着、未来可期、让我们拭目以待。
Strukturelle Indikatoren – die Behebungsmuster:
| Muster | Behebung |
|---|---|
| Verb-Nomen-Hüllen: 进行优化/实现增长/做出选择 | konkrete Handlung + Ergebnis: "Die Genehmigung von drei Schritten auf einen reduziert" |
| Negationskontrast: 不是 X, 而是 Y | Y direkt angeben |
| Dreiteiliger Parallelismus: 既是…又是…更是… | das informativste Element behalten; zwei schlägt drei |
| Leere Verstärker: 显著/大幅/非常 | eine Zahl oder eine wahrnehmbare Konsequenz |
| Vage Zuschreibung: 业内普遍认为/有专家指出 | benannte Quelle + Datum, sonst den Satz löschen |
| Slogan-Endungen: 未来可期/注入新的活力 | auf konkreter Tatsache landen: Zahl, Datum, nächste Aktion |
Fürs Ohr schreiben: eine Idee pro Satz, Subjekt zuerst, Satzlänge variieren, keine Nebensätze, keine – oder · als Verbindungen (sie werden nicht gesprochen und überladen Untertitel). Eine lockere erste Person ist in Ordnung ("Ich habe es getestet").
Untertitel sind das Skript, wörtlich – also schreiben Sie Zahlen so, wie sie auf dem Bildschirm AUSSEHEN sollen: arabische Ziffern (3.8, 63K, 98.8%, 128G), niemals chinesische Zahlzeichen (六十五点一 / 三百九十七). Die gleiche Ziffernregel gilt für Bildschirmtexte in den Remotion-Komponenten (Karten, Überschriften). Schreiben Sie NICHT die gesprochene Form in das Skript, um die Aussprache zu korrigieren – sie gelangt in die Untertitel. tts.py leitet die gesprochene Ebene selbst ab: Jedes zifferntragende Token (86.1, 9B, 5600, Qwen3.5) wird vor der Synthese in seine chinesische Lesung umgewandelt (八十六点一, 九B, 五千六百, 千问三点五), dann werden die Wortgrenzen zurückgemappt, sodass die Untertitel den Anzeigetext behalten. (Mehrsprachige Stimmen wie zh-CN-XiaoxiaoMultilingualNeural lesen reine Ziffern im gemischten Kontext auf Englisch – genau das verhindert diese Ebene. SSML <sub alias> wurde getestet und verworfen: Die Wortgrenzenereignisse von Azure für <sub> sind fehlerhaft und beschädigen die SRT.)
Zahlen müssen nachvollziehbar sein – eine genaue Zahl ohne Quelle ist erfunden; lassen Sie sie weg oder schreiben Sie sie zu.
Selbstüberprüfung vor Schritt 2: keine Wörter von der Streichliste? Kein "不是…而是…"? Keine Slogan-Endung? Jeden Abschnitt laut vorlesen – wenn Sie stocken, den Satz teilen.
STOP – Skriptprüfschleuse (obligatorisch): Wenn podcast.txt geschrieben ist, die Pipeline anhalten und das Skript dem Benutzer zur Überprüfung vorlegen. Führen Sie TTS (Schritt 2) erst aus, wenn der Benutzer das Skript ausdrücklich genehmigt hat. Diese Schleuse kommt vor allem nachgelagerten Schritten – Audio, Timings und visuelle Einstiege leiten sich alle vom Skript ab, daher kostet eine späte Skriptänderung eine vollständige Wiederholung.
Schritt 2 – TTS
python3 "${SKILL_DIR}/scripts/tts.py" videos/{name}/podcast.txt videos/{name}/
Führen Sie zuerst --check aus (nur Lint, keine Synthese, kostenlos), um Lücken bei Polyphonen und Aliasen zu erkennen, bevor Sie für die Synthese bezahlen.
Erzeugt podcast_audio.wav + podcast_audio.srt + timing.json + cues.json (Text pro Cue, globaler Frame und section_frame – verwenden Sie dies, um visuelle Einstiege in der Komponente auszurichten, anstatt die SRT von Hand zu parsen). Jeder Abschnitt wird separat über SSML synthetisiert und verkettet, sodass die Abschnittszeiten konstruktionsbedingt exakt sind. Untertitel-Cues sind satzweise: Ein Satz innerhalb von 30 sichtbaren Zeichen wird vollständig angezeigt; längere Sätze werden aus Komma-/Semikolon-Sätzen gepackt (~22 pro Cue); ein überlanger Satz wird an der seinem Mittelpunkt nächsten Wortgrenze abgeschnitten, niemals mitten im Wort; winzige nachfolgende Cues werden mit dem vorherigen innerhalb desselben Abschnitts verschmolzen (ein kurzer erster Satz des nächsten Abschnitts darf niemals in den letzten Cue des vorherigen Abschnitts übergehen). Die erneute Ausführung über einer vorhandenen timing.json gibt eine abschnittsweise Daueränderung aus; jeder Abschnitt, der sich um >0,3s verschoben hat, bedeutet, dass die fest codierten Einstiegsverzögerungen der Komponente mit der neuen cues.json neu ausgerichtet werden müssen.
