Communitygithub.com

Analyseur Vidéo

Utilisez cette compétence pour analyser des fichiers vidéo existants avec FFmpeg et la vision IA, extraire des images pour la génération de systèmes de design, détecter les limites de scènes, analyser le timing d'animation, extraire des palettes de couleurs ou comprendre la synchronisation audio-visuelle. Se déclenche sur l'analyse vidéo, l'extraction d'images, la détection de scènes, ffprobe, l'analyse de mouvement et la vision IA de contenu vidéo.

Qu'est-ce que Analyseur Vidéo ?

Cette compétence guide l'extraction d'informations structurées à partir de fichiers vidéo en combinant les outils de traitement mécanique d'FFmpeg (découpage en images, détection de scènes, analyse audio) avec des modèles de vision IA pour la compréhension sémantique du contenu visuel. Elle couvre le workflow complet : inspection des métadonnées avec ffprobe, extraction d'images-clés aux limites de scènes avec les filtres `select` d'FFmpeg, analyse des pistes audio pour la détection de silence et les niveaux de volume, et analyse par vision IA pour l'identification de composants UI, la lecture de texte et l'extraction de systèmes de design. Plateformes supportées : outils en ligne de commande (FFmpeg, ffprobe) et assistants IA capables de vision. Le fonctionnement repose sur un pipeline en deux étapes (extraction puis analyse), l'utilisation de la détection de scènes pour un échantillonnage efficace, et la sortie en JSON pour des résultats interopérables.

Compatible avec✓Claude Code✓Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/NeverSight/learn-skills.dev/tree/HEAD/data/skills-md/absolutelyskilled/absolutelyskilled/video-analyzer

Demander à votre IA préférée

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

Documentation

Lorsque cette compétence est activée, commencez toujours votre première réponse par l'emoji :mag:.

Que fait Analyseur Vidéo ?

L'analyse vidéo est la pratique consistant à extraire des informations structurées de fichiers vidéo - métadonnées, images-clés, limites de scènes, palettes de couleurs, données de mouvement et caractéristiques audio. Un pipeline d'analyse vidéo bien construit combine FFmpeg pour l'extraction d'images et le traitement du signal avec des modèles de vision IA pour la compréhension sémantique du contenu visuel. Cette compétence couvre le workflow complet, des fichiers vidéo bruts aux données exploitables : utilisation de ffprobe pour l'inspection des métadonnées, des graphes de filtres FFmpeg pour l'extraction d'images et la détection de scènes, l'analyse audio pour la détection de silence et de volume, et la vision IA pour l'extraction de systèmes de design et la compréhension du contenu.

Les deux piliers de l'analyse vidéo sont FFmpeg (le couteau suisse du traitement multimédia) et les modèles de vision IA (pour comprendre ce qui se trouve dans chaque image). FFmpeg gère le travail mécanique - diviser la vidéo en images, détecter les changements de scène via des seuils de différence de pixels, extraire les formes d'onde audio. La vision IA gère le travail sémantique - identifier les composants d'interface utilisateur, lire le texte, extraire les valeurs de couleur et comprendre les motifs de mise en page.


Quand utiliser cette compétence

Déclenchez cette compétence lorsque l'utilisateur :

  • Souhaite extraire des images d'une vidéo à intervalles réguliers ou aux limites de scènes
  • A besoin d'analyser des métadonnées vidéo (résolution, durée, codecs, débit)
  • Pose des questions sur la détection de scènes ou les horodatages de changement de scène
  • Souhaite extraire une palette de couleurs ou un système de design à partir d'un contenu vidéo
  • A besoin d'analyser des pistes audio (détection de silence, niveaux de volume, formes d'onde)
  • Pose des questions sur l'analyse de mouvement ou le timing d'animation à partir d'une vidéo
  • Souhaite utiliser la vision IA pour comprendre le contenu vidéo image par image
  • A besoin de générer des miniatures ou des bandes d'aperçu à partir de fichiers vidéo

