Créateur de Vidéo Démo
Crée un film de démonstration/lancement de produit paysage d'environ 60 secondes avec le style de mouvement approuvé par l'utilisateur. Le livrable est un fichier mp4.
Pourquoi cette compétence existe : l'utilisateur a itéré longtemps pour atteindre ce style, et presque chaque règle ci-dessous est une correction qu'il a faite. Les agents laissés seuls dérivent vers les mêmes erreurs : introductions sans accroche, captures d'écran de sites web, voix off hachée, sous-titres tardifs, recadrages bâclés et effets sonores de bande-annonce sur chaque mot. Lisez les notes "Pourquoi" pour pouvoir appliquer l'intention à de nouveaux produits, pas seulement copier les Évaluations.
Références approuvées sur cette machine (regardez-les avant de construire) :
videos/evals-hype/renders/evals-ref2-short-fast2-impact.mp4est le style de mouvement ("모션이 좋단다").videos/evals-demo2/contient l'accroche, la VO continue, le montage dirigé par la VO et la finition. Ses fichiersSCRIPT.md,DESIGN.mdetqa/finish.mdmontrent à quoi ressemble "terminé".- Si ces chemins n'existent pas (nouvelle installation), utilisez plutôt les films exemples publiés : https://github.com/chacha95/demo-video-creator/tree/main/media (
demo_en.mp4,demo_ko.mp4).references/examples/contient les documents SCRIPT et DESIGN correspondants.
Travaillez de manière autonome. L'utilisateur veut coller une requête et obtenir une vidéo en retour. Il a été frustré lorsqu'une session s'est arrêtée pour demander des entrées ("인풋 요구해서 안되는데"). Prenez des décisions raisonnables, consignez-les dans DECISIONS.md, et continuez jusqu'à ce que le mp4 existe.
0. Intégration : clés et outils (vérifier une seule fois, avant l'étape 1)
C'est le seul moment où vous pouvez vous arrêter et demander. Vérifiez tout en une seule passe au début, signalez chaque lacune en un seul message, puis exécutez de manière autonome une fois que c'est réglé. Ne demandez jamais au milieu du pipeline.
Vérifiez :
grep -q '^ELEVENLABS_API_KEY=.' .env 2>/dev/null || [ -n "$ELEVENLABS_API_KEY" ] && echo "clé ok" || echo "ELEVENLABS_API_KEY manquante"
H=$(mktemp); chmod 600 "$H" # la clé passe par un fichier d'en-tête, jamais en ligne de commande
printf 'xi-api-key: %s\n' "${ELEVENLABS_API_KEY:-$(grep '^ELEVENLABS_API_KEY=' .env | cut -d= -f2-)}" > "$H"
curl -s -o /dev/null -w "%{http_code}\n" -H @"$H" https://api.elevenlabs.io/v1/user; rm -f "$H" # 200 = valide
which ffmpeg node npx whisper-cli; node -e "require.resolve('playwright')" && echo "playwright ok"
N'imprimez jamais la valeur de la clé dans le chat ou les journaux, et ne la mettez jamais dans un argument de ligne de commande (utilisez -H @fichier comme ci-dessus).
Si la clé est manquante ou non 200, dites à l'utilisateur (en coréen s'il écrit en coréen) comment l'obtenir :
Clé API ElevenLabs nécessaire (pour la narration + la génération de musique de fond)
- Connectez-vous sur https://elevenlabs.io . La génération musicale (Music) peut nécessiter un forfait payant.
- En bas à gauche, Profil → Developers / API Keys → Create API Key.
- Activez les permissions Text to Speech, Music, Voices (read) et créez la clé. La clé n'est affichée qu'une seule fois.
- Ajoutez une ligne dans le fichier
.envà la racine du projet (créez-le s'il n'existe pas) :ELEVENLABS_API_KEY=votre_clé_ici- Ne collez pas la clé dans le chat. Dites-moi simplement que vous l'avez enregistrée, et je continuerai.
.env est dans .gitignore. Ne le commitez pas et ne copiez la clé nulle part ailleurs.
Outils, si manquants : brew install ffmpeg whisper-cpp (whisper-cli couvre la passe QA Whisper localement, sans clé nécessaire), Node 20+, puis npm i -D playwright && npx playwright install chromium.
Pipeline
cahier des charges → SPEC de référence → SCRIPT.md (+ lignes VO) → DESIGN.md → actifs (UI réelle + sorties réelles)
→ VO (une prise) → musique → construction (HyperFrames, dirigé par VO, verrouillé sur le rythme) → rendu à 30 ips/accéléré
→ post (remise en forme, effets d'impact, mixage) → QA (mouvement, bandes, table de synchronisation, audit de finition) → renders/<nom>.mp4
Projet : videos/<nom>/ avec SCRIPT.md DESIGN.md DECISIONS.md index.html build/ capture/ assets/ audio/ scripts/ qa/ renders/.
