Communitygithub.com

Traducteur de sous-titres YouTube

Télécharge des vidéos YouTube, extrait/corrige/traduit les sous-titres et les incruste dans la vidéo.

Qu'est-ce que Traducteur de sous-titres YouTube ?

Ce skill permet une chaîne de traitement complète pour les sous-titres de vidéos YouTube : téléchargement de la vidéo en 1080p ou meilleure qualité disponible, extraction des sous-titres sources (de préférence anglais), et si aucun sous-titre n'est disponible, recours à la reconnaissance automatique de la parole (ASR) via qwen3-asr ou whisper. Ensuite, le texte est découpé en fragments pour être traité en parallèle par jusqu'à 3 sous-agents, qui effectuent la relecture, la correction et la traduction en chinois simplifié (ou autre langue cible), en respectant une politique stricte de non-utilisation des sous-titres automatiques fournis par YouTube dans la langue cible. Les fragments sont fusionnés pour générer des fichiers SRT/ASS bilingues ou monolingues, puis incrustés dans la vidéo avec ffmpeg compilé localement pour l'architecture ARM64, en gérant les polices CJK, les caractères spéciaux dans les chemins, et en validant la qualité des sorties (durées aberrantes, artefacts de texte). Ce skill est conçu pour les agents utilisant les outils YouTube MCP sur macOS Apple Silicon, et évite soigneusement les pièges connus comme l'absence de libass dans ffmpeg Homebrew, les fichiers statiques x86_64 lents via Rosetta, ou les conflits de paramètres avec moviepy.

Compatible avec~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/NeverSight/learn-skills.dev/tree/HEAD/data/skills-md/1worldcapture/workforce/youtube-subtitle-translate

Demander à votre IA préférée

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

Documentation

Que fait Traducteur de sous-titres YouTube ?

Télécharge des vidéos YouTube, extrait et traite les sous-titres (relecture + ponctuation + traduction), puis les incruste dans la vidéo. Prend en charge les sous-titres automatiques et les téléchargements manuels, avec recours à l'ASR lorsque aucun sous-titre n'existe.

Règles strictes

  • Utilisez au maximum 3 sous-agents simultanés pour le traitement par fragments de sous-titres. Lorsqu'il y a plus de 3 fragments, exécutez-les par vagues et lancez le fragment suivant seulement après la fin d'un sous-agent.
  • Le nombre de fragments n'est pas la simultanéité. Vous pouvez diviser en 10 fragments, mais vous ne devez pas lancer 10 processus/sous-agents Codex à la fois ; exécutez au maximum 3 travailleurs actifs à tout moment.
  • Téléchargez toujours uniquement la piste de sous-titres source : anglais si disponible, sinon la langue originale de la vidéo. Ne téléchargez pas les sous-titres automatiques traduits par YouTube dans la langue cible ; traduisez à partir du sous-titre source.
  • N'utilisez jamais une piste de sous-titres en langue cible fournie par YouTube comme raccourci, même pour les vidéos longues et même si zh-Hans ou une autre langue cible est listé dans automatic_captions.
  • Le téléchargement de la vidéo par défaut se fait en 1080p. Si la 1080p n'est pas disponible, téléchargez la meilleure version disponible en dessous de 1080p.
  • La traduction doit être effectuée par des sous-agents sur des fichiers fragments. N'utilisez pas d'assistants de modèle locaux pour la traduction.
  • Avant d'écrire du SRT/ASS, supprimez les caractères de sous-titres illégaux du texte, en particulier les barres obliques inverses (\) parasites qui s'affichent visiblement dans la vidéo.

Aperçu du flux de travail

Phase 1 : Télécharger    →  Obtenir les infos vidéo, télécharger la vidéo, extraire les sous-titres
Phase 2 : Préparer       →  Si pas de sous-titres : extraire l'audio → exécuter l'ASR
Phase 3 : Traiter        →  Diviser en fragments → relecture + traduction par agent parallèle
Phase 4 : Fusionner      →  Combiner les fragments → générer les fichiers SRT/ASS
Phase 5 : Rendre         →  Incruster les sous-titres sur la vidéo avec ffmpeg

Phase 1 : Téléchargement

1.1 Obtenir les informations vidéo

Utilisez l'outil YouTube MCP pour récupérer les métadonnées :

youtube_get_video_info(videoId="...", detail="standard")

Enregistrez : titre, durée, chaîne, disponibilité des sous-titres.