Einstellungen: --voice (Standard zh-CN-XiaoxiaoNeural), --style (mstts:express-as, z. B. gentle / cheerful – bleiben Sie bei diesen beiden; andere können gezwungen klingen), --rate (Prosodie, z. B. -4%), --phonemes (Ganzwort-Pinyin-Wörterbuch für Polyphone wie 命令行/同行; standardmäßig werden ~/.video-podcast-maker/phonemes.json und phonemes.json neben der Eingabe zusammengeführt – Einträge pro Video gewinnen), --aliases (Aussprachealiase Anzeige→Gesprochen, z. B. "Ornith-1.5": "Ornith 一点五"; gleiche Zusammenführungsreihenfolge mit aliases.json). Umgebungsfallbacks: TTS_VOICE / TTS_STYLE / TTS_RATE. Für eine konsistente Kanalstimme über mehrere Videos hinweg setzen Sie diese einmal in Ihrem Shell-Profil (z. B. TTS_VOICE=zh-CN-XiaoxiaoMultilingualNeural TTS_RATE=+5%), anstatt jedes Mal Flags zu übergeben.
Aussprache: Polyphon-Vorabprüfung, bekannte Fehllesungsformen, Alias-Wörterbuch-Mechanik und integrierte Verhalten der gesprochenen Ebene sind in references/pronunciation.md dokumentiert – lesen Sie es vor dem ersten TTS-Durchlauf eines neuen Themas.
Schritt 3 – Visuals erstellen
- Erstes Video überhaupt: Die Komposition generieren (
index.ts+Root.tsx+Video.tsxuntersrc/remotion/) gemäß dem Kompositionsvertrag. - Jedes spätere Video: Die Komponente des vorherigen Videos kopieren und bearbeiten – niemals wieder vom Vertrag ausgehen.
Ein Remotion-Projekt hostet alle Videos; ein neues Video fügt genau eine Komponentendatei und eine <Composition>-Registrierung hinzu:
projekt-verzeichnis/ # EIN Projekt, npm install einmal
├── src/remotion/
│ ├── index.ts # registerRoot – gemeinsam, ändert sich nie
│ ├── Root.tsx # eine <Composition id="…"> pro Video
│ ├── DemoVideo.tsx # komponente pro Video (Kopie der vorherigen, bearbeitet)
│ └── NextTopicVideo.tsx
└── videos/{name}/ # Artefakte pro Video: podcast.txt, wav, srt, timing.json, mp4
Pro Video: einen eindeutigen PascalCase-Komponenten-/Kompositions-Id wählen (z. B. ReferenceManagerComparison), Titel / Farben festlegen und jedem Abschnittsnamen ein Layout geben (ein switch (section.name) über hero / content-N / outro funktioniert gut).
Visueller Reichtum (Standardstil – reiner Text-in-einer-Box ist nicht das gewünschte Aussehen): Jede Info-Karte, jeder Flusskasten, jeder Pill und jede Statistik-Kachel trägt EIN führendes Emoji (oder eine @lobehub/icons-Markenkomponente, wenn ein echtes Produkt dargestellt wird); höchstens eines pro Element und niemals innerhalb einer MONO-Wert-Zeile (Emojis brechen die Monospace-Ausrichtung – setzen Sie es stattdessen auf die Beschriftung/den Titel). Halten Sie die Zuordnung ein Konzept = ein Emoji im gesamten Video konsistent und wählen Sie sie geschmackvoll für das Thema aus (Daten/Parameter/Geschwindigkeit/Kosten erhalten jeweils eine offensichtliche Entsprechung; der Agent wählt). Jeder Abschnitt erhält außerdem mindestens einen visuellen Anker (eine Illustration): offizielles Material zuerst (Produktbanner, Spezifikationskarte, Screenshot), sonst eine freie Illustration oder ein Symbolset (unDraw SVG, Pixabay/Pexels-Bilder, OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji, @lobehub/icons für Markenlogos) – Quelle + Lizenz im publish_info-Abschnitt asset-sources notieren (attributionspflichtige Sets wie Flaticons kostenlose Stufe müssen in der Videobeschreibung genannt werden). Emojis dekorieren die UI-Karten, Illustrationen verankern den Abschnitt; keines ersetzt das andere.
Schritt 4 – Vorschau (obligatorische menschliche Schleuse)
npx remotion studio src/remotion/index.ts --public-dir videos/{name}/
MUSS Studio starten und darauf warten, dass der Benutzer persönlich überprüft. NIEMALS rendern, bis der Benutzer ausdrücklich bestätigt hat ("渲染" / "render"). Ein Anpassungswunsch ist keine Bestätigung – die Änderung anwenden, Studio per Hot-Reload aktualisieren lassen und erneut fragen. Jede Runde visueller Änderungen benötigt ihre eigene frische Bestätigung; die Bestätigung wird niemals auf Schritt 5 übertragen.
