Communitygithub.com

Talking Head

Fertigkeit für Video und Animation. Verwandelt eine Aufnahme von Ihnen, die in die Kamera spricht, in ein fertiges Video mit Quellenkarten, Statistikgrafiken, Untertiteln, bereinigtem Audio, Musik, Shorts und Thumbnails, ausgeliefert als 16:9 und 9:16.

Was ist Talking Head?

Die Talking-Head-Fertigkeit ist speziell für die Erstellung professioneller Erklärvideos und News-Beiträge aus vorhandenem Sprecher-Filmmaterial konzipiert. Sie verarbeitet eine kontinuierliche oder mehrere Aufnahmen, transkribiert den Ton lokal mit KI-Modellen (Parakeet, mlx-whisper, faster-whisper) und erstellt ein vollständiges Video mit verschiedenen Layout-Optionen. Das System unterstützt fünf verschiedene Stile: Evidence (für rechtliche Inhalte), Studio (für Frameworks), News (für Geschichten mit Zeitstrahl), Board (für Countdowns) und Army (für Split-Panel-Grafiken). Der Workflow ist strikt durch drei Qualitäts-Gates geschützt: ein Vorschau-Gate, bei dem der Benutzer Kontaktabzüge genehmigen muss, ein Audio-QC-Gate und ein Ausgaben-Gate für kostenpflichtige KI-Medien. Die Ausgabe umfasst 16:9- und 9:16-Finalformate, Shorts, Thumbnails und ein YouTube-Kit. Die Fertigkeit wird in erster Linie über die CLI (th.py) im Video-Studio-Ordner gesteuert und ist auf macOS, Linux und Windows lauffähig. Sie ist das Schwester-Skill von faceless-video und teilt sich die gleiche Ordnerstruktur und Genehmigungslogik.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/lokiverde/video-studio/tree/HEAD/skills/talking-head

In Ihrer bevorzugten KI fragen

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

Dokumentation


name: talking-head description: Verwandelt eine Aufnahme von Ihnen, die in die Kamera spricht, in ein fertiges Video mit Quellenkarten, Statistikgrafiken, Untertiteln, bereinigtem Audio, Musik, Shorts und Thumbnails, ausgeliefert als 16:9 und 9:16. Verwenden Sie diese Fertigkeit, wenn der Benutzer „talking head“, „talking head video“, „wrap my video“, „put a wrapper on this video“, „studio style“, „news desk“, „board style“, „list video“, „army style“ oder „split layout“ sagt oder einen Pfad zu Filmmaterial von sich selbst sowie eine Gliederung oder Quellen angibt. NICHT faceless-video: Hier ist der Benutzer im Bild und seine eigene aufgezeichnete Audiodatei ist die Erzählung.

Was macht Talking Head?

Schwester-Skill von faceless-video. Gleicher Ordner, gleicher Jobs-Ordner, gleiche Genehmigungspforte. Führen Sie Befehle aus dem Video-Studio-Ordner (dem mit scripts/) aus: python3 scripts/th.py ... auf Mac und Linux, python scripts/th.py ... auf Windows. Jedes Video ist ein Job-Ordner, jobs/YYYYMMDD-HHMMSS-<wort>/. Die Remotion-Vorlage liegt in talking-head/ (führen Sie dort npm install einmal aus). ffmpeg und ffprobe müssen im PATH sein.

Die drei Pforten (nichts umgeht sie)

  1. Vorschau-Pforte. Es wird nichts gerendert, bis der Benutzer die Kontaktabzüge gesehen und grünes Licht gegeben hat. th.py render verweigert ohne eine Genehmigung. Das Ändern von job.json oder des B-Rolls nach der Genehmigung macht diese ungültig, sodass der Benutzer zuerst einen neuen Abzug sieht.
  2. Audio-Pforte. Jedes Finale durchläuft eine Audio-QC (Pegel, True Peak, Lautheitsbereich, leise Passagen). Beheben Sie Fehler mit th.py level. Laden Sie kein Finale hoch, das die Prüfung nicht besteht.
  3. Ausgaben-Pforte. Kostenlose Medien sind die Standardeinstellung. Bezahlte KI-Videos werden nur nach ausdrücklicher Zustimmung des Benutzers zu einer bepreisten Liste ausgeführt.

