Explainer (Vox-Stil) → HyperFrames
Ein ~60 s Erklärvideo besteht aus N Blöcken × 10 s (60 s = 6 Blöcke). Der Text von Block k läuft über das Bild von Block k. Werkzeuge: .claude/skills/explainer/tools/ ($T). Style-Guide: references/styles.md. Ausgearbeitetes Beispiel mit Quellen: examples/explainer-eiffel/.
So soll es sich anfühlen
Wie eine gut gemachte App, nicht wie ein Terminal:
- Eine Phase pro Nachricht, dann anhalten und warten. Ein fetter Phasentitel mit einem passenden Emoji.
- Einstellungen und Auswahlmöglichkeiten als Tabellen;
---Trennlinien zwischen Abschnitten; kurze Zeilen, genug Platz zum Atmen. - Kein internes Geschwätz: Niemals über Dateioperationen, Tool-Checks oder Zeitberechnungen erzählen. Nur sprechen, wenn der Benutzer handelt oder etwas fehlt.
- Alles, was eingefügt werden soll, kommt in einen Code-Block, der nur den Prompt enthält; Beschriftungen und Notizen bleiben außen vor.
Phase 0 – Stille Prüfungen (niemals erzählt)
setup/doctor.sh --quiet. Wenn videos/ Erklärprojekte enthält (eine pack.json darin), mit „Willkommen zurück – ein neues Video oder fortsetzen?“ öffnen, anstatt mit Phase 1.
Phase 1 – Willkommen 🎬
Eine kurze Begrüßung, eine 5-zeilige Tabelle zur Funktionsweise (Idee → Look → Stimme → Szenen → Endfassung), dann eine Frage: Worum soll es im Video gehen? Jede grobe Idee ist in Ordnung, oder find one für die besten Themen dieser Woche. Anhalten.
Phase 2 – Thema & Einstellungen ⚙️
find one→ im Internet nach aktuellen Themen suchen; die Top 3 anbieten, jede mit einem einzeiligen Aufhänger (eine Warum/Wie-Frage + eine überraschende Zahl + warum es gut aussehen wird). Tragödien und Klatsch überspringen. Der Benutzer wählt aus; niemals für ihn entscheiden.- Sonst die Idee zu einem einzeiligen Blickwinkel schärfen: eine Frage, deren Antwort überraschend ist.
Dann eine Einstellungstabelle mit ausgefüllten Standardwerten; go akzeptiert alle:
| Einstellung | Standard | Optionen |
|---|---|---|
| Look | collage | collage (kräftige redaktionelle Collage) · diorama (Sepia-Papier-Dokumentation) |
| Bilder | code | code (frei, in HyperFrames erstellt) · ai (Higgsfield oder ein anderer Generator) · mixed |
| Länge | 60 s | 30 s – 10 min, in 10 s Blöcken |
| Seitenverhältnis | 16:9 | 16:9 · 9:16 · beide |
Anhalten.
Phase 3 – Recherche & Skript (still)
videos/<slug>/ erstellen. Jede Behauptung recherchieren: im Internet suchen, jede Zahl mit zwei unabhängigen Quellen gegenprüfen, die URLs speichern. Wenn Quellen widersprechen, den sicheren Wert verwenden oder weglassen. Eine vage wahre Aussage ist besser als eine präzise falsche, daher niemals eine Zahl, ein Zitat oder eine Vorhersage erfinden.
Pro Block einen Erzähltext schreiben, Zahlen ausgeschrieben, klare Sprache:
- Kokoro-Stimmen: 22–26 Wörter pro Zeile. edge-tts-Stimmen: 18–20 Wörter. Der Sprachschritt korrigiert Abweichungen später ohnehin.
- Aufbau: Kalter Einstieg (die überraschendste Tatsache, keine Begrüßung) → Einsatz → Beweise (eine Idee pro Block, jede konkret: eine Zahl, ein Datum oder ein Ort, sich steigernd) → die Wende → Auflösung mit einem Kicker, der Block 1 aufgreift.
- Ton: neugierig, präzise, leicht geistreich. Es erklärt; es verkauft nie.
- Gestaltung über die Blöcke hinweg: ein wiederkehrendes Heldenobjekt, das zurückkommt und sich verändert (der Turm, der Container, die Münze); eine früh aufgeworfene Frage, die zuletzt beantwortet wird; ein Enthüllungsmoment, an den man sich erinnert.
Für jeden Block auch einen Callout (die Zahl oder eine Zwei-Wort-Tatsache auf dem Bildschirm, ≤ 9 Zeichen, z. B. +15 cm, 2,5 Mio, 7 Jahre) und ein visuelles Element wählen. Im Code-Modus ist die kind des visuellen Elements eines von tower-artiger Umriss (SVG anpassen), dots, bars, lean, calendar oder stat. pack.json schreiben (Format unten). Noch nichts anzeigen.
Phase 4 – Stimme 🎙
| Stimme | Klang | Engine |
|---|---|---|
am_michael | US-männlich, ruhige Dokumentation | Kokoro (offline, Standard) |
bm_george | Britisch-männlich, gemessen | Kokoro |
af_heart | US-weiblich, warm und klar | Kokoro |
en-US-ChristopherNeural / en-GB-RyanNeural / en-US-JennyNeural | Microsoft Neural Voices | edge-tts (kostenlos, online) |
samples → Block 1 in jeder der drei Kokoro-Stimmen vertonen und die Dateien senden. Anhalten.
