Communitygithub.com

clip-sound-post-flow: voiced vertical cut, real SFX, posted

Short vertical videos in Remotion from script to post: record a voice-over and measure word timings (Voice Studio), drop in new clips, sound design with real sounds, final export for TikTok/Reels, and posting to TikTok and Instagram with draft, approval, publish and read-back.

What is clip-sound-post-flow: voiced vertical cut, real SFX, posted?

Product Promo Film recipe step 3 (the feed cut), from JasperKallfelz/shortform-edit-kit (released 2026-10-08; README has a 30-second flow GIF, a real 16-second example made with the kit and GIFs of each named effect such as WordPop). The order is fixed: script and voice-over, clips, sound design, export, posting. You read your script in a local browser recorder with a teleprompter (npm run voice-studio, no account); npm run vo measures word timings and rewrites src/timing.ts, and it aborts rather than deliver wrong times when the word count does not match. Clips can come from a WhatsApp chat or the photo library, and a still image in the chat is matched to its video with a contact sheet. Sounds are picked in a local listening page, processed and synced into the Remotion project. post_render.sh exports TikTok/Reels versions with and without music, with loudness checks and a cover. post_social.py checks a post, creates it as a draft, publishes only with the publish flag, and reads the post state back. You talk in short sentences and correct proposals in the studio; the agent runs the commands. macOS.

Works with~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JasperKallfelz/shortform-edit-kit/tree/HEAD/skills/clip-sound-post-flow

Ask in your favorite AI

Open a new chat with this agent skill pre-loaded.

Documentation

Clips rein, Sound drunter, fertig für den Post

Volle Fassung mit allen Befehlen und Begründungen: edit-tools/README.md in diesem Repo. Sound-Kit und Pegel-Regeln: sfx-kit/README.md. Beispielprojekt mit allen Bausteinen: beispiel/.

Der Mensch tippt keine Befehle. Er sagt in kurzen Sätzen, was er will, oft mehrere Aufträge hintereinander, und will einen Vorschlag im Studio sehen oder hören, den er dann korrigiert. Große Auswahl-Aufgaben nicht an ihn zurückgeben.

Was schon automatisiert ist (edit-tools/)

AufgabeBefehl
Chats mit neuen Videoswhatsapp_clips.py chats --days 7
Videos eines Chats holen + in die Fotomediathekwhatsapp_clips.py export "<Name>" --date JJJJ-MM-TT --fotos
Clip zu einem Standbild findenkontaktbogen.py <ordner>, Bogen ansehen
Wortzeiten eines Clipswhisper-cli -m ggml-medium.en.bin -f clip.wav -ml 1 -sow -oj
Datei im Projekt sicher ändernpatch_lines.py <datei> <md5> <swaps.json> (bricht ab, wenn die Datei sich geändert hat)
Sounds zum Aussortieren zeigenhoerseite.py → http://localhost:3700; Urteile in auswahl.json
Behaltene Sounds aufbereiten und ins Projekt bringensfx-kit/tools/prepare_sfx.py, dann sfx-kit/tools/sync_remotion.py <projekt> [md5]
Export für TikTok/Reels (mit und ohne Musik, Lautheit, Cover)EDIT_HOST=<ssh-name> post_render.sh <projekt> <Komposition> <Name> [Frames]

Clips reindroppen

  1. Holen (WhatsApp-Skript oder Fotomediathek). Ein Standbild im Chat heißt „dieses Video“: Datei selbst suchen, per Kontaktbogen.
  2. Stelle wählen: die Einstellung aus dem Standbild, oder per whisper eine Textstelle, die zum Voiceover passt.
  3. Datei nach public/, Slot in den Props (Label, Datei, Startsekunde), damit sich der Ausschnitt im Studio verschieben lässt. Bausteine: Inset (Clip auf weißer Karte, optional langsamer Zoom auf die Person), Squiggle (handgezeichneter Kringel-Pfeil), Wort-DSL Words.
  4. Einzelbild rendern (npx remotion still) und wirklich ansehen, bevor „fertig“ gesagt wird.
  5. WhatsApp-Clips sind verkleinert (meist 1024 × 576): im Bericht sagen, Original beim Absender anfragen.