Was es erstellt

Layouts wechseln sich ab: Vollbild des Sprechers für den Aufhänger und jede Frage; ein Beweis-Layout (eine gerahmte Karte mit jeweils einer Quelle in einem Bereich daneben), während der Sprecher eine Behauptung aufstellt; und vollflächiges B-Roll, sparsam eingesetzt. Ausgabe: 16:9- und 9:16-Finale, Shorts, Thumbnails und ein YouTube-Kit.

Stile

Legen Sie "style" in job.json fest. Die Pipeline und die Pforten sind für alle fünf gleich.

  • evidence (Standard): weißer Hintergrund, gerahmte Karte, Quelldokumente mit Hervorhebungen, fortlaufende Untertitel. Am besten für Recht, Gesetze, „Hier ist der Beweis“.
  • studio: ein Farbverlaufshintergrund pro Abschnitt (theme: light, blush, lime, periwinkle, dark, crimson, midnight), die Karte wechselt die Seite (side), kinetische phrases in 16:9, große Statistiken, nummerierte Listen, die zeilenweise aufgebaut werden. Am besten für Frameworks. Eigennamen behalten ihre Großschreibung in Stilen mit Kleinbuchstaben.
  • news: Der Sprecher bleibt im Vollbild. Bewegung entsteht durch typed Zeilen (max. 12 Wörter, 2 Zeilen, hl farbt Schlüsselwörter), stickers (transparente PNGs aus th_sticker.py), gerahmte cutaways ("fit": "blur" für Porträtfotos), pullquote-Karten und chapters. Am besten für eine Geschichte mit einem Zeitstrahl. Fotos müssen Ihre eigenen, offizielle, gemeinfreie, Screenshots des echten Dokuments oder generische generierte Szenen sein. Niemals ein generiertes Bild einer realen Person.
  • board: Sprecher im Vollbild, eine wiederkehrende Vollbild-board, die das aktuelle Listenelement beleuchtet, echte Kommentar-Screenshots als receipt-Blöcke (Namen unkenntlich gemacht), Schlüsselwort-Untertitel, Soundeffekte. Am besten für Countdowns. "layout": "split" auf einem Beat ergibt einen Quiz-Stil: Sprecher im rechten Drittel, Grafiken in einer hellen Karte, die schwenkt, ein großer Zahlen-Übergang vor jedem Element.
  • army: ein Split-Panel-Grafikstil. Der Sprecher sitzt in einem gerahmten Bereich neben Grafiken, die auf einer dunklen strukturierten Leinwand schwenken und überblenden. Keine Abschnitte: beats [{from, to, layout}] in Quellsekunden. Layouts: split (eine graphic, ein Bildschirmaufnahme-clip oder ein Artikel-shot), full, inset (Sprecher wird auf eine Box verkleinert, während eine Pointe aufsteigt) und graphic (Vollbild, während Audio abgespielt wird). Legen Sie brand-Farben fest.

Studio-Blöcke (headline, bigstat, steps, bars, screen) funktionieren in jedem Stil.

Eingaben

  • Filmmaterial. Eine durchgehende Aufnahme ist in Ordnung. Mehrere Aufnahmen: siehe unten.
  • Gliederung oder Skript, idealerweise mit einer Quelle pro Punkt. Schreiben Sie zuerst die Beweise: Behauptung, Quelle, Zahl, Schlussfolgerung. Schreiben Sie in der Stimme des Benutzers: keine Gedankenstriche, keine Standardphrasen.

Arbeitsablauf

1. Job erstellen

python3 scripts/th.py new <video> --title "..." --word <wort>

--word ist EIN Wort für den Ordnernamen: die Stadt oder das Thema. new erstellt eine 1440p-Arbeitskopie (das Original bleibt unberührt), transkribiert lokal, gibt das Transkript mit Zeitstempeln aus, schlägt Schnitte bei langen Stillephasen vor und listet Wörter mit geringer Konfidenz auf. Überprüfen Sie jedes markierte Zahl, Jahr und Gesetz mit dem Gehör: Spracherkennung kann aus „drei Jahre“ auch „dreißig Jahre“ machen.

Transkription: Parakeet (~/video-studio/.venv-parakeet) auf Apple Silicon Macs, mlx-whisper in ~/video-studio/.venv-whisper als Fallback. Auf Windows, Linux und Intel Macs, faster-whisper in ~/video-studio/.venv-faster-whisper (oder dem Haupt-Python). Die Ausgabe ist die gleiche.

