Video Podcast Maker Nano

Eine 7-Schritte-Pipeline für den persönlichen Gebrauch: Recherche ∥ Materialien → Drehbuch → TTS → Audio-Check → Video → Vorschau-Check → 4K-Rendering ∥ Veröffentlichungspaket. Keine gebündelten Skripte, keine fest codierten Backends, keine Vorlagen. Der Skill definiert die Logik und läuft standardmäßig autonom; TTS-Backend und Videotool werden pro Video gewählt (siehe Werkzeugauswahl pro Video).

Was dieses System unabhängig von der Werkzeugwahl zum Laufen bringt – die drei unveränderlichen Regeln:

Prüfpunkte werden niemals übersprungen – wer prüft, ist jedoch Richtlinie. Es gibt drei Prüfpunkte: Drehbuch (nach Schritt 2), Audio (nach Schritt 3), Vorschau (vor dem Rendern). Standardmäßig prüft der Agent selbst (Selbstverifikation, pro Prüfpunkt definiert); eine AGENTS.md/CLAUDE.md des Projekts kann jeden Prüfpunkt auf eine menschliche Freigabe hochstufen – siehe Überwachungsrichtlinie.
Audio ist der Master-Taktgeber. Die Dauer des endgültigen Videos muss innerhalb von ±0,5 s mit dem gesprochenen Audio übereinstimmen (beides mit ffprobe prüfen). Visuelle Elemente werden an das Audio angepasst, niemals umgekehrt.
Eine Drehbuchänderung macht alles nachgelagerte ungültig. Drehbuch bearbeiten → Drehbuch-Prüfpunkt erneut ausführen, dann TTS → Audio-Prüfpunkt → Visuelle Elemente → Vorschau-Prüfpunkt → Rendern. Niemals Zeiten von Hand anpassen.

Überwachungsrichtlinie

Standardmodus ist autonom: Die Pipeline läuft von Anfang bis Ende durch, wobei der Agent jeden Prüfpunkt selbst verifiziert. Eine AGENTS.md/CLAUDE.md des Arbeitsprojekts kann pro Prüfpunkt mit einer Zeile überschreiben:

Checkpoint 1 (script): human – Anhalten nach Schritt 2, bis der Benutzer das Drehbuch freigibt. Lohnenswert: Eine späte Drehbuchänderung kostet einen vollständigen Neudurchlauf.
Checkpoint 2 (audio): human – Der Benutzer hört das gesamte Audio vor den visuellen Elementen an. Lohnenswert, wenn TTS-Fehllesungen später schwer zu erkennen sind.
Checkpoint 3 (preview): human – Der Benutzer überprüft den Entwurf vor dem Rendern. Lohnenswert für stil-sensitive Kanäle.

Nicht genannte Prüfpunkte bleiben vom Agenten verifiziert. Projektrichtliniendateien beginnen mit AGENTS.template.md (neben dieser SKILL.md): Kopieren Sie sie als AGENTS.md in das Video-Projektstammverzeichnis (plus eine CLAUDE.md-Kopie für Claude Code) und füllen Sie die Werkzeugbindungen aus. Der Skill lädt niemals etwas hoch oder veröffentlicht etwas – das Veröffentlichungspaket sind Dateien auf der Festplatte; das Veröffentlichen ist immer eine menschliche Handlung außerhalb dieser Pipeline.

Werkzeugauswahl pro Video

TTS-Backend und Videotool werden einmal vor Schritt 3 in dieser Prioritätsreihenfolge festgelegt:

Projektbindungen gewinnen. Eine ausgefüllte AGENTS.md/CLAUDE.md im Arbeitsprojekt (siehe Überwachungsrichtlinie) IST die dauerhafte Spezifikation des Benutzers – verwenden Sie sie, kein Scannen, keine Zweifel. Wenn der Benutzer ein Werkzeug während der Sitzung nennt, überschreibt dies die Datei. Wenn die Richtliniendatei fehlt oder noch Vorlagen-Platzhalter enthält (/absolute/path/to/...), lösen Sie die Bindungen über Regeln 2–3 auf und schreiben Sie die aufgelösten Werte zurück in die Projektrichtliniendatei, damit der nächste Durchlauf gebunden startet.
Installierte Skills automatisch erkennen. Scannen Sie die verfügbaren Skills der Sitzung nach allem, was die Aufgabe erfüllen kann – Video: Skills, die ein Autorentool kapseln (Remotion, HyperFrames, CapCut, ...); TTS: jeder Skill, der eine TTS-Engine kapselt. Schließen Sie End-to-End-Pipeline-Skills aus (z. B. andere Varianten von video-podcast-maker, falls installiert): Sie sind Pipelines wie diese, keine Backends – sie hier aufzurufen würde Workflows verschachteln und die Prüfpunkte verdoppeln. Einer passt → verwenden; mehrere → die beste Übereinstimmung für die Sprache und die Ausgabeanforderungen des Projekts auswählen. Die Wahl in research.md festhalten; in der abschließenden Zusammenfassung anzeigen. Niemals auf eine Werkzeugbestätigung warten.
Nichts gefunden. Zurückfallen auf einfache CLIs, die der Benutzer bereits hat (ffmpeg + beliebige TTS-CLI) und dies mitteilen – niemals unaufgefordert ein neues Werkzeug installieren. Wenn eine TTS-CLI keine Untertitel-Zeitsteuerung ausgeben kann, Andeutungen durch gleichmäßige Aufteilung des Drehbuchs über die Audiodauer ableiten und die Annäherung an Prüfpunkt 2 kennzeichnen. Wenn ein benutzerspezifiziertes Werkzeug fehlt oder die Mindestanforderungen nicht erfüllen kann, dies mitteilen und zu Regel 2 zurückfallen, anstatt zu improvisieren.

Mindestanforderungen (gelten für Regeln 1–3): Die TTS-Wahl muss Sprachaudio plus Untertitel-Zeitsteuerung erzeugen; die Videowahl muss eine Entwurfs-Videodatei (für Prüfpunkt 3 Verifikation) und 4K exportieren können. Live-Vorschau ist ein Bonus, niemals ein Ersatz für den Entwurfsexport. Hilfsaufgaben benötigen keine Auswahl: Recherche verwendet die integrierte Websuche, Standbilder/Cover den Standbild-Export des Videotools oder ein beliebiges Bildtool, Dauerprüfungen ffprobe. Wenn ffmpeg/ffprobe fehlen, melden und anhalten – die ±0,5 s-Regel ist nicht verhandelbar und wird nicht übersprungen, um einen Durchlauf am Leben zu erhalten.

Arbeitsverzeichnisstruktur

Alle Artefakte für ein Video leben in videos/{name}/ ({name} = Kleinbuchstaben Englisch, durch Bindestriche getrennt). Dateinamen für Audio/Zeitsteuerung passen sich dem gewählten Backend an; wichtig ist der Satz:

videos/{name}/
├── research.md          # Schritt 1 — Fakten + Quellen
├── podcast.txt          # Schritt 2 — Erzählskript
├── podcast_audio.wav    # Schritt 3 — Sprachaudio   (Name je nach Backend)
├── podcast_audio.srt    # Schritt 3 — Untertitel-Zeitsteuerung (oder das Äquivalent des Backends)
├── assets/              # Schritt 1 — Bilder/Hintergrundmusik + sources.md (Quelle + Lizenz pro Asset)
├── video-project/       # Schritt 5 — was das Videotool produziert
├── final_4k.mp4         # Schritt 7 — 3840×2160 Rendering
├── cover.png            # Schritt 7 — Videocover
└── publish_info.md      # Schritt 7 — Titel / Beschreibung / Tags / Kapitel

Arbeitsablauf

Einstiegspunkt-Prüfung (vor Schritt 1). Suchen Sie nach videos/{name}/ im Projektstammverzeichnis (oder dem vom Benutzer genannten Verzeichnis). Wenn es bereits Artefakte aus einer früheren Sitzung enthält, handelt es sich um eine Iteration – setzen Sie vom frühesten betroffenen Schritt fort (siehe Iterieren), führen Sie Schritt 1 nicht erneut aus. Nur bei Schritt 1 beginnen, wenn keine Artefakte existieren.