Ne déclenchez PAS cette compétence pour :

  • Créer ou éditer des vidéos à partir de zéro - utilisez remotion-video ou video-creator
  • Écrire des scripts vidéo ou des storyboards - utilisez video-scriptwriting
  • Diffusion vidéo en direct ou traitement vidéo en temps réel
  • Encodage/transcodage vidéo pour distribution (c'est une tâche de rendu, pas d'analyse)

Principes clés

  1. Extraire puis analyser - Séparez toujours l'extraction d'images (FFmpeg) de l'analyse sémantique (vision IA). Essayer de faire les deux en une seule étape conduit à des pipelines fragiles. Extrayez d'abord les images sur disque, puis analysez-les.

  2. Utilisez ffprobe avant ffmpeg - Avant de traiter une vidéo, inspectez-la avec ffprobe pour comprendre ses propriétés. Exécuter aveuglément des commandes FFmpeg sur des formats inconnus entraîne des échecs silencieux et des sorties corrompues.

  3. Détection de scènes plutôt qu'intervalles fixes - Lors de l'analyse d'un contenu vidéo, extrayez les images aux limites de scènes plutôt qu'à intervalles de temps fixes. Les images de changement de scène capturent la diversité visuelle de la vidéo avec beaucoup moins d'images qu'une extraction par seconde.

  4. Sortie JSON partout - Utilisez le format de sortie JSON de ffprobe et structurez vos résultats d'analyse en JSON. Cela rend les pipelines composables et les résultats lisibles par machine.

  5. Conscience de l'espace disque - L'extraction d'images vidéo peut générer des milliers de grands fichiers image. Estimez toujours la taille de sortie avant d'extraire, utilisez des formats d'image appropriés (JPEG pour l'analyse, PNG pour un travail pixel-parfait) et nettoyez les images temporaires après l'analyse.


Concepts fondamentaux

Architecture du pipeline FFmpeg

FFmpeg traite la vidéo à travers un pipeline de démultiplexage, décodage, filtrage, encodage et multiplexage. Pour l'analyse, nous utilisons principalement les étages de décodage et de filtrage :

Fichier d'entrée -> Démultiplexeur -> Décodeur -> Graphe de filtres -> Sortie (images/données)

Concepts clés des filtres pour l'analyse :

  • Filtre select : choisir les images à produire en fonction d'expressions
  • Filtre showinfo : afficher les métadonnées des images (horodatages, type d'image, etc.)
  • Détection scene : score de différence au niveau pixel entre images consécutives
  • Filtre fps : réduire la fréquence d'images pour extraire à intervalles réguliers

Détection de scènes

La détection de scènes fonctionne en comparant des images consécutives à l'aide de la différence de pixels. Le filtre scene d'FFmpeg produit un score de 0,0 (identique) à 1,0 (complètement différent). Un seuil de 0,3-0,4 capture les changements de scène majeurs tout en ignorant les mouvements de caméra et les variations d'éclairage.

SeuilComportement
0,1-0,2Très sensible - capture les panoramiques, zooms, changements d'éclairage
0,3-0,4Équilibré - capture les coupures, transitions, changements majeurs
0,5-0,7Conservateur - uniquement les coupures franches et changements de scène dramatiques
0,8-1,0Trop agressif - manque la plupart des changements de scène

Workflow d'analyse par vision IA

Le workflow pour extraire des données structurées d'une vidéo à l'aide de la vision IA :

  1. Sonder - Obtenez les métadonnées vidéo avec ffprobe (durée, résolution, fps)
  2. Extraire - Tirez les images clés aux limites de scènes à l'aide d'FFmpeg
  3. Lire - Chargez chaque image à l'aide de l'outil Read (prend en charge les images)
  4. Analyser - Pour chaque image, identifiez les couleurs, la typographie, la mise en page, les composants
  5. Agréger - Trouvez des motifs cohérents à travers les images
  6. Produire - Générez un système de design structuré ou une analyse de contenu

Tâches courantes

1. Installer et vérifier FFmpeg

Vérifiez si FFmpeg est disponible et inspectez sa version et ses capacités.