Mehrere Aufnahmen? th.py takes plan <script.md> <main.mp4> <anderes.mp4> ... --out <verz> wählt den besten Versuch für jeden Abschnitt aus. Lesen Sie den Plan, dann th.py takes splice <verz> schreibt master.mp4. Führen Sie new darauf aus.

1b. Sprachbereinigung (jeder Job, direkt nach new)

python3 scripts/th.py enhance <job>

Führt die lokale KI-Stimme aus (Resemble Enhance in ~/video-studio/.venv-enhance mit studio/enhance_voice.py): Rauschunterdrückung, Höhenwiederherstellung, -14 LUFS. Es ist CPU-Arbeit, langsamer als Echtzeit, daher im Hintergrund bei langem Filmmaterial ausführen. Ohne den Enhancer wird auf die studio-EQ-Voreinstellung zurückgegriffen. Auch: --voice clean|broadcast|studio, --undo und --export dann --adobe <wav> für Adobe Podcast Enhance von Hand. Bereits gerendert? th.py revoice <job> --ai tauscht die Stimme in beide Finale aus.

Raum- oder Klassenaufnahmen: --room, niemals die KI-Stimme. Die KI-Stimme ist generativ, daher werden entfernte Sprecher als fälschlich selbstbewusste falsche Wörter ausgegeben. th.py enhance <job> --room (vor dem Rendern) oder th.py revoice <job> --room (nach dem Rendern) entrauscht die gesamte Spur, ohne Wörter zu erfinden. Niemals rohes Audio in die KI-Spur schneiden.

2. Schnitte

Vorgeschlagene Schnitte sind Hinweise. Fügen Sie ein einzelnes „okay“ in toter Luft in einen Schnitt ein. Setzen Sie srcEnd etwa eine Sekunde nach dem letzten Wort; die Endkarte übernimmt die Landung.

3. Beweise

Holen Sie die echte Quelle für jede Behauptung und zitieren Sie sie genau. Bereiche sind gerenderter Text, keine Screenshots, daher bleiben Hervorhebungen scharf. Kürzen Sie mit „...“ aber formulieren Sie ein Zitat nie um. Überprüfen Sie jeden Namen, jede Zahl und jeden Codeabschnitt.

4. Schreiben Sie jobs/<job>/job.json

Alle Zeiten sind QUELLSEKUNDEN. Finden Sie sie mit th.py find <job> „Phrase“.

title, source („footage.mp4“), srcEnd, cuts [[from,to],...]
captionFixes [[„falsch verstandene Phrase“,“korrekter Text“],...]
hook        {from,to, broll:[Dateien in public/], kicker, title}
lowerThird  {from,to, name, line}, oder eine Liste davon
youtube     {title, description, tags[], hashtags[], intro_chapter}
counter     {from,to, count}          nummerierte Punkte für „diese fünf Fragen“
disclaimer  {from, text}
endCard     {seconds, kicker, headline, sub}
brand       Farbüberschreibungen: navy ink paper amber red yellow green mute
framing     {full, card, portraitFull, portraitCard}: jeweils {x, y, zoom}
cutaways    [{from,to,file}]          Vollbild-B-Roll über dem Audio
sections    [{ tag:{n,topic,from,to}, evidence:[from,to], blocks:[...], chapter? }]
beats       nur Army-Stil

Blöcke (2 bis 3 pro Abschnitt): statute {cite, heading, parts:[text oder {hl, at}]}, quote {text, at, xAt?}, stat {label, value, at}, strike {value, note, at, noteAt}, list {items:[{name, who, at}]}, bar {label, at, dangerAt, noteAt, note}, formula {terms, caption, at}, traffic {items:[{color, title, body, at}]}, cta {kicker, headline, at}, note {text, at, color?}.

tag läuft, während der Sprecher die Frage stellt; evidence öffnet sich, wenn die Antwort beginnt. Setzen Sie at auf das erste Wort der Phrase, zielen Sie auf einen Hinweis alle 2 bis 5 Sekunden ab und halten Sie jeden Hinweis innerhalb seines Fensters und außerhalb jedes Schnitts.

Führen Sie python3 scripts/th.py check <job> nach jeder Bearbeitung aus. Es erzwingt Fenster und Schnitte und gibt eine PACING- Warnung für jeden Abschnitt über 7 Sekunden ohne Änderung aus. Beheben Sie jede einzelne: Fügen Sie einen Hinweis innerhalb eines Beweisfensters hinzu, oder bei einem Vollbild-Sprecher einen 3 bis 5 Sekunden langen cutaway zu der Phrase, die er illustriert (niemals auf einem Frage-Tag, niemals überlappend mit einem Schnitt oder einem anderen Cutaway).

