Communitygithub.com

FilippTrigub/abra

Pipeline d'amélioration vidéo. Utilisez cette compétence lorsque l'utilisateur souhaite affiner, étalonner, réchauffer ou normaliser l'audio de vidéos — y compris des préréglages pour un rendu naturel, cinématographique ou vivant.

Qu'est-ce que abra ?

Cette compétence fournit un pipeline complet d'amélioration vidéo qui applique simultanément un affûtage, un étalonnage des couleurs et une normalisation audio à un lot de vidéos. Elle est particulièrement utile pour les créateurs de contenu, les monteurs vidéo ou toute personne souhaitant améliorer rapidement la qualité visuelle et sonore de leurs vidéos sans intervention manuelle. La compétence prend en charge plusieurs préréglages esthétiques (naturel, cinématographique, vivant) qui ajustent la netteté, la saturation et la température des couleurs de manière prédéfinie. Elle utilise ffmpeg pour le traitement vidéo et normalise l'audio à -14 LUFS, conformément aux normes de diffusion. Le pipeline est exécuté via un script Python (enhance.py) qui nécessite l'installation préalable des dépendances avec uv. L'utilisateur peut spécifier un répertoire d'entrée, un répertoire de sortie et un préréglage. Après l'exécution, la compétence rapporte le nombre de vidéos traitées avec succès, le chemin complet du répertoire de sortie, et liste explicitement les éventuels échecs.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/FilippTrigub/abra/tree/HEAD/skills/video-enhancer

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

video-enhancer — Pipeline d'amélioration vidéo

Affûte, étalonne les couleurs et normalise l'audio pour un lot de vidéos. Aucun sous-titrage — pour le sous-titrage, utilisez la compétence video-captioner.

Pipeline

vidéo entrante → unsharp + eq + colorbalance (ffmpeg) → normalisation audio -14 LUFS → sortie

Préréglages

PréréglageNettetéSaturationChaleur
naturalsubtile+10 %aucune
cinematicforte+35 %chaude (boost rouge, réduction bleue)
vividforte+40 %aucune

Si l'utilisateur n'a pas spécifié de préréglage, demandez-lui quel rendu il souhaite avant d'exécuter. Décrivez brièvement les options : natural pour un résultat propre et discret ; cinematic pour un rendu chaud et percutant prêt pour Instagram ; vivid pour une intensité colorimétrique maximale.

Comment exécuter

Installer les dépendances (première exécution uniquement) :

cd "$SKILL_DIR" && uv sync

Traiter les vidéos :

cd "$SKILL_DIR" && uv run python scripts/enhance.py \
  --input <chemin/vers/entrée> \
  --output <chemin/vers/sortie> \
  --preset natural|cinematic|vivid

Invocations courantes

# Rendu cinématographique
uv run python scripts/enhance.py --input ./input --output ./output --preset cinematic

# Rendu naturel
uv run python scripts/enhance.py --input ./input --output ./output --preset natural

# Rendu vivant
uv run python scripts/enhance.py --input ./input --output ./output --preset vivid

Après l'exécution

Rapportez à l'utilisateur :

  • Combien de vidéos ont été traitées avec succès et combien ont échoué.
  • Le chemin complet du répertoire de sortie.
  • Si des vidéos ont échoué, nommez-les explicitement.

Cas particuliers

  • Si ffmpeg n'est pas installé : dites à l'utilisateur de l'installer (sudo pacman -S ffmpeg sur Arch/CachyOS, brew install ffmpeg sur macOS, sudo apt install ffmpeg sur Ubuntu)
  • Si uv n'est pas installé : dirigez vers https://docs.astral.sh/uv/getting-started/installation/
  • Si le répertoire d'entrée est vide : signalez-le clairement plutôt que de quitter silencieusement
  • Si un préréglage inconnu est donné : listez les options valides (natural, cinematic, vivid)
  • La normalisation audio peut afficher un avertissement concernant le mode dynamique pour les clips courts — c'est normal et ne constitue pas une erreur

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

FilippTrigub/abra

>- Animate a still image into a short video clip using fal.ai's LTX-2.3 Fast image-to-video model in the cloud. No GPU required - runs entirely on fal.ai serverless infrastructure.

FilippTrigub/abra

>- Auto-describe and caption images using a local vision-language model. Writes a JSON sidecar per image containing a one-sentence description, a suggested Instagram caption with hashtags, and detected content tags.

FilippTrigub/abra

>- Animated caption pipeline. Use this skill when the user wants to burn word-by-word animated captions into videos — using Whisper for transcription and pycaps for rendering. Supports default minimalist style or a futuristic CSS theme with alternating gold/magenta glowing words.

FilippTrigub/abra

>- Cut videos into segments, rearrange them, and produce an output video with a specific cuts-per-second rate. Uses MoviePy for video manipulation. Prioritizes audio transcription for timestamped cutting, falls back to adaptive scene detection.

FilippTrigub/abra

>- Edit a region of a video using a text prompt via Wan2.1-VACE inpainting. Supports two modes: background (auto-segment via rembg) or region (rectangle defined by fractions). Requires a CUDA GPU with at least 8 GB free VRAM.

FilippTrigub/abra

Generate videos from text or images using Higgsfield's multi-model cloud platform. Supports kling, seedance, dop, and dop-preview models. Uses a small preset layer for common creative styles. Auto-detects text-to-video or image-to-video based on input. No GPU required.

FilippTrigub/abra

>- Remove the background from every frame of a video using AI (BiRefNet-general via rembg). Outputs transparent-background video or composites onto a solid colour or image. Requires a CUDA GPU with at least 3 GB free VRAM.

Skills associés