# Vérifier l'installation FFmpeg
ffmpeg -version

# Vérifier l'installation ffprobe
ffprobe -version

# Installer sur macOS
brew install ffmpeg

# Installer sur Ubuntu/Debian
sudo apt-get update && sudo apt-get install -y ffmpeg

# Vérifier les formats supportés
ffmpeg -formats 2>/dev/null | head -20

# Vérifier les codecs supportés
ffmpeg -codecs 2>/dev/null | grep -i h264

2. Extraire les images clés aux limites de scènes

Extrayez uniquement les images où des changements visuels significatifs se produisent. C'est le moyen le plus efficace d'échantillonner le contenu vidéo.

# Extraire les images aux changements de scène (seuil 0,3)
mkdir -p scènes
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.3)',showinfo" \
  -vsync vfr \
  scènes/scène_%04d.png \
  2>&1 | grep showinfo

# Extraire avec les horodatages enregistrés dans un fichier
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.3)',showinfo" \
  -vsync vfr \
  scènes/scène_%04d.png \
  2>&1 | grep "pts_time" > scènes/horodatages.txt

# Extraire les images de scènes en JPEG (fichiers plus petits, bons pour l'analyse)
mkdir -p scènes
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.3)'" \
  -vsync vfr \
  -q:v 2 \
  scènes/scène_%04d.jpg

3. Extraire des images à intervalles réguliers

Lorsque vous avez besoin d'échantillons espacés uniformément, indépendamment des changements de contenu.

# Extraire une image par seconde
mkdir -p images
ffmpeg -i entrée.mp4 -vf "fps=1" images/image_%04d.png

# Extraire une image toutes les 5 secondes
mkdir -p images
ffmpeg -i entrée.mp4 -vf "fps=1/5" images/image_%04d.png

# Extraire uniquement les images I (images clés du codec)
mkdir -p images_clés
ffmpeg -i entrée.mp4 \
  -vf "select='eq(pict_type,I)'" \
  -vsync vfr \
  images_clés/ic_%04d.png

# Extraire une seule image à un horodatage spécifique
ffmpeg -i entrée.mp4 -ss 00:01:30 -frames:v 1 miniature.png

# Extraire uniquement la première image
ffmpeg -i entrée.mp4 -frames:v 1 première_image.png

4. Analyser les métadonnées vidéo avec ffprobe

Inspectez les propriétés de la vidéo avant de la traiter. Utilisez toujours la sortie JSON pour des résultats lisibles par machine.

# Métadonnées complètes en JSON (flux et format)
ffprobe -v quiet \
  -print_format json \
  -show_format \
  -show_streams \
  entrée.mp4

# Obtenir uniquement la durée
ffprobe -v error \
  -show_entries format=duration \
  -of default=noprint_wrappers=1:nokey=1 \
  entrée.mp4

# Obtenir la résolution
ffprobe -v error \
  -select_streams v:0 \
  -show_entries stream=width,height \
  -of csv=s=x:p=0 \
  entrée.mp4

# Obtenir la fréquence d'images
ffprobe -v error \
  -select_streams v:0 \
  -show_entries stream=r_frame_rate \
  -of default=noprint_wrappers=1:nokey=1 \
  entrée.mp4

# Obtenir les informations sur le codec
ffprobe -v error \
  -select_streams v:0 \
  -show_entries stream=codec_name,codec_long_name,profile \
  -of json \
  entrée.mp4

# Compter le nombre total d'images
ffprobe -v error \
  -count_frames \
  -select_streams v:0 \
  -show_entries stream=nb_read_frames \
  -of default=noprint_wrappers=1:nokey=1 \
  entrée.mp4

5. Détecter les scènes et lister les horodatages

Obtenez une liste des horodatages de changement de scène sans extraire les images.