Phase 5 – Das Briefing 📋 (Tor)
Eine Nachricht:
- eine Tabelle mit Blickwinkel, roter Faden, Look, Bilder, Länge/Blöcke, Seitenverhältnis und Stimme
- das Skript als
Block 1 … N - die Quellenliste
Ende: „Alles gut – oder etwas ändern?“ Wiederholen, bis genehmigt. Der Benutzer kann jede Zeile umschreiben.
Phase 6 – Bilder
code Modus: zu Phase 8 springen. Jeder Block wird zu einer Collage-Szene: ein Farbfeld, Papierstruktur, der Callout, der hochzählt, ein Marker-Kreis, der sich selbst zeichnet, und das visuelle Element.
ai / mixed Modus:
- Style Key 🎨: 3 benannte Varianten anbieten, jede in einem Satz (gleiches visuelles System, andere Palette oder Komposition, aus
references/styles.md). Bei der Auswahl den einfügbaren Bild-Prompt geben. Higgsfield:nano_banana_pro, Seitenverhältnis = das des Videos. Die Kosten nennen und auf ein Ja warten, bevor generiert wird. Ein Bild legt den Look fest; es wird jeder Szene beigefügt. - Szenen 🎬: eine Nachricht pro Block (oder alle auf einmal, falls gewünscht). Jede erhält ihren Erzähltext als Kontext und einen einfügbaren Prompt, der aus der Vorlage in
references/styles.mderstellt wird: STIL / SZENE / BEWEGUNG / AUDIO / VERMEIDEN. Einstellungstabelle: Referenzbild = der Style Key, 10 s, 720p+, Umgebungsgeräusch an, alsblockNN.mp4speichern. Higgsfield direkt:kling3_0Pro-Bild-zu-Video mit dem Style Key. Die Gesamtkosten (Blöcke × Credits) zuerst nennen. Oder der Benutzer führt die Prompts in einem beliebigen Generator aus (Veo, Kling, Runway…). - Clips kommen nach Hause 📥: Der Benutzer legt Dateien in
videos/<slug>/clips/ab. Offensichtliche Varianten stillschweigend umbenennen (Block 1.mp4→block01.mp4); nur fragen, wenn eine Zuordnung wirklich mehrdeutig ist. Ein Block ohne Clip wird automatisch durch eine Code-Szene ersetzt.
Phase 7 – Clips prüfen (still)
Ein Einzelbild aus jedem Clip extrahieren und betrachten. Stilfremd oder fotorealistisch: die STIL- und VERMEIDEN-Zeilen verschärfen und nur diesen Block neu generieren. Zwei gleiche Fehlschläge bedeuten, den Prompt umschreiben, nicht nur den Seed ändern. Lesbarer Text in KI-Clips ist ein Fehler im collage-Modus (Text lebt in unseren Callouts und Untertiteln).
Phase 8 – Stimme & Schnitt (still)
~/.local/share/hf-kokoro/bin/python $T/voice.py videos/<slug> # oder --engine edge --voice en-GB-RyanNeural
Jeder Take muss zwischen 7,5 und 9,7 s liegen. Das Werkzeug listet die Übeltäter auf: Diese Zeilen umschreiben (kürzer oder länger), mit --only 3,5 neu vertonen und wiederholen, bis alle passen. Niemals Zeitdehnung.
.venv/bin/python $T/build.py videos/<slug> [--aspect 9:16] # index.html + assets/mix.wav
cd videos/<slug> && npx --yes [email protected] lint && npx --yes [email protected] render -o raw.mp4
ffmpeg -y -i raw.mp4 -af loudnorm=I=-14:TP=-1:LRA=11 -c:v copy -c:a aac -b:a 192k "../../out/<Titel> (16x9).mp4"
lint warnt vor verschachtelten Strukturen und dichten Spuren. Diese betreffen die Studio-Zeitleistenansicht, nicht das Rendering, also ignorieren. Fehler müssen behoben werden. Ein Einzelbild pro Block aufnehmen (snapshot . --at 2.5,12.5,…) und prüfen: Zahlen passen in eine Zeile, der Marker umkreist die Zahl, Untertitel verdecken nicht das Bild.
Phase 9 – Auslieferung ✅
Die MP4-Datei senden. Dann eine kleine Tabelle: Thema, Länge und Seitenverhältnis, Look und Stimme, Quellen (Links). Anbieten: das andere Seitenverhältnis, eine Änderung an einem Block oder ein neues Video.
pack.json
{ "title": "…", "angle": "…", "through_line": "…", "look": "collage", "aspect": "16:9",
"voice": { "engine": "kokoro", "name": "am_michael" },
"blocks": [ { "line": "…", "callout": { "big": "+15 cm", "label": "größer an den heißesten Tagen" },
"visual": { "kind": "bars", "values": [10, 30, 60, 100], "highlight": 3 },
"prompt": "(KI-Modus) vollständiger Szenen-Prompt" } ],
"sources": [ "Verlag – Titel: https://…" ] }
Außerdem eine menschenlesbare pack.md schreiben (Briefing, Skript, Prompts, Quellen). Sie ist die Projektdokumentation.
Regeln
- Fakten: zwei Quellen pro Zahl; Quellen werden mit jedem Video ausgeliefert. Keine erfundenen Zahlen, Zitate oder Vorhersagen.
- Bezahlte Generierung nur nach Nennung von Modell × Anzahl × Credits und Erhalt eines Ja (PLAYBOOK #1).
- Keine Nahaufnahmen von Gesichtern realer Personen generieren; Halbtotale, Silhouetten oder Zensurbalken verwenden, was auch Moderationsablehnungen vermeidet.
- Der Vox-Look ist eine Hommage. Niemals Vox' Logo, Namen oder Branding im Video verwenden.