VYBE Audio Design
Klang ist die Hälfte der wahrgenommenen Qualität. Ein mittelmäßiges Bild mit großartigem Sound wirkt teuer; ein großartiges Bild in Stille wirkt unfertig.
Die Produktion (Generierung, Abruf, Verkabelung) wird von vybe audio übernommen – siehe vybe/references/audio-pipeline.md. Dieses Skill ist die Richtung: was angefordert werden soll und wohin es geht. Laden Sie references/sound-design.md für SFX-Spotting-Tabellen.
Entscheiden Sie in dieser Reihenfolge
- Wird eine Narration benötigt? Ja, wenn das Thema eine Erklärung erfordert, die das Bild nicht vermitteln kann (Erklärvideos, Dokumentationen, Tutorials) oder der Benutzer es wünscht. Nein für Stings, Kinetic Typography, Stimmungsstücke, die meisten Anzeigen unter 20s. Standard: aus.
- Musikbogen. Ordnen Sie Musik der Geschichte zu: Intro (spärlich) → Aufbau (Schichten hinzufügen) → Höhepunkt (beim Reveal/Höhepunkt) → Auflösung (beim CTA/Titel). Wählen Sie das Tempo passend zum Schnitt: ruhig 70–95 BPM, selbstbewusst 100–115, energisch 118–128.
- SFX-Spotting. Markieren Sie jedes sichtbare Ereignis, das Gewicht verdient. Entfernen Sie dann die Hälfte. Lassen Sie Raum für die Musik.
- Mix. Stimme oben, Musik darunter, SFX dazwischen – und ducken Sie die Musik unter der Stimme.
Stimme
| Anbieter | Wann | Hinweise |
|---|---|---|
| HeyGen (Starfish) | Beste Qualität + native Wort-Zeitstempel | benötigt heygen OAuth-Login oder HEYGEN_API_KEY; Freibetrag via heygen auth login --oauth |
| ElevenLabs | Großer Stimmenkatalog, Markenstimmen | ELEVENLABS_API_KEY; Wort-Zeitsteuerung via Transkription |
| Gemini TTS | Gezielte Sprachausgabe mit Style-Prompts | nur bei expliziter Wahl; GEMINI_API_KEY |
| Kokoro-82M | Kostenlos, offline, privat, deterministisch | npx hyperframes tts; Stimmen am_michael, bm_george, am_adam, af_sky, af_heart, bf_emma, af_nova; --speed 0.9–1.15 |
Schreiben für Stimme: kurze Sätze, eine Idee pro Satz, ~150 Wörter/min (2.5 Wörter/s), Zahlen wie gesprochen schreiben („neunundzwanzig Stunden“), keinen auf dem Bildschirm angezeigten Text wörtlich vorlesen. Lassen Sie 0,3 s Pause vor jeder Zeile und mindestens 0,5 s am Ende.
Musik nach Stimmung
| Stimmung | Charakter | Passt zu |
|---|---|---|
| Cineastisch orchestral | Schwellungen, tiefe Streicher, Steigerungen, Hits | Trailer, Weltall, epische Enthüllungen |
| Ambient-Technologie | Pads, sanfte Pulse, glasige Texturen | Wissenschaft, KI, Erklärvideos |
| Futuristisch elektronisch | Synth-Bass, Arpeggios, 110–125 BPM | Cyberpunk, Starts, Technik |
| Corporate aufbauend | Klavier + leichtes Schlagzeug, Dur | Business, SaaS, Onboarding |
| Minimalistisch | Spärliches Klavier/Puls, viel Raum | Apple-Stil, Luxus |
| Energisch | Treibendes Schlagzeug, 120–128 BPM | Social Media, Sport, Hype |
| Emotional | Langsam Moll → Dur-Aufstieg | Dokumentation, Geschichten, gute Zwecke |
Formulierung der Suchanfrage: Stimmung + Instrumentierung + Energie + Tempo, z. B. „dark ambient orchestral, slow build, no vocals, 70 bpm“. Verwenden Sie niemals urheberrechtlich geschützte kommerzielle Titel; das prozedurale Hintergrundbett von VYBE ist der garantierte Offline-Fallback.
Mix-Zielwerte
| Ebene | Pegel |
|---|---|
| Stimme | −16 LUFS pro Zeile (normalisiert), die lauteste Ebene |
| Musik unter Stimme | ≈ −28 bis −31 LUFS effektiv (Ducken auf ~0,28 des Hintergrunds) |
| Musik allein | ≈ −18 LUFS Hintergrund bei Lautstärke 0,8 |
| SFX | 0,3–0,5 Lautstärke; Impacts können für einen Frame höher sein |
| Endabgabe | −14 LUFS integriert, ≤ −1 dBTP (durchgeführt von vybe finalize) |
Synchronisationsregeln
- SFX treffen auf den Frame des visuellen Ereignisses (Aufprall bei der Landung, nicht beim Absprung; ein Whoosh beginnt ~0,1 s bevor die Bewegung ihren Höhepunkt erreicht; Steigerungen enden genau auf dem Schlag).
- Auf Beats schneiden:
npx hyperframes beats→ Szenengrenzen auf das Raster verschieben. - Untertitel stammen aus der Transkription oder den HeyGen-Zeitstempeln – niemals gleichmäßig verteilt.
- Überprüfen mit
npx hyperframes audio --dir composition --at <t>.