# Lister les horodatages de changement de scène
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.3)',showinfo" \
  -f null - \
  2>&1 | grep pts_time

# Extraire les scores de scène pour chaque image (pour analyse)
ffmpeg -i entrée.mp4 \
  -vf "select='gte(scene,0)',metadata=print" \
  -f null - \
  2>&1 | grep "lavfi.scene_score"

# Compter le nombre de changements de scène
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.3)',showinfo" \
  -f null - \
  2>&1 | grep -c "pts_time"

6. Extraire la forme d'onde audio et détecter le silence

Analysez la piste audio pour les trous de silence, les niveaux de volume et les formes d'onde visuelles.

# Détecter les périodes de silence (utile pour trouver les coupures de chapitre)
ffmpeg -i entrée.mp4 \
  -af silencedetect=noise=-30dB:d=0.5 \
  -f null - \
  2>&1 | grep silence

# Générer la forme d'onde audio sous forme d'image
ffmpeg -i entrée.mp4 \
  -filter_complex "showwavespic=s=1920x200:colors=blue" \
  -frames:v 1 \
  forme_d_onde.png

# Analyser les niveaux de volume
ffmpeg -i entrée.mp4 \
  -af volumedetect \
  -f null - \
  2>&1 | grep volume

# Extraire la visualisation du spectre audio
ffmpeg -i entrée.mp4 \
  -filter_complex "showspectrumpic=s=1920x512:color=intensity" \
  -frames:v 1 \
  spectre.png

7. Workflow d'analyse par vision IA

Extrayez les images puis analysez-les avec la capacité de vision de Claude pour extraire des informations structurées du contenu vidéo.

# Étape 1 : Sonder la vidéo
ffprobe -v quiet -print_format json -show_format -show_streams entrée.mp4

# Étape 2 : Extraire les images de scène
mkdir -p images_analyse
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.3)'" \
  -vsync vfr \
  -q:v 2 \
  images_analyse/image_%04d.jpg

Après avoir extrait les images, utilisez l'outil Read pour charger chaque image. L'outil Read prend en charge les fichiers image (PNG, JPG, etc.) et les présentera visuellement. Pour chaque image, analysez :

  • Couleurs : Extrayez les valeurs hexadécimales des couleurs dominantes, couleurs d'arrière-plan, couleurs d'accentuation
  • Typographie : Identifiez les tailles de police, graisses, hauteurs de ligne, hiérarchie des titres
  • Mise en page : Détectez les motifs de grille, dispositions flex, rythmes d'espacement, marges
  • Composants : Identifiez les boutons, cartes, en-têtes, navigation, formulaires
  • État d'animation : Notez les transitions, états de survol, indicateurs de chargement

Agrégez les résultats sur toutes les images pour construire un système de design cohérent.

8. Extraction de système de design à partir d'une vidéo

Un workflow complet pour extraire un système de design à partir d'une démo de produit ou d'une vidéo de visite guidée d'interface utilisateur.

# Étape 1 : Obtenir les informations vidéo
ffprobe -v quiet -print_format json -show_format entrée.mp4

# Étape 2 : Extraire les images de scène (capture chaque écran unique)
mkdir -p images_design
ffmpeg -i entrée.mp4 \
  -vf "select='gt(scene,0.4)'" \
  -vsync vfr \
  -q:v 1 \
  images_design/écran_%04d.png

# Étape 3 : Extraire également à intervalles réguliers pour la couverture
ffmpeg -i entrée.mp4 \
  -vf "fps=1/3" \
  -q:v 1 \
  images_design/intervalle_%04d.png

Après l'extraction d'images, analysez chaque image avec la vision IA et compilez :

