Communitygithub.com

lzcjsyr/Book2Video

Transformez des rapports professionnels, résultats financiers, notes de recherche, prospectus et PDF denses en données en scripts de narration vidéo percutants pour les réseaux sociaux chinois (Video号, Douyin) en vidéo portrait.

Qu'est-ce que Book2Video ?

Cette compétence est spécialisée dans la génération de scripts vidéo à partir de documents à forte densité de données, tels que les rapports professionnels, les résultats financiers d'entreprise, les notes de recherche des sociétés de courtage, les prospectus et les analyses macroéconomiques. Son objectif principal est de convertir des tableaux complexes et des données brutes en une narration orale fluide, compréhensible et engageante pour le grand public, adaptée aux plateformes vidéo chinoises comme Video号 (WeChat Video) et Douyin. Le processus est découpé en modules distincts : extraction haute précision du texte et des tableaux, rédaction selon un standard d'écriture oralisé et orienté vers la logique causale, et un flux de révision en plusieurs étapes (brouillon, vérification des données, final) avec un suivi des modifications. La sortie est un JSON structuré contenant le script final, après une vérification rigoureuse de l'exactitude des données via un registre de contrôle. Cette compétence est idéale pour les créateurs de contenu, analystes financiers ou toute personne souhaitant transformer des rapports denses en vidéos éducatives et virales.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/lzcjsyr/Book2Video/tree/HEAD/skills/step1/report-video-script

Demander à votre IA préférée

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

Documentation

Stratégie de rédaction de scripts de narration pour rapports à forte densité de données

Cette compétence est conçue pour générer des scripts vidéo à partir de documents à forte densité de données, tels que les rapports professionnels, les résultats financiers d'entreprise, les notes de recherche des sociétés de courtage et les livres blancs sectoriels. Elle transforme des données complexes et des tableaux en une narration vidéo percutante, compréhensible par le grand public.

Cette compétence agit comme une passerelle fine, décomposant le traitement du rapport en plusieurs modules maintenables indépendamment :

  • reading-and-extraction.md : Extraction haute précision du texte/tableau (via extraction locale/traitement externe), initialisation du tableau de correspondance des données et lecture par fenêtres.
  • writing-standard.md : Standard de rédaction des scripts de notes de recherche : structure d'ouverture, déduction logique, oralisation des données et contrat de sortie JSON final.
  • revision-workflow.md : Flux de révision : v1 brouillon, v2 vérification des données, version finale et suivi des modifications par différentiel.

Configuration de la longueur du texte

Il s'agit de la seule source de vérité concernant la longueur finale du texte de cette compétence. Les autres références ne doivent pas répéter de chiffres spécifiques, mais simplement citer cette section.

draft_min_chars: 1000
final_target_chars: 1200
  • Le fichier _draft_v1.txt doit atteindre draft_min_chars avant d'être sauvegardé.
  • Tous les textes suivants ne doivent pas descendre en dessous de draft_min_chars en principe.
  • La longueur cible du champ content du JSON final est basée sur final_target_chars ; la valeur de total_length est le nombre réel de caractères du content.

Flux principal

Ne produisez pas directement un seul tour complet. Suivez les étapes ci-dessous pour garantir l'authenticité des données et le potentiel de diffusion du texte :

  1. Extraction et lecture : Lisez reading-and-extraction.md. Utilisez des outils d'extraction locaux (comme PyMuPDF/fitz) pour analyser le PDF ou lisez directement le rapport Markdown pré-converti, divisez en fenêtres de lecture Bash et lisez à 100%. Établissez un tableau de correspondance des données pour consultation ultérieure.
  2. Déterminer le point d'entrée logique : Identifiez silencieusement les questions centrales du rapport (par exemple, crise sectorielle, goulot d'étranglement de croissance de l'entreprise, anomalie macroéconomique), extrayez le cadre explicatif du rapport et liez-le à un point d'intérêt très pertinent pour l'audience (ex. : que signifie cette donnée pour le grand public ?).
  3. Rédiger le brouillon : Lisez writing-standard.md, rédigez _draft_v1.txt en atteignant draft_min_chars. L'accent est mis sur la "traduction" des données froides en langage parlé et en relations de cause à effet.
  4. Révision structurelle et vérification des données : Lisez revision-workflow.md. Après avoir déterminé la deuxième version _draft_v2_structure.txt, enregistrez-la directement en tant que version préliminaire de _draft_final.txt. Extrayez toutes les données pour générer un registre de contrôle _data_check_ledger.json (initialement en unchecked). Ensuite, vérifiez par rapport au texte original, en effectuant des corrections/ suppressions partiques directement dans _draft_final.txt (mettez à jour l'état en verified/abandon/corrected). Une fois toutes les vérifications de données terminées (plus aucun état unchecked), finalisez _draft_final.txt et enregistrez l'audit différentiel dans _revision_audit.json.
  5. Emballer et produire le JSON : Générez le JSON final conformément au contrat de sortie JSON final de writing-standard.md.