1.2 Créer le répertoire de sortie

Nommez le répertoire d'après le titre de la vidéo. Nettoyez-le pour le système de fichiers :

mkdir -p "/output/path/<Titre Vidéo>"

1.3 Télécharger la vidéo

youtube_download(videoId="...", outputPath="<dir>/video.mp4", quality="1080p", force=true)

Si vous utilisez yt-dlp, préférez la 1080p et repliez-vous sur le meilleur format en dessous de 1080p :

yt-dlp -f "bv*[height<=1080]+ba/b[height<=1080]/best" --merge-output-format mp4 \
  -o "<dir>/video.%(ext)s" "<url>"

1.4 Extraire uniquement les sous-titres sources

youtube_get_transcript(videoId="...", language="<langue-source>")

Si le résultat dépasse les limites de jetons, il est enregistré dans un fichier de résultats d'outil — lisez-le par fragments.

Ceci est une politique de sous-titres source non négociable :

  • Préférez les sous-titres anglais lorsqu'ils sont disponibles.
  • Si l'anglais n'est pas disponible, utilisez la langue parlée originale de la vidéo.
  • Ignorez zh-Hans, zh-Hant et toutes les autres pistes en langue cible affichées par YouTube, y compris les pistes traduites automatiquement.
  • Ne demandez, ne réessayez, ne fusionnez et ne rendez pas une piste de sous-titres en langue cible fournie par YouTube.
  • Les sous-titres en langue cible doivent être produits uniquement par traduction par sous-agent à partir du sous-titre source.

Si un outil renvoie une liste telle que en-orig, zh-Hans, choisissez uniquement en-orig. N'incluez pas zh-Hans dans une commande de téléchargement.

Si vous utilisez yt-dlp, écrivez uniquement le sous-titre source :

yt-dlp --skip-download --write-auto-subs --write-subs \
  --sub-langs "en.*" --sub-format srt --convert-subs srt \
  -o "<dir>/video.%(ext)s" "<url>"

Incorrect, ne pas exécuter :

yt-dlp --write-auto-subs --sub-langs "en-orig,zh-Hans" ...

Si le téléchargement du sous-titre anglais/original réussit mais qu'une demande en langue cible échoue avec une erreur HTTP 429, ne réessayez pas la demande en langue cible. Cette demande n'aurait pas dû être faite ; continuez à partir du sous-titre source et traduisez-le via la Phase 3.

Si les sous-titres existent : Enregistrez les segments bruts au format JSON, passez à la Phase 3. Si PAS de sous-titres (404/erreur) : Passez à la Phase 2 (recours ASR).

Enregistrez les données brutes :

  • raw_segments.json — tous les segments avec texte/décalage/durée
  • raw_subtitles.srt — conversion SRT initiale

Phase 2 : Recours ASR (aucun sous-titre disponible)

Lorsque la vidéo n'a pas de légendes/transcriptions :

  1. Extraire l'audio de la vidéo avec ffmpeg :

    ffmpeg -i video.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav
    
  2. Exécuter l'ASR — l'utilisateur a spécifié qwen3-asr mais tout modèle compatible whisper fonctionne :

    qwen3-asr audio.wav --output-format srt > raw_subtitles.srt
    

    Ou utilisez l'approche intégrée via la commande transcribe du skill hyperframes-media.

  3. Analysez la sortie SRT dans le format JSON de segments attendu par la Phase 3.

Phase 3 : Relecture et traduction parallèles

C'est l'étape la plus longue pour les vidéos longues. La stratégie : diviser en fragments et les traiter avec des sous-agents, avec une limite stricte de 3 sous-agents simultanés.

Effectuez cette phase même pour les vidéos très longues. La longueur n'est pas une raison pour télécharger ou utiliser les sous-titres automatiques en langue cible de YouTube. Le raccourci correct pour les vidéos longues est le découpage en fragments plus la simultanéité de 3 sous-agents, pas la réutilisation des sous-titres cibles.

3.1 Diviser les segments en fragments

Utilisez la logique inverse de scripts/merge-chunks.py — divisez raw_segments.json en N fichiers fragments :

# Diviser en fragments dimensionnés pour révision/traduction.
n = len(segments)
chunk_count = min(10, max(1, (n + 75) // 76))
chunk_size = n // chunk_count + 1
for i in range(0, n, chunk_size):
    save_chunk(i, segs[i:i+chunk_size])

Enregistrez sous chunk_00.json, chunk_01.json, etc. Chacun contient {"chunk_id", "start_idx", "end_idx", "segments": [...]}.