{
  "couleurs": {
    "primaire": "#2563EB",
    "secondaire": "#7C3AED",
    "arrière-plan": "#FFFFFF",
    "surface": "#F3F4F6",
    "texte": "#111827",
    "texteSecondaire": "#6B7280"
  },
  "typographie": {
    "policeTitre": "Inter",
    "policeCorps": "Inter",
    "échelle": ["12px", "14px", "16px", "20px", "24px", "32px", "48px"]
  },
  "espacement": {
    "unité": "8px",
    "échelle": ["4px", "8px", "12px", "16px", "24px", "32px", "48px", "64px"]
  },
  "composants": ["bouton", "carte", "barreDeNavigation", "barreLatérale", "champDeSaisie", "modale"]
}

Anti-patrons / erreurs courantes

ErreurPourquoi c'est malQue faire à la place
Extraire chaque image d'une vidéoGénère des milliers de fichiers, gaspille du disque et du temps d'analyseUtilisez la détection de scènes ou des intervalles fixes (1 fps ou moins)
Sauter ffprobe avant le traitementLes codecs inconnus ou fichiers corrompus provoquent des échecs silencieux d'FFmpegSondez toujours d'abord pour valider le format et les propriétés
Utiliser PNG pour l'extraction d'images en masseLes fichiers PNG sont 5 à 10 fois plus gros que JPEG avec un gain de qualité minime pour l'analyseUtilisez JPEG (-q:v 2) pour l'analyse ; PNG uniquement pour un travail pixel-parfait
Régler le seuil de scène trop bas (0,1)Capture les mouvements de caméra, variations d'éclairage - produit trop d'imagesCommencez avec 0,3-0,4 et ajustez selon les résultats
Ignorer -vsync vfr avec le filtre selectProduit des images en double comblant les trous dans la chronologieUtilisez toujours -vsync vfr avec le filtre select
Analyser des images sans horodatagesImpossible de corréler les résultats d'analyse à la chronologie vidéoUtilisez le filtre showinfo pour capturer pts_time avec chaque image
Exécuter la vision IA sur des centaines d'imagesDépasse les limites de contexte et gaspille des jetonsLimitez-vous à 10-20 images représentatives par passe d'analyse
Coder en dur les chemins ffmpegCasse selon les OS et méthodes d'installationUtilisez ffmpeg et ffprobe directement, en vous basant sur PATH

Pièges

  1. -vsync vfr est requis avec les filtres select - Sans -vsync vfr, FFmpeg comble les images "manquantes" entre les images sélectionnées avec des doublons pour maintenir une fréquence d'images constante. Cela signifie qu'extraire 5 images de changement de scène peut produire 500 fichiers de sortie, dont la plupart sont des doublons. Associez toujours les filtres select avec -vsync vfr.

  2. Le seuil de détection de scène varie selon le contenu - Un seuil de 0,3 fonctionne bien pour les coupures dans une vidéo narrative, mais le contenu animé ou les enregistrements d'écran peuvent nécessiter 0,4-0,5 car les transitions progressives produisent des scores de scène plus faibles. Vérifiez toujours le nombre d'images après extraction et ajustez le seuil.

  3. Le comptage d'images avec ffprobe est lent - Utiliser -count_frames avec ffprobe décode la vidéo entière pour compter les images avec précision. Pour les longues vidéos, cela peut prendre des minutes. Utilisez nb_frames à partir des métadonnées du flux à la place (moins précis mais instantané) ou estimez à partir de la durée et de la fréquence d'images.

  4. Les paramètres de détection de silence audio nécessitent un réglage - Le seuil de bruit par défaut -30dB pour la détection de silence peut ne pas fonctionner correctement sur un contenu avec différents niveaux sonores. Commencez par -30dB:d=0.5 et ajustez en fonction des résultats. Pour un contenu à faible volume, essayez -50dB ; pour un contenu à fort volume, -20dB peut être plus approprié.

  5. Les noms de fichiers avec séquence nécessitent des zéros de remplissage - Utilisez %04d pour garantir que les fichiers image sont correctement ordonnés lors d'un tri alphabétique. image_1.jpg, image_10.jpg, image_2.jpg ne sont pas dans le bon ordre ; image_0001.jpg, image_0002.jpg, image_0010.jpg le sont.

