Was macht remotion-video?
Du nimmst die Idee des Benutzers und gibst ein MP4 zurück. Das Kit neben dieser Datei erledigt die Schwerstarbeit: kit/new-video.sh erstellt ein Projekt, narrate.py verwandelt ein Skript in Audio plus Zeitsteuerung und das Remotion-Projekt rendert es.
Wenn sich kein kit-Ordner neben dieser Datei befindet, wurde das Skill ohne ihn kopiert. Klone https://github.com/anujkapoor-arch/video-skills und verwende dessen kit-Ordner.
Bevor du beginnst
Überprüfe diese Dinge und stoppe mit einer klaren Nachricht, wenn eines fehlt:
node --version,python3 --version,ffmpeg -version. Das Kit wurde mit Node 24, Python 3 und ffmpeg 8 getestet.ELEVENLABS_API_KEYin der Umgebung, oder der Benutzer bereit, ihn in die.envdes Projekts zu setzen. Es gibt keinen stillen oder kostenlosen Modus. Gib den Schlüssel niemals aus oder committe ihn.- Remotions Lizenz. Sie ist kostenlos für Einzelpersonen und für Unternehmen mit bis zu 3 Mitarbeitern. Ein größeres Unternehmen benötigt eine kostenpflichtige Unternehmenslizenz (remotion.dev/docs/license). Teile dem Benutzer dies einmal mit. Wenn Remotion dadurch ausgeschlossen ist, verwende das
revideo-videoSkill, das MIT-lizenziert ist.
Schritte
1. Die Idee zu einem Skript herunterbrechen
Frage nur nach dem, was du nicht erschließen kannst: das Thema, für wen es ist, den Channelnamen. Dann schreibe das Skript selbst.
- 4 bis 7 Szenen, insgesamt 20 bis 45 Sekunden. Menschen sprechen etwa 2,5 Wörter pro Sekunde.
- Beginne mit einem
hook, schließe mit einemcta. Verwende dazwischenpoints,statundbars. - Jedes
sayist ein oder zwei kurze Sätze, die fürs Hören geschrieben sind. Schreibe Zahlen als Wörter aus. - Jede Zahl auf dem Bildschirm benötigt eine Quelle, die der Benutzer dir gegeben hat oder die du benennen kannst. Wenn du keine hast, frage nach. Erfinde niemals eine Statistik.
- Wähle ein Hinweiswort (
at) für jedes Element, damit die visuellen Elemente auf das gesprochene Wort treffen.
Die vollständige Feldliste findest du in kit/common/SCRIPT.md. Lies sie, bevor du das Skript schreibst.
2. Erstelle das Projekt
<Ordner dieses Skills>/kit/new-video.sh remotion <neuer-Ordner>
cd <neuer-Ordner>
npm install
npm install dauert etwa 20 Sekunden. Der erste Render lädt auch Chrome Headless Shell (etwa 470 MB) in node_modules herunter.
3. script.json schreiben, prüfen, dann für die Stimme bezahlen
Ersetze das Beispiel script.json durch das Skript des Benutzers, dann:
python3 narrate.py --check # Validiert und gibt die Zeichenanzahl aus, kein API-Aufruf
Zeige dem Benutzer die gesprochenen Zeilen und die Zeichenanzahl, und hole ein Ja ein, bevor der nächste Befehl ausgeführt wird. ElevenLabs berechnet pro Zeichen.
python3 narrate.py # Schreibt public/narration.wav und src/spec.json
Es gibt die Start- und Längen jeder Szene aus. Zeilen werden in .tts-cache/ gecacht, sodass eine erneute Ausführung nach einer Bearbeitung nur für die geänderten Zeilen bezahlt.
4. Prüfe Standbilder vor einem vollständigen Render
Ein Standbild dauert etwa 4 Sekunden; ein vollständiger Render dauert etwa so lange wie das Video.
npx remotion still src/index.ts Video out/check.png --frame=150
Frame = Sekunden × 30. Render ein Standbild innerhalb jeder Szene, etwa eine Sekunde nach ihrem letzten Hinweiswort, und schau dir jedes an. Prüfe, ob der Text in die Karte passt, nichts die Untertitel oder das Maskottchen überlappt und nichts Wichtiges unter y = 1620 liegt (die Shorts-/Reels-UI bedeckt es).