3.2 Lancer les agents parallèles

Pour chaque fragment, lancez un sous-agent en arrière-plan. Ne lancez pas plus de 3 sous-agents en même temps. S'il y a 10 fragments, commencez par les fragments 00, 01, et 02 ; quand l'un se termine, lancez le fragment suivant en attente. Ne lancez jamais les 10 fragments à la fois. Donnez à chaque agent :

  1. Le chemin vers son chunk_XX.json
  2. Les instructions pour lire references/subtitle-proofreading.md pour le cahier des charges complet
  3. Chemin de sortie : result_XX.json dans le même répertoire

L'agent doit :

  • Lire chaque segment de son fragment
  • Relire l'anglais (corriger les erreurs ASR, ajouter la ponctuation)
  • Traduire en chinois simplifié naturel (garder les termes techniques en anglais)
  • Enregistrer sous forme de tableau JSON avec {index, start, end, en, zh} par segment
  • Supprimer les caractères de sous-titres illégaux de en et zh, en particulier les barres obliques inverses (\) parasites, les caractères de contrôle et les accolades brutes de remplacement ASS.

Important : La simultanéité maximale est de 3 sous-agents/processus. S'il y a plus de 3 fragments, exécutez-les par vagues. Ne lancez pas 10 processus enfants Codex pour 10 fragments.

3.3 Attendre la fin

Surveillez quels fichiers result_XX.json apparaissent. Ne continuez pas avant que tous les fragments soient terminés.

Phase 4 : Fusionner et générer les fichiers de sortie

Exécutez le script de fusion :

python3 scripts/merge-chunks.py <output_dir>

Ceci découvre automatiquement tous les fichiers result_*.json et produit :

FichierContenu
final_subtitles.jsonJSON fusionné, trié par horodatage
subtitles_bilingual.srtLignes anglais + chinois
subtitles_zh.srtChinois uniquement
subtitles_en.srtAnglais uniquement

4.2 Valider la qualité des données

Avant le rendu, validez toujours les données fusionnées. Le traitement par agent parallèle peut produire une corruption des horodatages :

# Vérifier les durées anormales (>120s = presque certainement corrompues)
python3 -c "
import json
segs = json.load(open('final_subtitles.json'))
bad = [s for s in segs if s['end'] - s['start'] > 120]
print(f'Durées anormales : {len(bad)} / {len(segs)}')
for s in bad: print(f'  [{s[\"index\"]}] {s[\"start\"]:.1f}->{s[\"end\"]:.1f} ({s[\"end\"]-s[\"start\"]:.0f}s)')
"

Si des durées anormales sont trouvées, corrigez-les (plafonnez end à start + 6) et régénérez les SRT/ASS. merge-chunks.py et srt-to-ass.py incluent une détection et une correction automatiques pour ce problème.

Vérifiez la sortie : vérifiez que les premières et dernières entrées ont des horodatages corrects et un texte lisible.

Vérifiez également l'assainissement du texte :

python3 -c "
import json
segs = json.load(open('final_subtitles.json'))
bad = [s for s in segs if '\\\\' in s.get('en','') or '\\\\' in s.get('zh','')]
print(f'Artefacts de barre oblique inverse : {len(bad)}')
for s in bad[:10]: print(s['index'], s.get('en',''), s.get('zh',''))
"

Phase 5 : Incruster les sous-titres sur la vidéo

C'est là que les choses se compliquent. N'utilisez PAS le ffmpeg système directement — voir les écueils ci-dessous.

5.1 Exécuter le script de rendu

bash scripts/render-subtitles.sh <video.mp4> <subtitles_bilingual.srt> [output.mp4]

Le script gère tout :

  • Détecte/construit ffmpeg natif ARM64 avec support libass
  • Convertit SRT → ASS avec configuration de police CJK appropriée
  • Copie les fichiers vers /tmp pour éviter les problèmes de chemins avec caractères spéciaux
  • Effectue le rendu avec le filtre ass de ffmpeg
  • Valide la sortie

5.2 Vérifier la sortie

Vérifiez que :

  • Le fichier de sortie existe et fait > 10 Mo (pas seulement audio)
  • La durée correspond à la vidéo originale (utilisez ffprobe)
  • Lisez la première et la dernière minute pour confirmer que les sous-titres apparaissent

Écueils et leçons apprises

Ce sont des leçons durement acquises lors d'une utilisation réelle. Suivez-les pour éviter de perdre des heures.

Inadéquation d'architecture ffmpeg (CRITIQUE)

Problème : Le ffmpeg de Homebrew sur macOS est compilé SANS libass, libfreetype et fontconfig. Les filtres ass, subtitles et drawtext n'existent tout simplement pas.