  6. Le filtre select évalue une expression par image - L'expression 'gt(scene,0.3)' est évaluée pour chaque image décodée. Si le score de détection de scène pour une image dépasse 0,3, cette image est incluse dans la sortie. Pour déboguer quelles images sont sélectionnées, ajoutez showinfo au graphe de filtres.


Configuration de l'environnement

Ces outils sont requis pour l'analyse vidéo :

OutilVérification d'installationURLs
ffmpegffmpeg -versionTéléchargement FFmpeg
ffprobeffprobe -versionInclus avec FFmpeg

FFmpeg et ffprobe sont disponibles sur la plupart des systèmes et sont inclus dans les images de conteneurs cloud courantes. Si vous exécutez des analyses vidéo sur un service cloud, ces outils sont généralement préinstallés ou disponibles dans votre environnement.

Installation par système d'exploitation

# macOS (Homebrew)
brew install ffmpeg

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install -y ffmpeg

# Windows (Chocolatey)
choco install ffmpeg

# Windows (Scoop)
scoop install ffmpeg

# Vérifier toutes les installations
ffmpeg -version && ffprobe -version

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

NeverSight/learn-skills.dev

Use when generating or modifying Remotion video code, creating demo videos, or working with the demo-video/ directory

NeverSight/learn-skills.dev

Create AI avatar and talking head videos via inference.sh CLI. Recommended: P-Video-Avatar (fastest, cheapest, built-in TTS). Also: OmniHuman, Fabric, PixVerse. Audio: Inworld TTS-2 (100+ languages, emotion steering for characters), ElevenLabs, Kokoro. Capabilities: audio-driven avatars, text-to-avatar, lipsync videos, talking head generation, virtual presenters, UGC content. Use for: AI presenters, explainer videos, virtual influencers, dubbing, marketing videos, UGC ads, gaming avatars, NPC dialogue. Triggers: ai avatar, talking head, lipsync, avatar video, virtual presenter, ai spokesperson, audio driven video, heygen alternative, synthesia alternative, talking avatar, lip sync, video avatar, ai presenter, digital human, ugc, ugc video, ugc ad, avatar ugc

NeverSight/learn-skills.dev

Create AI marketing videos for ads, promos, product launches, and brand content. Models: Veo, Seedance, Wan, FLUX for visuals, Kokoro for voiceover. Types: product demos, testimonials, explainers, social ads, brand videos. Use for: Facebook ads, YouTube ads, product launches, brand awareness. Triggers: marketing video, ad video, promo video, commercial, brand video, product video, explainer video, ad creative, video ad, facebook ad video, youtube ad, instagram ad, tiktok ad, promotional video, launch video

NeverSight/learn-skills.dev

Generate AI videos with Google Veo, Seedance 2.0, HappyHorse, Wan, Grok and 40+ models via inference.sh CLI. Models: Veo 3.1, Veo 3, Seedance 2.0, HappyHorse 1.0, Wan 2.5, Grok Imagine Video, OmniHuman, Fabric, HunyuanVideo. Capabilities: text-to-video, image-to-video, reference-to-video, video editing, lipsync, avatar animation, video upscaling, foley sound. Use for: social media videos, marketing content, explainer videos, product demos, AI avatars. Triggers: video generation, ai video, text to video, image to video, veo, animate image, video from image, ai animation, video generator, generate video, t2v, i2v, ai video maker, create video with ai, runway alternative, pika alternative, sora alternative, kling alternative, seedance, happyhorse

NeverSight/learn-skills.dev

ElevenLabs automatic dubbing - translate and dub audio/video into 29 languages while preserving speaker voice via inference.sh CLI. Capabilities: auto speaker detection, voice-preserving translation, video dubbing, audio localization. Use for: content localization, video translation, multilingual content, international distribution. Triggers: dubbing, dub video, translate audio, video translation, audio translation, localize content, elevenlabs dubbing, eleven labs dub, multilingual dub, voice translation, auto dub, language dub, content localization