Notes sur les outils :
- Rendu :
npx --yes [email protected] render -o <sortie> --quiet --fps 95/4depuis le répertoire du projet. Lisez la compétencehyperframes-coresi le contrat de composition vous est inconnu. - HTTP : utilisez curl. Python ici n'a pas de certificats SSL.
- Clés :
.envà la racine du dépôt (ELEVENLABS_API_KEY). Tous les chemins dans cette compétence sont relatifs à la racine du dépôt. Voir l'intégration ci-dessus. - Les aides fournies se trouvent dans
scripts/(listées à la fin).
1. Référence → SPEC.md
Si l'utilisateur donne une vidéo de référence, téléchargez-la (compétence watch ou yt-dlp) et mesurez-la image par image. Sinon, mesurez le film approuvé ci-dessus. Enregistrez :
- Images de coupe, longueurs de plan, coupes par 10 s
- Courbes de caméra et easing en tant que fraction de la distance restante parcourue par image
- Vitesse d'apparition du texte, espacement des mots, longueur des flashs d'accentuation
- Chorégraphie des cartes et changements clair↔sombre
- Où chaque son se situe par rapport à sa coupe
Ensuite, reconstruisez à ce rythme et changez uniquement la marque, le contenu, le design et les actifs.
Pourquoi : le style vit dans les nombres (easing par image, battements par plan). Lorsque les agents travaillaient à partir d'adjectifs, l'utilisateur disait "감도가 낮아" ou "모션이 어색해". Lorsqu'ils correspondaient aux nombres mesurés, c'était approuvé.
2. Script
- Accroche qui s'explique en 3 secondes. Ouvrez sur des sorties réelles de la même invite jouées côte à côte et posez la question à laquelle le produit répond (pour Évaluations : "Laquelle est la meilleure ?"). Faites défiler A/B/C/D sur les battements, puis révélez la surprise ("Même invite. Configurations différentes.").
- Pourquoi : une ouverture abstraite (un rallye de noms de modèles et un compteur de compétences) donnait "뭐 어쩌라는건지 모르겠어". Un spectateur doit voir le problème, pas le lire.
- Une tâche réelle, suivie de bout en bout. Saisie → configuration → exécution → résultats côte à côte → choix → preuve (enregistrement/détails) → agrégation (classement/statistiques) → communauté → carte de fin avec l'URL.
- Montrez des sorties animées, pas des sites web. Jeux, vidéos, scènes 3D et courts métrages se lisent comme un spectacle dans une démo ; les captures d'écran de pages d'accueil se lisent comme ennuyeuses ("웹사이트 보여주지 말고 영상이나 게임"). Si le produit ne crée que des pages web, montrez-les en mouvement (défilement, interaction), pas comme des captures statiques.
- Contenu. Les lignes à l'écran font 2–5 mots. Le script de la VO compte environ 165–180 mots pour 60 s (≈2,7 mots/s) pour que la voix ne se taise jamais.
- Vérité. Ne montrez que les fonctionnalités, noms et chiffres qui apparaissent dans vos propres captures. Pas de ressemblance avec une personne réelle. Une démo qui montre quelque chose que le produit ne peut pas faire est pire que pas de démo.
3. Design
Écrivez DESIGN.md une fois et faites en sorte que chaque plan le suive. Il définit :
- une famille sans empattement plus une police à chasse fixe pour les petites étiquettes
- une accentuation par image
- les titres alignés à gauche sur une marge fixe (par exemple 120 px) avec le même espacement étiquette→titre partout
- l'interface utilisateur réelle affichée sous forme de cartes arrondies (16–22 px) avec une ombre douce en couches
- les changements de section sombre/clair
references/examples/ a deux systèmes complets : "Signal" (graphite/papier, bleu) et "éditorial" (crème/encre, corail). Lorsque l'utilisateur demande un nouveau film, concevez un nouveau système plutôt que d'en réutiliser un, car l'utilisateur a explicitement demandé "시나리오랑 디자인만 다르게".
4. Actifs (réels, frais, nets)
- Interface utilisateur : captures Playwright à 4× DPR, de sorte qu'aucun élément ne soit jamais affiché plus grand que ses pixels source (les captures à 2× semblaient floues). Coupez des recadrages qui ne contiennent que des éléments entiers. Si un recadrage a besoin de contexte, reconstruisez le fond de la carte à partir de la couleur de remplissage de l'interface utilisateur au lieu de laisser les lignes voisines.
- Sorties :
scripts/rec_output.mjs <url> <sortie.mp4> 7 jeu|orbite(capture d'écran ; appuyez sur les touches ou orbitez pour que la sortie bouge).scripts/rec_scroll.mjs(une capture par image) lorsque la capture d'écran répète des images.- Supprimez les images en double avant utilisation, car les images répétées apparaissent comme des micro-saccades et échouent à la QA de mouvement.