Exigences d'auto-vérification

Avant de soumettre le JSON final, vérifiez silencieusement :

  • Le tableau de correspondance des données est complètement établi ; chaque pourcentage, montant, ratio, etc. apparaissant dans le texte a une source précise dans le tableau.
  • Toutes les entrées du registre de contrôle _data_check_ledger.json ont un statut status mis à jour (plus aucun unchecked), garantissant une boucle de données fermée.
  • L'ouverture pose une question incisive ou un conflit central en moins de 100 caractères, ainsi qu'une promesse d'intérêt pour le spectateur.
  • Tous les 250 caractères environ, il y a une avancée logique ; le style est oral, supprimant les termes de synthèse IA comme "le livre mentionne", "on peut voir sur la figure ci-dessus".
  • Le processus de révision est complet ; chaque modification de chaque tour a un avant/après clairement documenté dans _revision_audit.json.

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

lzcjsyr/Book2Video

将 PDF、EPUB、DOCX 等书籍或长文档一次性转成约 4 分钟的中文读书带货短视频口播稿,以情绪共鸣、观看留存和购买欲为核心,直接输出 Book2Video 后续流程可读取的 raw JSON。用户提到读书带货、图书推广、卖书口播、商品卡、走心书单视频、情绪型读书文案或要求生成可直接进入视频流水线的带货稿时使用。

lzcjsyr/Book2Video

将长书、长文档转成中文视频号读书解说稿;先抽取文本并建立可恢复覆盖台账,覆盖自检通过后再按入口定义的正文长度生成初稿、多轮修订和最终 raw JSON。

lzcjsyr/Book2Video

将长书、长文档、PDF、EPUB、读书资料、思想经典、社科著作、商业书或研究型长文转成更有传播感的中文视频号/抖音读书口播稿,并输出项目可用的 raw JSON。只要用户提到“读书解说”“拆书稿”“视频号口播”“把这本书做成短视频”“长文档转视频脚本”“生成标题/封面/金句/raw JSON”,都应使用此 skill。

lzcjsyr/Book2Video

Cody的公众号长文写作skill。当用户需要撰写公众号文章、写稿子、续写文章、根据素材产出长文时使用。触发词包括但不限于:写文章、写稿子、帮我写、续写、扩写、公众号文章、长文、出稿、按我的风格写。即使用户只是说"帮我把这个写成文章"或"用我的风格写一下",只要上下文涉及内容创作和公众号输出,都应该触发。也适用于用户丢过来一个PDF、brief、新闻链接、语音转文字或任何素材说"帮我写篇文章"的场景。不要用于短内容(小红书帖子、推特、朋友圈)或纯标题摘要生成。

lzcjsyr/Book2Video

简化版的文稿生成技能。能够直接读取图书/文档,提取核心论点,生成高品质、口语化的视频号/抖音读书解说文稿并输出标准 JSON 格式。

lzcjsyr/Book2Video

The fallback workflow for authoring custom HyperFrames video compositions at any length or format — longer or multi-scene pieces, brand / sizzle reels, montages, title cards, static loops, and freeform compositions. Input- and length-agnostic. If a specialized workflow clearly fits the input — a marketed product, a website, a topic explainer, a GitHub PR, existing footage, a short motion graphic, or a Remotion port — prefer it (see /hyperframes); use this only as the general fallback when none fit.

Skills associés