Schritt 5 – Rendern + BGM
Rendern:
npx remotion render src/remotion/index.ts MyVideo videos/{name}/output.mp4 --public-dir videos/{name}/
BGM (Standard; nur überspringen, wenn der Benutzer keine Musik wünscht): Einen zufälligen Track von Pixabay Music abrufen und mit niedriger Lautstärke mischen (Sprache bleibt dominant). Pixabay-Lizenz: gebührenfrei, kommerzielle Nutzung OK, keine Namensnennung erforderlich – dennoch Titel/Autor im publish_info-Abschnitt asset-sources protokollieren.
Wie man es abruft (verifiziert am 25.08.2026): Die Such-/Listenseiten von Pixabay sind clientseitig gerendert und für Nicht-Browser-Clients durch Cloudflare geschützt, aber eine in einem echten Browser geöffnete Einzeltrack-Seite bettet die vollständige Track-Download-URL in ihr JSON-LD ein, und diese cdn.pixabay.com-URL lässt sich dann problemlos mit einfachem Curl herunterladen.
-
Öffnen Sie mit dem Browser der Sitzung (Playwright MCP) eine Suchseite –
https://pixabay.com/music/search/cinematic/(oderrelaxing/ambient, wenn ein ruhigerer Hintergrund gewünscht ist). -
Sammeln Sie Ergebnislinks, die auf
/music/<slug>-<id>/passen (schließen Sie/music/search/und ortspräfixierte wie/de/music/...aus), wählen Sie einen zufälligen aus und öffnen Sie ihn. -
Lesen Sie das JSON-LD des Tracks (
script[type=application/ld+json"]→ dasAudioObject):contentUrl(vollständiger Track MP3),name,creator.name,duration. Bevorzugen Sie ~1,5–8 Min.; außerhalb des Bereichs einen anderen Link öffnen. Wenn das JSON-LD der Seite keinecontentUrlhat (Layout geändert), weitere Versuche abbrechen – den Benutzer bitten, einen Track auszuwählen und die Download-URL bereitzustellen. -
Herunterladen mit curl (Browser-UA +
Referer: https://pixabay.com/– funktioniert nachweislich):curl -sL -A "<browser UA>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{name}/bgm.mp3
Mischen (BGM leise; die Loudnorm-Stufe ist erforderlich – ohne sie landet der Mix bei ≈ -32 dB Mittelwert, ~10 dB zu leise):
ffmpeg -y -i videos/{name}/output.mp4 -i videos/{name}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{name}/final_video.mp4
Stoppen Sie den Studio-Server, sobald das Rendern bestätigt ist – ein übrig gebliebenes Studio belegt seinen Port und beobachtet weiterhin Dateien.
Schritt 6 – Lieferextras (nur wenn die Pipeline des Benutzers sie enthält)
Wird nach Schritt 5 in dieser Reihenfolge gerendert:
- Cover-Stills: 16x9 + 4x3 Thumbnail-Stills via
npx remotion still– zuerst das alte PNG löschen, Stills überspringen vorhandene Dateien. - BGM-Lautstärkeprüfung:
ffmpeg -i final_video.mp4 -af volumedetect -f null -, Mittelwert ≈ -19 bis -22 dB, Max ≈ -1.5 dB. publish_info.md: Titel / Beschreibung / Tags / Kapitel-Zeitstempel (Kapitel leiten sich austiming.jsonab).assets/manifest.json: Asset-Herkunft.- Repo-übergreifende Buchhaltung: Index-/Themengeneratoren (z. B. ein
VIDEO_INDEX.md-Builder) basieren normalerweise auf Titeln auspublish_info.md, und Klassifizierungsskripte weigern sich möglicherweise zu laufen, bis das neue Video-Verzeichnis ihrer Zuordnungskarte hinzugefügt wurde – führen Sie sie aus, nachdem die Veröffentlichungsartefakte vorhanden sind.
Kompositionsvertrag
Die Komposition konsumiert drei Dateien aus --public-dir videos/{name}/ über staticFile(): podcast_audio.wav, podcast_audio.srt und timing.json:
{
"total_duration": 32.1,
"fps": 30,
"total_frames": 964,
"sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}
Nicht verhandelbare Punkte beim Erstellen einer Komposition (jeder einzelne ist ein echter Fehlermodus, wenn er übersehen wird):
- Audio ist der Master-Taktgeber –
calculateMetadatagibtdurationInFrames = timing.total_frameszurück, zur Laufzeit geladen. Niemals eine Dauer fest codieren. Auflösung pro Projektkonvention: 1920×1080 @ 30fps oder 4K (3840×2160) über einen Wrapper, der eine 1920×1…