Schritt 1 — Recherche ∥ Materialien sammeln

Zwei parallele Ausgaben aus einem Untersuchungsdurchgang (Fakten und Assets stammen aus denselben Quellen):

Recherche → research.md. Untersuchen Sie das Thema (Websuche, Papiere, Hinweise des Benutzers). Destillieren Sie in research.md: Fakten, Zahlen und deren Quellen. Jede Zahl, die das Drehbuch behauptet, muss hierher zurückverfolgbar sein – eine genaue Zahl ohne Quelle ist erfunden; lassen Sie sie weg oder schreiben Sie sie einer Quelle zu.

Materialien → assets/. Sammeln Sie alles, was die visuellen Elemente und das Cover verbrauchen, in videos/{name}/assets/: pro Abschnitt Bilder/Illustrationen/Screenshots, Markenlogos, Hintergrundmusik. Zwei Quellen, in Prioritätsreihenfolge:

Vom Benutzer bereitgestellt – Dateien, die der Benutzer übergibt oder darauf verweist; kopieren Sie sie in assets/, verweisen Sie niemals auf sie am ursprünglichen Ort.
Automatisch sammeln – offizielles Material zuerst (Produktbanner, Spezifikationskarte, Screenshot), sonst kostenlose/lizenzierte Sets (unDraw SVG, Pixabay/Pexels, OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji, @lobehub/icons für Markenlogos).

Notieren Sie für jedes Asset die Quell-URL + Lizenz in assets/sources.md zum Zeitpunkt der Sammlung (attributionspflichtige Sets müssen in der Videobeschreibung in Schritt 7 genannt werden). Es existiert kein geeignetes Asset für einen Abschnitt? Erfinden Sie keinen Screenshot – fallen Sie auf ein textbasiertes Layout für diesen Abschnitt zurück (oder eine generische freie Lizenzillustration), notieren Sie die Entscheidung in assets/sources.md und machen Sie weiter; im menschlichen Modus ist das Fragen des Benutzers optional. Fehlende Assets können jederzeit vor Schritt 5 hinzugefügt werden.

Schritt 2 — Drehbuch → `podcast.txt`, dann Prüfpunkt 1

Nur gesprochener Text, keine Markdown. Teilen Sie das Drehbuch mit [SECTION:xxx|display-label]-Markierungen in Segmente auf (Kleinbuchstaben Englisch, z. B. [SECTION:hero|intro]) – ein Segment pro Videoabschnitt. Diese Markierungskonvention ist der portable Vertrag zwischen Drehbuch, TTS-Aufteilung und visuellem Layout; jedes TTS-/Videotool kann sie verwenden. Markierungen sind strukturelle Metadaten: niemals gesprochen, niemals als Untertiteltext angezeigt – TTS und Untertitel konsumieren nur den Text zwischen den Markierungen.

Stilregeln (sprachunabhängig): siehe Drehbuch-Stil (sprachunabhängig).

Prüfpunkt 1 – Drehbuch-Selbstüberprüfung (obligatorisch). Überprüfen Sie das Drehbuch gegen jede Drehbuch-Stilregel, gleichen Sie dann seine Abschnitte mit assets/ ab: Listen Sie Abschnitte ohne passendes Asset auf, sammeln Sie oder fallen Sie gemäß der Kein-Asset-Regel oben zurück und notieren Sie, was ohne bleibt. Im menschlichen Modus (Projektrichtlinie) stattdessen anhalten und das Drehbuch übergeben – TTS erst ausführen, wenn der Benutzer es ausdrücklich genehmigt. Audio, Zeitsteuerung und visuelle Einstiege leiten sich alle vom Drehbuch ab; eine späte Drehbuchänderung kostet einen vollständigen Neudurchlauf.