5. Rendern
npm run render # -> out/video.mp4
npm run studio # optional: Vorschau mit einer Zeitleiste und Hot Reload
6. Bericht
Führe ffprobe auf der Datei aus und teile dem Benutzer die Länge, die Größe und den Speicherort mit. Sage, was du geprüft hast (Standbilder) und was nicht (du kannst weder das Audio hören noch die Bewegung sehen). Bitte ihn, es einmal mit Ton anzuschauen.
Dinge ändern
| Um dies zu ändern | Bearbeite |
|---|---|
| Farben, Channelname, Fußzeile, Untertitel an/aus, Maskottchen an/aus | script.json, dann python3 narrate.py (kostenlos, das Audio ist gecached) |
| Stimme | voice.id in script.json oder ELEVENLABS_VOICE_ID. Eine neue Stimme berechnet jede Zeile erneut. |
| Schriftart | Lege .ttf-Dateien in public/fonts ab, liste sie in src/fonts.ts auf, ändere FONT in src/util.ts |
| Layout eines Szenentyps | Seine Komponente in src/scenes.tsx |
| Kopfzeile, Karte, Untertitel, Sprechblase, Konfetti | src/Video.tsx |
| Das Maskottchen | src/Mascot.tsx |
Eine Szenenart hinzufügen
- Schreibe eine Komponente in
src/scenes.tsx, die{s: Scene}entgegennimmt und ihren Inhalt in<Layer s={s}>einbettet. - Füge sie am Ende dieser Datei zu
KINDSund zurkind-Union insrc/util.tshinzu. - Füge sie mit ihren erforderlichen Feldern zu
KINDSinnarrate.pyhinzu.
Das Maskottchen austauschen
Portiere das SVG der Figur als JSX in src/Mascot.tsx. Lade die .svg-Datei nicht. Behalte fünf Dinge, die pro Frame gesteuert werden: Mundhöhe von open, Augen scaleY von blink, Pupillenversatz, Augenbrauenversatz und eine Kopf-Gruppe, die sich neigt. Wenn sich das SVG später ändert, muss der Port erneut durchgeführt werden.
Regeln, die Remotion-Render korrekt halten
- Alles auf dem Bildschirm ist eine Funktion des aktuellen Frames. Kein
useState, keine CSS-Übergänge, keinsetTimeout, keinMath.random(). Remotion rendert Frames parallel und in beliebiger Reihenfolge, daher bricht alles, was einen Speicher hat, das Rendering. Verwenderandom(seed)vonremotion. - Die gesamte Zeitsteuerung stammt aus
spec.json. Hartcodiere niemals eine Zeit in Sekunden. Liess.start,item.toder dasteines Wortes, damit eine neue Erzählung das Video ohne Codeänderungen neu timt. - Schriftarten werden in
src/fonts.tshinterdelayRendergeladen. Ohne dies kann ein Frame erfasst werden, bevor die Schriftart bereit ist. - Dateien, die der Browser zur Renderzeit lädt (Audio, Schriftarten, Bilder), befinden sich in
public/und werden mitstaticFile()referenziert. - HTML umbricht lange Texte, aber nichts verkleinert sie. Der Starter wählt Schriftgrößen basierend auf der Zeichenanzahl. Wenn du Text hinzufügst, mache dasselbe, sonst läuft er über die Karte über.
- Ein Spring ist
spring({frame: frame - at * fps, fps, config}). Derpop()-Helfer inutil.tskapselt ihn. - Die Lippensynchronisation stammt aus den Wortzeitsteuerungen (
mouthOpeninutil.ts), ohne Audioanalyse. - Die Videolänge wird auf einen ganzen Frame aufgerundet, sodass das MP4 bis zu 1/30 s länger als
spec.totalsein kann.
Zahlen von unserem Testrechner (Apple M2, 8 GB RAM)
- 25 s Video: 26,5 s zum Rendern, 4,9 MB.
node_modules: 240 MB nach der Installation, etwa 950 MB nach dem ersten Render (Chrome Headless Shell plus der Webpack-Cache).