B-Roll: kostenlos standardmäßig, kostenpflichtig nur nach Zustimmung des Benutzers

hook.broll und cutaways verwenden Standbilder oder Clips aus jobs/<job>/public/.

  • Kostenlos: 3 bis 6 Standbilder vom Medienserver (TIM_MEDIA_URL in config.env, siehe tim/service.py), oder Ihre eigenen Fotos. Fragen Sie nach fotorealistischen Bildern ohne Text.
  • Bezahltes Video, nur nach Zustimmung des Benutzers: (1) Listen Sie jede Einstellung mit Ort, Sekunden und einer Aufforderung auf; (2) bepreisen Sie das genaue Modell und die Einstellungen und überprüfen Sie den Kontostand; (3) zeigen Sie die Liste und die GESAMTSUMME, dann STOPPEN Sie; (4) generieren Sie nur nach einer klaren Zustimmung für diese Liste. Bild-zu-Video von einem genehmigten Standbild funktioniert am besten. Fordern Sie nur Bewegung an: generiertes Video verfälscht sprechende Personen und lesbaren Text.

Rahmung (vor dem Abzug)

Ziehen Sie 3 Frames aus public/footage.mp4. x, y sind der Fokuspunkt (Bruchteil des Frames), zoom skaliert darum herum. Eine zentrierte Webcam benötigt keine framing. Eine Weitwinkelkamera nach oben gerichtet: Zoom 1.0 bis 1.15, y etwa 0.55 bis 0.62. Überprüfen Sie beide Schnitte. punch: false deaktiviert die Punch-Ins an Schnitten; punchZoom (1.15) und punches stimmen sie ab.

5. Kontaktabzüge, dann STOPP für den Benutzer (harte Pforte)

python3 scripts/th.py sheet <job>

Schreibt work/contact_sheet.jpg (16:9) und work/contact_sheet_9x16.jpg und führt eine Untertitel-QC durch. Lesen Sie beide selbst und beheben Sie, was Sie sehen: Überläufe, Hervorhebungen auf den falschen Wörtern, nicht angewendete Untertitelkorrekturen, Rahmung, alles unter den 9:16-Plattform-UI-Zonen. Senden Sie dem Benutzer dann BEIDE Abzüge und das Ergebnis der Untertitel-QC und beenden Sie Ihren Zug. Starten Sie keinen Render, während der Benutzer sie ansieht.

Untertitel-QC (auch einzeln: th.py capqc <job>) markiert Untertitel über dem Mund oder Kinn (Apple Vision auf einem Mac; anderswo per Augenprüfung) und Untertitel mit einem Kontrast unter 3:1. Markierte Frames gehen nach work/capqc_<schnitt>/.

Bei Änderungswünschen: Bearbeiten Sie job.json, führen Sie sheet erneut aus, senden Sie die neuen Abzüge und warten Sie. Nach Zustimmung des Benutzers: python3 scripts/th.py approve <job>, dann rendern. approve verweigert einen Abzug, der älter als der Job ist. --no-preview überspringt die Pforte, nur auf ausdrücklichen Verzicht des Benutzers für diesen Job.

6. Rendern und QC

python3 scripts/th.py render <job> [--only 16x9|9x16]

Blockiert bis zur Genehmigung. Schreibt out/final_16x9.mp4 und out/final_9x16.mp4 (etwa 4 Minuten pro 2.5 Minuten Video). Für lange Renderings: python3 scripts/bg_run.py --name <label> -- python3 scripts/th.py render <job>. Render-QC erfasst schwarze Frames, Stille über 2 s außerhalb der Endkarte und Audio-Drift.

Überprüfen Sie dann jedes Finale mit ffprobe und ziehen Sie 4 bis 6 Frames um die Schnitte und die Endkarte.