Schritt 3 — TTS

Führen Sie das gewählte TTS-Backend aus (Azure, Edge, fish, minimax, ... – was auch immer die Sitzung ausgewählt hat). Produzieren Sie:

Sprachaudio (WAV/MP3)
Untertitel-Zeitsteuerung (SRT oder Äquivalent, Andeutungstext = Drehbuch wörtlich)

Aussprachehygiene vor der Synthese, in jeder Erzählsprache: Marken-/Begriffslesungen, die nicht mechanisch abgeleitet werden können (Qwen als chinesischer Markenname gelesen, MoE Buchstabe für Buchstabe buchstabiert) gehen in eine Alias-/Phonemliste gemäß dem Mechanismus des Backends – niemals in den Drehbuchtext (er würde in Untertitel durchsickern).

Schritt 4 — Audio-Prüfung – Prüfpunkt 2

Agent-Selbstverifikation (autonomer Modus): ffprobe die Audiodauer gegen eine grobe Schätzung aus dem Drehbuch (sprachspezifische Sprechgeschwindigkeit; nur verwenden, um grobe Fehler wie eine stille oder abgeschnittene Datei zu erkennen); überprüfen Sie, ob jedes Marken-/Begriffs-Token im Drehbuch einen Alias-/Phonemeintrag hat (eine Abdeckungsprüfung – die tatsächliche Aussprache ist genau das, wofür der menschliche Modus von Prüfpunkt 2 da ist); prüfen Sie auf stille oder abgeschnittene Segmente (silencedetect/volumedetect), die auf Synthesefehler hindeuten. Beheben Sie Lücken in der Alias-Liste und synthetisieren Sie neu, wenn welche gefunden werden. Im menschlichen Modus hört der Benutzer das gesamte Audio an; Fehllesungen → Alias-Liste korrigieren (nicht das Drehbuch), neu synthetisieren, neu prüfen.

Schritt 5 — Video erstellen

Schneiden Sie die visuellen Elemente mit dem gewählten Werkzeug (Remotion, HyperFrames, CapCut, ...) an das Sprachaudio an, wobei assets/ als Materialpool dient. Abschnittsmarkierungen aus podcast.txt treiben das Layout; Untertitel-Andeutungen treiben die Texteinblendungen. Behalten Sie die Entwurfsdateien in videos/{name}/.

Schritt 6 — Vorschau-Prüfung – Prüfpunkt 3

Agent-Selbstverifikation (autonomer Modus): Inspizieren Sie den Entwurfsexport (eine durchsuchbare Videodatei – die Mindestanforderung garantiert eine): Extrahieren Sie ein Bild pro Abschnitt (ffmpeg -ss <Mitte-Abschnitt-Zeit> -i draft.mp4 -frames:v 1) und überprüfen Sie jedes auf Layout-Überlauf, fehlende Untertitel, defekte Asset-Referenzen; überprüfen Sie, ob die Entwurfsdauer innerhalb von ±0,5 s mit dem Sprachaudio übereinstimmt. Beheben und nach jeder Änderung erneut überprüfen. Im menschlichen Modus überprüft der Benutzer den Entwurf persönlich (Live-Vorschau, falls das Werkzeug eine hat, sonst den Entwurfsexport); rendern Sie nur auf ausdrückliche Bestätigung ("render"), und jede Runde von Änderungen benötigt eine neue Bestätigung.

Schritt 7 — 4K rendern ∥ Veröffentlichungspaket

Parallel ausführen (das Rendern ist der lange blockierende Job; das Veröffentlichungspaket hängt nicht davon ab):

Rendern bei 3840×2160 → final_4k.mp4. Überprüfen Sie die Dauer gegen das Sprachaudio innerhalb von ±0,5 s, bevor Sie es als erledigt betrachten.
Veröffentlichungspaket → publish_info.md (Titel / Beschreibung / Tags / Kapitel-Zeitstempel – jedes Kapitel beginnt bei der SRT-Zeit seines ersten Andeutungstextes des Abschnitts) und cover.png (aus dem Standbild des Videotools generieren, falls verfügbar, sonst mit einem beliebigen Bildtool; kann Material aus assets/ wiederverwenden). Der Asset-Quellen-Abschnitt von publish_info.md wird aus assets/sources.md kopiert.