- Résultats de la même invite : si l'histoire dit "N configurations", montrez N résultats de la même invite/exécution. Si une exécution réelle est nécessaire, exécutez-la dans le produit avec le Chrome connecté de l'utilisateur. Montrer des sorties sans rapport comme les résultats d'une seule invite donnait "결과가 다 다르잖아".
- Logos : si un moment de logo de marque est nécessaire, utilisez les SVG de marque réels rendus en 3D réelle (three.js
SVGLoader→ExtrudeGeometry, matériau PBR, lumière d'environnement, alpha WebM). Les combats de logo CSS plats semblaient bon marché ("짜친다").
5. Voix off : une seule prise continue
- Voix : Will
bIHbv24MWmeRgasZH58o,eleven_v4, stabilité 0.15, similarité 0.8, style 0.8, vitesse ~1,1. - Balises d'émotion en ligne : [excité] [confiant] [curieux] [insistant] [rapide].
- Pourquoi cette voix : l'utilisateur a rejeté le narrateur par défaut comme "너무 아재 목소리". Il voulait une voix hip et énergique (style Sam Altman / Elon), a entendu des alternatives et a choisi ce réglage d'émotion maximale.
- Génération :
scripts/vo3_gen.py(un seul appel/with-timestamps). Il écrit la prise, les segments par ligne et les horodatages des mots. - Intégrez-la en entier. Placez la prise comme un seul morceau continu à partir d'environ 0,25 s. Ne la coupez pas en phrases, n'éparpillez pas les phrases sur les battements et n'étirez pas les morceaux dans le temps.
- Pourquoi : couper les phrases faisait fuiter des syllabes ("소리 짤려").
- Éparpiller laissait des blancs ("목소리가 중간에 죽잖아 … 쭉 이어지게").
- La re-synthèse ligne par ligne dérivait en volume sonore.
- Si une ligne doit changer, régénérez toute la prise.
- Vérifiez :
- Les écarts dans la VO sont ≤0,35 s.
- Une passe Whisper sur le mix final ne montre aucun mot rogné ni aucune balise parlée.
- Si "Evals" sonne comme "evils", réécrivez-le "E-vals".
- Version coréenne : Choi
ZNSVYmudV9pOqphY0x8C, mêmes balises et réglages. Conservez les termes anglais de l'interface utilisateur du produit dans la VO et le texte (Task, Setup, Battle, Model, Skill, Environment), car l'utilisateur souhaite les propres mots du site ("사이트에서 쓰이는 영어 용어는 그대로"). Utilisez Pretendard pour chaque glyphe coréen.
6. Musique
- Quoi faire : un fond moderne et haut de gamme. Les montées EDM et les ambiances corporate de stock se lisent comme "촌스러".
- Comment : générez 2–3 candidats avec ElevenLabs Music en utilisant une invite comme : "lancement tech minimal moderne, grosse caisse percutante, 808 profonde, hats nets, pizzicati vitreux, keynote Apple/Linear, pas de montées ringardes, pas d'ambiance stock, 120 BPM". Choisissez le plus propre (encombrement médium-grave faible).
- Ajustement :
scripts/beats.py/bars.pydonnent le BPM et le premier temps fort.scripts/music_fit.pyréorganise la piste au niveau de la mesure pour que ses breaks et chutes tombent sur les battements de l'histoire.
7. Construction (dirigée par VO, verrouillée sur le rythme)
- Utilisez une chronologie GSAP en pause, entièrement déterministe. Chaque plan s'exécute dans son propre temps local.
- Le montage suit la voix. Chaque changement de plan se trouve sur le battement juste avant ou au moment du premier mot de sa phrase. Arrondissez plus tôt, jamais plus tard, pour que l'image soit prête lorsque le mot arrive.
- Synchronisation : chaque mot à l'écran apparaît 0,05–0,20 s avant d'être prononcé, piloté par les horodatages des mots de la prise.
- Pourquoi : le texte qui traîne derrière la voix donnait "싱크가 안맞아". Une avance d'une seconde complète donnait "너무 느린데", car le texte et la voix se séparaient.
- Une petite avance est perçue comme parfaitement synchronisée.
- Auditez chaque ligne avec
scripts/sync_audit.mjset conservez un tableau (texte_à, voix_à, avance).
- Grammaire du mouvement : dans
references/MOTION_RULES.md. Lisez-la entièrement. Le cœur :- une caméra qui est une fonction pure du temps
- seulement un easing vif (≈25 % de la distance restante par image) ou flottant (≈12 %)
- les sorties accélèrent dans la coupe et le plan suivant hérite de la vélocité
- de véritables whip pan où les deux plans se déplacent ensemble avec un flou de vélocité
- les superpositions verrouillées à l'écran
- action qui se chevauche
- chaque maintien dérive de 1 à 3 %
- pas d'arrêts morts, pas d'images figées, pas de double coupe
- coupes sur le battement ±1 image
- Zoomez dans une direction. Ne zoomez pas sur un élément pour ensuite reculer ("줌 인 했다가 왜 다시 풀어"). Une poussée doit se résoudre en avant vers le plan suivant.