  • Wortprüfung läuft automatisch (oder th.py words <job>). Sie listet LISTEN at these times für Wörter auf, die an einem Schnitt verloren gehen, Stotterern und vertauschten Wörtern. Es ist keine Pforte: Hören Sie jedes Mal zu, bevor Sie berichten.
  • Audio-QC läuft automatisch (oder python3 scripts/audio_qc.py out/final_16x9.mp4 --target -14). Sie überprüft den Pegel innerhalb von 1 LU des Ziels, True Peak unter -1 dBTP, Lautheitsbereich unter 8 LU und 10 s lange Sprachabschnitte 6 LU unter dem typischen Pegel. Es ist eine Pforte.
  • Beheben Sie leise Passagen ohne erneutes Rendern: python3 scripts/th.py level <job> [--switch S]. Es hebt Sprache um mehr als 3 dB unter dem typischen Pegel an, wendet erneut -14 LUFS an und mischt die Musik neu. Alte Finale werden als work/final_*_prevoice.mp4 aufbewahrt. Schneiden Sie dann die Shorts neu.

6b. Musik und Soundeffekte (optional, nach dem Rendern)

python3 scripts/th.py music <job> <track> [--level -30] [--hook-track <track>] [--switch S] [--no-sfx]

Schleift einen Hintergrund aus assets/music/, unter der Stimme abgesenkt, in out/final_16x9_music.mp4 und final_9x16_music.mp4. Das Video wird kopiert, daher dauert dies Sekunden ohne erneutes Rendern. --level ist die Hintergrundlautstärke in LUFS (-30 Standard). --hook-track spielt eine zweite Spur unter dem Aufhänger und geht bei --switch in den Hintergrund über (Army-Jobs benötigen --switch). Soundeffekte aus assets/sfx/ werden pro Hinweis eingemischt; --no-sfx lässt sie weg. Verwenden Sie nur Spuren, die Sie erstellt oder lizenziert haben.

6c. Shorts und Thumbnails (nach jedem Rendern)

Shorts. Wählen Sie 2 bis 3 eigenständige Abschnitte von 20 bis 55 Sekunden aus, die jeweils mit einer Behauptung beginnen. Start und Ende sind gesprochene Phrasen, die mit den Untertiteln übereinstimmen:

"shorts": [{"start": "Nach Landesrecht ist ein Auszug ohne Verschulden", "end": "gehört in Ihr Angebot",
            "hook": "2.500 € MIETE, 10.500 € ZUM AUSZUG", "title": "...",
            "description": "Zwei oder drei Sätze in der Stimme des Benutzers."}]
  • Ein opener ist ein einleitender erster Frame (ca. 1,2 s): {"type": "number", "text": "...", "sub": "..."}, oder photo, broll, archive, receipt, prop, location. Variieren Sie die Typen, damit zwei Shorts hintereinander nie gleich beginnen.
  • Starten Sie mitten im Gedanken (nicht mit „also“, „okay“, „und“ oder „ähm“). Hooks umfassen 2 bis 6 Wörter. Banner: Standard, Rot, Orange, Grün, Kein (shorts_banner pro Job, banner pro Short). Titel- und Beschreibungsänderungen machen die Genehmigung nicht ungültig.
python3 scripts/th_shorts.py sheet <job>    # work/shorts_sheet.jpg: Hook-Frame und letzter Frame
python3 scripts/th_shorts.py approve <job>  # nach Zustimmung des Benutzers
python3 scripts/th_shorts.py cut <job>      # out/short_<n>.mp4, short_<n>_cover.jpg, shorts.md

Titel- oder Beschreibungsänderungen später: python3 scripts/th_shorts.py kit <job> (kein Neuschnitt). Beheben Sie jede FIRST FRAME:-Warnung. sheet und cut warnen jenseits von etwa 70 bis 95 s, wo die Dateilimits einiger Upload-Tools zuschlagen. Das Titelbild ist das benutzerdefinierte Shorts-Thumbnail.

Thumbnails. Fügen Sie einen thumbnail-Block hinzu, dann python3 scripts/yt_thumb.py --job <job>. Es schreibt out/thumb_variants/: A (mit Gesicht), B (A ohne Gesicht, eine Variable geändert), C (schlicht), phone_sizes.jpg und kopiert A nach out/thumbnail.jpg. Lesen Sie phone_sizes.jpg (ein Wort, das bei 168 px zu Matsch wird, wird herausgeschnitten).

"thumbnail": {"lines": ["WORT EINS", "WORT ZWEI"], "accent": 1, "mark": "IHR MARKENZEICHEN",
              "bg": "work/thumb_bg.jpg", "fa
...
(abgeschnitten für die Übersetzung)

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Verwandte Skills