Sound-Design

  • Nur echte, aufgenommene Geräusche. Nichts Synthetisches (keine Spiele-/UI-Pakete, keine Ticks, Pops, Blips).
  • Jede Bewegung bekommt einen kleinen Sound, leise genug, dass er nicht eingefügt klingt. Auslöser, Mausklick, Klapptafel, Papier, Bleistift, Tasten; Whoosh nur ganz minimal. Effekte nie lauter als die Musik.
  • Bewährt: Taste je Textzeile, Bleistift auf Schreibschrift und gezeichneten Linien, Auslöser wenn ein Foto oder Clip erscheint, Auslöser-Serie auf einer Fotowand, Klapptafel für Kacheln und laufende Zahlen, Seite blättert auf einen Schnitt, rückwärts gespieltes Becken ins Musik-Loch vor dem Höhepunkt, echte Trommel auf dem Höhepunkt.
  • Jede Cue hängt an einer Wortzeit oder Animations-Konstante und hat einen Namen für die Studio-Zeitleiste. Pegel über loud + 20·log10(vol) setzen (Richtwerte im README). Danach Nur-Effekte-Render und Lücken über 0,5 s auflisten.
  • Nicht auf das Sortieren von hunderten Kandidaten warten: nach Beschreibung auswählen, einsetzen, benennen, korrigieren lassen.

Fertig machen für den Post

  • post_render.sh liefert 1080 × 1920, 30 fps, H.264 High, AAC 320 kbit/s, höchstens −14 LUFS / −1 dBTP, einmal mit und einmal ohne Musik.
  • Vor einem öffentlichen Post die Musik-Frage ansprechen (docs/recherche-2026-10.md).
  • Beschreibung und Hashtags vorschlagen; der Mensch gibt frei, dann Entwurf, dann zweite Freigabe, dann veröffentlichen.

Varianten

Ein Video ist eine Vorlage. Für drei bis vier Varianten (zum Beispiel als Test-Reels) bekommt jede ihren eigenen Voiceover-Take mit eigenen Wortzeiten; Bild und Sounds hängen an den Wortzeiten und wandern mit. Zwischen Varianten nur eine Sache ändern, zuerst die ersten 1,5 Sekunden.

Psychologie für Skript und Schnitt

  1. Die ersten 1,5 bis 3 Sekunden entscheiden: mit dem stärksten Bild anfangen.
  2. Ein klarer emotionaler Höhepunkt, verbunden mit dem Inhalt; die Musik setzt davor kurz aus.
  3. Gesicht groß und früh.
  4. Text im Bild, Wort für Wort zum Voiceover.
  5. Kein Gesang unter der Stimme.
  6. Zügig und engagiert sprechen; Schnitte alle zwei bis drei Sekunden reichen.
  7. Sättigung hochdrehen bringt nach Beleglage nichts; Belichtung, Kontrast und Wärme angleichen.

Skript-Muster für 15 Sekunden und rund 40 Wörter: Aufbruch → Ort und Schritt → Menschen → was wir bauen (Höhepunkt auf dem Namen) → Anspruch → Absender und offenes Ende. Jede Zeile ein eigenes Bild; Bewegungen sind vor dem betonten Wort fertig.

Regeln

  • Mehrere Agenten am selben Projekt: vor jedem Schreiben md5 vergleichen, vorher Sicherung mit Endung .bak.
  • Fotos und Videos als Originale, wo es sie gibt; Ersatz ausdrücklich nennen.
  • Nichts posten und nichts Öffentliches ändern ohne ausdrückliche Freigabe.

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Related Skills