Drehbuch-Stil (sprachunabhängig)

Herkunft: Die vollständige video-podcast-maker/references/natural-narration.md (Anti-KI-Geschmack) + script-polish.md (tiefe Bearbeitung) sind die kanonischen Quellen; dies ist die sprachunabhängige Destillation. Regeln dort zuerst bearbeiten, dann hier spiegeln – keine Regel abspalten und abweichen lassen.

Die Erzählsprache ist die Sprache des Benutzer-Drehbuchs – diese Pipeline standardmäßig Chinesisch, aber die folgenden Regeln gelten in jeder gesprochenen Register der Sprache. Diese Regeln werden an Prüfpunkt 1 durchgesetzt; lesen Sie jeden Abschnitt laut vor – wenn Sie stolpern, teilen Sie den Satz auf.

Alltägliche gesprochene Prosa, nicht geschriebene Prosa. Ein Gedanke pro Satz, Subjekt zuerst, keine verschachtelten Nebensätze, keine — oder · als Verbindungen. Satzlänge variieren; leichte Ich-Perspektive ist in Ordnung.
Verbindungsstücke ersetzen. Ersetzen Sie buchstäbliche Verbindungsstücke (weiterhin / jedoch / daher / zusammenfassend) durch das alltägliche Äquivalent oder löschen Sie sie. Lassen Sie aufzählende Einstiege (erstens / zweitens / schließlich) weg und gehen Sie einfach zum nächsten Punkt über.
Tilgungsliste. Löschen Sie formelhafte Füllwörter: Unternehmensbuzzwörter, "es ist erwähnenswert", "wie jeder weiß", "revolutionär", "bahnbrechend", "nahtlos", "wir werden sehen" – und ihre Äquivalente in der Erzählsprache.
Strukturelle Hinweise. Verb-Nomen-Schalen ("eine Optimierung durchführen") → konkrete Handlung + Ergebnis ("Genehmigung von drei Schritten auf einen reduziert"). "Nicht X, sondern Y" → Y angeben. Dreiteilige Parallelität ("sowohl A als auch B und C") → nur das informativste Element behalten; zwei sind besser als drei. Vage Verstärker ("erheblich") → eine Zahl oder eine wahrnehmbare Konsequenz. Vage Zuschreibungen ("Experten sagen") → benannte Quelle + Datum, sonst Satz löschen. Slogan-Enden ("die Zukunft ist hell") → mit einer konkreten Tatsache, Zahl oder nächsten Handlung enden.
Zahlen sind arabische Ziffern (86,1, 1,5G, 9B) – Untertitel sind das Drehbuch wörtlich, also schreiben Sie, was auf dem Bildschirm AUSSEHEN soll. Schreiben Sie niemals die gesprochene TTS-Form in das Drehbuch, um eine Fehllesung zu korrigieren; verwenden Sie die Alias-/Phonem-Schicht des Backends.
Zahlen müssen zurückverfolgbar sein auf research.md – eine genaue Zahl ohne Quelle ist erfunden; lassen Sie sie weg oder schreiben Sie sie einer Quelle zu.

Iterieren

Drehbuch geändert → Prüfpunkt 1 erneut ausführen (menschlich im menschlichen Modus), dann ab Schritt 3 (TTS) über Prüfpunkte 2 und 3 bis zum Rendern. Niemals Zeiten von Hand bearbeiten.
Audio neu synthetisiert (gleiches Drehbuch, andere Stimme/Geschwindigkeit) → Prüfpunkt 2 erneut ausführen; visuelle Elemente können bleiben, wenn sich die Zeiten nicht verschoben haben; Prüfpunkt 3 vor dem Rendern erneut ausführen.
Nur visuelle Elemente → bearbeiten und Prüfpunkt 3 erneut ausführen.
Verwenden Sie dasselbe videos/{name}/-Verzeichnis wieder.

Video-Podcast-Maker (Nano)

Was ist Video-Podcast-Maker (Nano)?

In Ihrer bevorzugten KI fragen

Dokumentation