- Les moments de configuration doivent bouger. Lorsque la VO nomme les réglages (par exemple "Modèle. Compétence. Environnement."), montrez les valeurs réelles de l'interface utilisateur qui s'affichent à chaque mot parlé et portez la vélocité vers le prochain hit. Une carte statique là donnait "감도가 낮아".
8–9. Rendu et post
- Accélérez en re-rendant, pas en sautant des images. Rendez à
--fps 95/4(1,263×), ou à30/accéléréchoisi pour qu'un battement corresponde à un nombre entier d'images. Lisez à 30 ips. - Post : copiez
scripts/post_template.pyet définissezNF,BIG,MED,FLASH,VO_OFF. Il gère :- le ré-échantillonnage à 30 ips
- les effets d'impact sur 4–6 gros hits : coup de zoom +8,5 % (τ 0,09), secousse de 16 px à ~22 Hz (τ 0,1), décomposition RGB 16 px→7 px sur 4 images, 1–2 images de flash blanc
- une version plus légère sur les coupes secondaires
- le mixage et le volume sonore
- Pourquoi si peu de hits : l'impact sur chaque coupe cesse de se lire comme un impact.
- Mixage :
- VO à environ −16 LUFS, devant.
- La musique s'atténue d'environ 4–6 dB uniquement sous la parole, avec une enveloppe douce (≈50 ms d'attaque, 0,6 s de relâchement).
- Bus SFX à environ 3 dB sous la musique.
- Sur les gros hits, superposez un swell inversé + boom (HP 60 Hz) + transitoire + glitch.
- Ailleurs, mettez les SFX uniquement sur les actions réelles de l'interface utilisateur (frappe, clics, ticks). Les claquements de bande-annonce sur chaque mot ont été supprimés car "안어울리는거".
- Master −14 LUFS, AAC 192k. Vérifiez avec
scripts/mixcheck3.py.
10. QA avant la livraison
python3 scripts/motion.py <mp4> <bpm> <premier_temps>: coupes sur le battement, pas d'arrêts morts, pas de maintiens figés. Expliquez toute exception provenant du métrage lui-même.sh scripts/strip.sh <mp4> <t> <sortie.png>(16 images consécutives) à chaque transition, et regardez chacune. Les planches contact (une image toutes les ~2 s) ont l'air propres même lorsque le mouvement est cassé, ce qui explique comment un mauvais mouvement a été livré auparavant.- Table de synchronisation pour chaque ligne de VO : l'avance doit être de 0,05–0,20 s.
- Audit de finition ("미감 높게 디테일한 마감") : extrayez des images fixes en pleine résolution au début, au milieu et à la fin de chaque plan et inspectez les bords et les coins. Consignez chaque problème et sa correction dans
qa/finish.md. Recherchez :- icônes ou texte tranchés
- lignes partielles de l'interface utilisateur ou séparateurs aux bords des cartes
- barres de défilement
- bandes grises provenant d'une scène trop zoomée
- étiquettes reposant sur les HUD du métrage
- upscales flous
- espacement inégal
- texte touchant les bords des cartes
- la marge du titre dérivant entre les plans
- L'utilisateur a repéré une icône de trombone à moitié coupée et une ligne de séparation au coin d'une carte dans une seule image, alors supposez qu'il verra tout.
- Exécutez Whisper sur le mix final une fois et confirmez que le volume sonore est de −14 LUFS ±0,5.
Choses que l'utilisateur a rejetées (ne les réintroduisez pas)
| Rejeté | Mots de l'utilisateur |
|---|---|
| Soulignements / traits de soulignement | "밑줄 긋는거 하지마" |
| Boîtes de surbrillance de couleur derrière les mots | "백그라운드 컬러 넣어서 효과 주는거 빼줘" |
| Barres de pointage de ligne | "갈색 띠 없애줘" |
| Contours, boîtes très fines, règles, dégradés bon marché, emoji, maquettes d'interface utilisateur factices | — |
| Stroboscopes de métrage de 0,1 s, métrage plein écran soudain entre les sections | "영상 막 쏟아져 나오는거", "갑자기 다른 화면" |
| Intros sombres autonomes détachées du film | "짜친다" |
| Étiquettes de texte sous les logos | "글씨는 없애줘" |
Après la livraison
- Si l'utilisateur demande une vitesse de lecture (1,05× / 1,1×), appliquez-la t
…
[tronqué pour la traduction]