NeverSight/learn-skills.dev

Explainer video production guide: scripting, voiceover, visuals, and assembly. Covers script formulas, pacing rules, scene planning, and multi-tool pipelines. Use for: product demos, how-it-works videos, onboarding videos, social explainers. Triggers: explainer video, how to make explainer, product video, demo video, video production, video script, animated explainer, product demo video, tutorial video, onboarding video, walkthrough video, video pipeline

NeverSight/learn-skills.dev

Still-to-video conversion guide: model selection, motion prompting, and camera movement. Covers Wan 2.5 i2v, Seedance, Fabric, Grok Video with when to use each. Use for: animating images, creating video from stills, adding motion, product animations. Triggers: image to video, i2v, animate image, still to video, add motion to image, image animation, photo to video, animate still, wan i2v, image2video, bring image to life, animate photo, motion from image

NeverSight/learn-skills.dev

Generate talking head avatar videos with Pruna P-Video-Avatar via inference.sh CLI. Turn a portrait image into a realistic speaking video with built-in TTS. 18x faster and 6x cheaper than competitors. Models: P-Video-Avatar, P-Image (for portrait generation). Capabilities: text-to-avatar, audio-driven avatars, 30 voices, 10 languages, 720p/1080p, built-in TTS, dynamic backgrounds, full-body control. Use for: AI presenters, product demos, explainer videos, virtual influencers, marketing, education, multilingual content, UGC, gaming avatars. Triggers: avatar video, talking head, ai avatar, p-video-avatar, pruna avatar, video avatar, ai presenter, digital human, virtual presenter, lipsync, talking avatar, ai spokesperson, heygen alternative, synthesia alternative, veed alternative, fabric alternative, omnihuman alternative

NeverSight/learn-skills.dev

Generate videos with Pruna P-Video and WAN models via inference.sh CLI. Models: P-Video, WAN-T2V, WAN-I2V. Capabilities: text-to-video, image-to-video, audio support, 720p/1080p, fast inference. Pruna optimizes models for speed without quality loss. Triggers: pruna video, p-video, pruna ai video, fast video generation, optimized video, wan t2v, wan i2v, economic video generation, cheap video generation, pruna text to video, pruna image to video

NeverSight/learn-skills.dev

Render videos from React/Remotion component code via inference.sh. Pass TSX code, get MP4. Supports all Remotion APIs: useCurrentFrame, useVideoConfig, spring, interpolate, AbsoluteFill, Sequence. Configurable resolution, FPS, duration, codec. Use for: programmatic video generation, animated graphics, motion design, data-driven videos, React animations to video. Triggers: remotion, render video from code, tsx to video, react video, programmatic video, remotion render, code to video, animated video, motion graphics code, react animation video

NeverSight/learn-skills.dev

Video ad creation with exact platform-specific specs for TikTok, Instagram, YouTube, Facebook, LinkedIn. Covers dimensions, duration limits, AIDA framework, and caption requirements. Use for: video ads, social media ads, paid media creative, video marketing, ad production. Triggers: video ad, social media ad, tiktok ad, instagram ad, youtube ad, facebook ad, linkedin ad, video creative, ad specs, paid media, video marketing, ad production, reels ad, stories ad, pre roll, bumper ad

NeverSight/learn-skills.dev

Best practices and techniques for writing effective AI video generation prompts. Covers: Veo, Seedance, Wan, Grok, Kling, Runway, Pika, Sora prompting strategies. Learn: shot types, camera movements, lighting, pacing, style keywords, negative prompts. Use for: improving video quality, getting consistent results, professional video prompts. Triggers: video prompt, how to prompt video, veo prompts, video generation tips, better ai video, video prompt engineering, video prompt guide, video prompt template, ai video tips, video prompt best practices, video prompt examples, cinematography prompts

