Kurzvideo-Produktions-Agent
Erstellt eine fertige MP4 aus einem Thema. Codex übernimmt Skript, Regie und Materialerstellung; beigelegte Skripte synchronisieren Bilder und BGM an die tatsächliche Audiolänge. Kein dauerhafter Dienst, sondern ein per Chat aufrufbarer Produktions-Skill.
Eingabe und Standardeinstellungen
- Nimmt ein Thema, Notizen, eine URL zu einem Quellmaterial oder ein vorhandenes Skript entgegen. Falls kein Thema angegeben wird, wird danach gefragt.
- Standardeinstellungen (falls nicht abweichend angegeben): Japanisch, 9:16, 1080×1920, 30 fps, ca. 45 Sekunden, freundlicher Erzählton. Abweichende Angaben zu Länge, Stimme, Bildstil oder Veröffentlichungsplattform haben Vorrang.
- Sendungsname, KI-Charakter, Radiobegrüßung oder Überleitung zum Hauptteil werden nicht automatisch eingefügt.
- Ausgabe erfolgt in
output/shorts/<Datum-Uhrzeit>-<Thema>/. Korrigierte Versionen werden in einen neuen Ordner ausgegeben.
Produktion
- Skript: Reduziere die Kernbotschaft auf einen Punkt. Gliederung: Aufhänger am Anfang → konkretes Beispiel/Erklärung → kurze Zusammenfassung. Als ersten Richtwert ca. 120–150 Zeichen für 30 Sekunden; finale Anpassung an die tatsächliche Länge der generierten Sprachaufnahme. Prüfe aktuelle Informationen und Zahlen anhand von Quellen und Primärliteratur, notiere die Referenzen.
- Szenenaufteilung: Teile das Skript in sinnvolle Szenen auf (je eine Bedeutungseinheit). Lege für jede Szene fest: Vorlesetext, Bildanweisung, kurzer Texteinblender auf dem Bildschirm. Wenn keine Bestätigung der Struktur verlangt wird, fahre direkt mit der Produktion fort.
- Bildgenerierung: Prüfe verfügbare Bildgenerierungstools und deren Fähigkeiten, generiere Szenenbilder. Achte auf einheitlichen Stil, Personen und Farben, sowie den sicheren Bereich des vertikalen Formats. Schreibe keine langen Skripttexte in die Bilder. Falls benötigte Tools nicht verfügbar sind, informiere über die Situation und setze mit möglichen Schritten fort (z. B. Verwendung von Benutzermaterial). Behandle keine Platzhalterbilder als fertiges Material.
- Sprachaufnahme (TTS): Erstelle szenenweise Sprachaufnahmen mit einem verfügbaren TTS. Bei API-Aufrufen prüfe die offizielle Spezifikation; Authentifizierungsdaten werden aus Umgebungsvariablen o. Ä. bezogen. Für lokale macOS-Stimmen kann
say -v Kyoko -f narration.txt -o narration.aiffverwendet werden (vorher Existenz mitsay -v '?'prüfen). Dokumentiere die gewählte Sprachmethode. Ersetze eine gewünschte Stimme nicht ohne Absprache durch eine andere. Prüfe auf falsche Aussprache, unnatürliche Pausen und Länge; bei Überlänge kürze das Skript und generiere neu. - Hintergrundmusik (BGM): Wähle aus: vom Benutzer bereitgestelltes Stück, nachweislich lizenzierte Quelle, verfügbares Musikgenerierungstool. Halte Titel, Quelle und Nutzungsbedingungen in
credits.mdfest. Falls keine Vorgabe und keine Quelle vorhanden ist, kann das beigelegtemake_bgm.pyeine einfache instrumentale Originalbegleitung erzeugen (keine KI-generierte Musik). Reduziere die Lautstärke während der Sprachaufnahme. - Rendering: Speichere ein
manifest.jsonim unten beschriebenen Format und führerender.pyaus. Pfade zu Bildern, Audio und BGM sind relativ zum Manifest oder absolut. Erstelle jede Szene mit der Länge des zugehörigen Audios plus ca. 0,2 Sekunden – kein Beschleunigen oder Abschneiden der Sprachaufnahme. Der Standard-Renderer unterstützt Standbild-Wechsel und separate SRT-Untertitel. Falls Bewegungen oder eingebrannte Untertitel gewünscht sind, implementiere diese zusätzlich (z. B. mit Remotion), bevor ausgeliefert wird. Gib nicht an, dass separate SRT allein bereits ein untertitiertes Video ergibt. - Qualitätskontrolle: Prüfe Auflösung, Ton/Bild, Länge und gesamte Dekodierung der MP4. Extrahiere Einzelbilder, um Bildfehler oder schwer lesbare Stellen zu erkennen. Falls eine Hörprobe möglich ist, prüfe Lautstärke, Aussprache und Balance mit BGM. Falls keine Hörprobe möglich, dokumentiere diesen Bereich. Weicht die Länge deutlich vom Wunsch ab, passe Skript und Audiolängen an.
- Auslieferung: Gib die fertige MP4, das Skript, SRT, Manifest und Quellenangaben als Links zurück. Unterscheide klar zwischen tatsächlich abgeschlossenen Schritten und nicht verifizierten Punkten. Veröffentlichung erfolgt nur auf ausdrücklichen Wunsch.
Render-Befehle
Voraussetzungen: Python 3, ffmpeg, ffprobe. Zusätzliche Python-Pakete sind nicht erforderlich.
{
"bgm": "bgm.wav",
"scenes": [
{"image": "szene-01.png", "audio": "szene-01.aiff", "text": "Dies ist der vorzulesende Text."},
{"image": "szene-02.png", "audio": "szene-02.aiff", "text": "Text der nächsten Szene."}
]
}
python3 <skill-verzeichnis>/scripts/make_bgm.py /absoluter/pfad/output/bgm.wav --seconds 60
python3 <skill-verzeichnis>/scripts/render.py /absoluter/pfad/output/manifest.json --output /absoluter/pfad/output/render-v1
Es werden render-v1/final.mp4, captions.srt und timing.json ausgegeben. Szenenuntertitel sind auf Szenenzeitbasis, nicht wortweise synchronisiert. Bei Fehlern wiederverwende bereits fertiggestellte Materialien, behebe die Ursache und starte das Rendering in einem neuen Ausgabepfad erneut.