NeverSight/learn-skills.dev

YouTube thumbnail design with specific dimensions, contrast rules, and mobile preview optimization. Covers safe zones, text placement, face expression psychology, and A/B testing. Use for: YouTube thumbnails, video cover images, click-through optimization. Triggers: youtube thumbnail, thumbnail design, video thumbnail, click through rate, ctr optimization, youtube cover, video cover image, thumbnail maker, thumbnail tips, youtube design, video preview image

NeverSight/learn-skills.dev

Landing page conversion optimization with layout rules, hero section design, and CTA psychology. Covers above-the-fold formula, social proof placement, mobile design, and F-pattern reading. Use for: startup landing pages, product pages, SaaS marketing, conversion optimization. Triggers: landing page, hero section, above the fold, conversion optimization, landing page design, cta button, hero image, landing page layout, saas landing page, product page design, conversion rate, landing page best practices

NeverSight/learn-skills.dev

Configure and use the hosted YouTube Data MCP end-to-end with minimal user input. Use when users want the agent to verify Node.js and `npx`, configure MCP server config (Windows/macOS, Cursor/Codex/OpenClaw/OpenCode), request API key at setup time, run post-install capability discovery (`tools/list` and `get_patch_notes`), and then strongly recommend helper skill and Python setup for full local document and spreadsheet workflows.

NeverSight/learn-skills.dev

Creates 120fps GPU-accelerated animations with Motion.dev (Framer Motion successor) for React, Next.js, Svelte, and Astro projects. Use when user requests animation, motion, scroll effects, parallax, hero animations, gestures, drag interactions, spring physics, whileHover effects, whileInView animations, animated UI, micro-interactions, page transitions, or layout animations. Generates production TypeScript/JSX code with accessibility (prefers-reduced-motion) and performance validation (≥60fps). Supports entrance animations, gesture interactions (hover/tap/drag), scroll-based reveals, and layout transitions using spring physics and natural timing. Do NOT use for CSS-only transitions (use native CSS), static sites without JavaScript, Vue animations (use motion-v variant instead), or SVG/Canvas complex animations (GSAP better suited).

NeverSight/learn-skills.dev

Static artifact craft skill for self-contained HTML/CSS/JS documents: docs, sheets, dashboards, explainers, slides, tools, and landing pages. Use when the user asks for a durable, openable, shareable web deliverable they'll keep or hand off — a report, a dashboard, a slide deck, a data table, a page. Local folder first, temporary public link via tunnel (localhost.run), optional durable publish to Surge, GitHub Pages, or Cloudflare. Not for quick look renders, inline snippets, or throwaway scratch. Not for SPA frameworks, backend APIs, database apps, or production product UI.

NeverSight/learn-skills.dev

FFmpeg commands for video/audio conversion, trimming, compression, and processing. Use when user mentions "ffmpeg", "convert video", "compress video", "extract audio", "trim video", "gif from video", "video codec", "transcode", "screen recording", "merge videos", "video to mp4", "reduce file size", or any media processing task.

NeverSight/learn-skills.dev

Vim keybindings, motions, text objects, and operators for efficient text editing. Use when user asks about "vim commands", "vim motions", "text objects", "vim keybindings", "vim cheat sheet", "learn vim", "vim in VS Code", or any Vim editing tasks.

NeverSight/learn-skills.dev

Grok Build ONLY. Turn a 2D character still into smooth animation sprites via image_gen/image_edit base → image_to_video (6s/10s run-in-place) → ffmpeg frames → magenta chroma-key → dense sampled sprites (strip/grid/GIF). Use when the user wants video-to-sprite, motion capture from generated video, smoother run/walk cycles from dense frames, or runs /video2dsprite. Do NOT use on Codex/Claude — only Grok Build has image_to_video. Prefer generate2dsprite for crisp pixel sheets without video.

Skills associés