Pire : Les builds statiques ffmpeg de evermeet.cx sont des binaires x86_64 (Intel). Sur les Mac Apple Silicon, ils s'exécutent via l'émulation Rosetta 2, environ 8 à 10 fois plus lentement. Une vidéo de 1h30 a pris plus de 2 heures.

Solution : Utilisez scripts/ensure-ffmpeg.sh. Il détecte ces problèmes et compile ffmpeg natif ARM64 à partir des sources avec toutes les bibliothèques nécessaires. La première construction prend environ 5 minutes ; les reconstructions suivantes sont instantanées (fichiers objets mis en cache).

Indicateurs de configuration requis pour le support complet des sous-titres :

--enable-libass --enable-libfreetype --enable-fontconfig --enable-libdav1d

Décodage AV1 manquant

Problème : De nombreuses vidéos YouTube modernes sont encodées en AV1 (codec_name: av1). Un ffmpeg construit sans --enable-libdav1d échouera avec des erreurs "Function not implemented" lors du décodage, produisant un fichier audio uniquement de 68 Mo.

Solution : Incluez toujours --enable-libdav1d lors de la construction de ffmpeg.

Les caractères spéciaux dans les chemins cassent les filtres ffmpeg

Problème : Lorsque le chemin de la vidéo ou du sous-titre contient des caractères comme des tirets cadratins (—), des guillemets courbes ou des caractères non ASCII, l'analyseur de filtres de ffmpeg échoue avec des erreurs "No option name near...". Cela se produit même avec un quoting shell approprié.

Solution : Copiez les fichiers de sous-titres vers /tmp/subs_<pid>.ass avant de les passer à ffmpeg. Le script de rendu le fait automatiquement.

Conflits d'API TextClip de moviepy (À ÉVITER)

Problème : La classe TextClip de moviepy 2.x a des conflits de paramètres entre les arguments positionnels et kwargs (font apparaît deux fois en interne). Plusieurs variantes d'erreur, aucune évidente à partir du message d'erreur.

Recommandation : N'utilisez pas moviepy pour le rendu de sous-titres en production. Utilisez plutôt le filtre ass de ffmpeg — il est plus rapide, plus fiable et gère correctement les polices CJK via libass/fontconfig.

SRT vs ASS pour ffmpeg

Problème : Le filtre subtitles de ffmpeg (qui lit le SRT directement) souffre également de problèmes d'analyse de chemin sur certaines builds. Le filtre ass est plus fiable.

Solution : Convertissez d'abord SRT → ASS avec scripts/srt-to-ass.py, puis utilisez le filtre ass. Le format ASS vous donne également un contrôle fin sur la police, la taille, le positionnement et le style.

Caractères de sous-titres illégaux

Problème : Le texte des sous-titres bruts ou traduits peut contenir des barres obliques inverses (\) parasites ou des caractères de remplacement ASS. Dans le rendu ASS, une barre oblique inverse littérale peut apparaître à l'écran ou interagir accidentellement avec la syntaxe d'échappement ASS.

Solution : Assainissez le texte des sous-titres avant d'écrire le SRT/ASS :

  • Supprimez les barres obliques inverses du texte des sous-titres visible par l'utilisateur
  • Supprimez les caractères de contrôle à l'exception des espaces normaux
  • Supprimez les accolades { et } brutes du texte des sous-titres
  • Laissez srt-to-ass.py ajouter uniquement les séquences de contrôle ASS qu'il possède, comme \N entre les lignes bilingues

Durées de sous-titres anormales provenant du traitement par agent parallèle

Problème : Lors du traitement des sous-titres en fragments parallèles (Phase 3), des agents individuels peuvent produire des entrées avec des horodatages corrompus — en particulier, des valeurs end beaucoup plus grandes que start (par exemple, durée de 2600s ou 4800s au lieu d'environ 6s). Cela fait que ces lignes de sous-titres restent visibles à l'écran pendant la majeure partie de la vidéo, chevauchant tout autre contenu.

Cause racine : Les agents attribuent parfois mal les heures de fin lors de la consolidation des fragments ASR fragmentés à travers les limites des fragments. Le problème est au niveau des données, pas un problème de rendu — donc il ne sera pas détecté par les erreurs ffmpeg.

Solution : Trois couches de défense :

  1. scripts/srt-to-ass.py détecte automatiquement les entrées avec une durée > 120s et les plafonne à 6s avec un avertissement
  2. Validation de la Phase 4 : Après la fusion des fragments, recherchez toujours les entrées où (end - start) > 120 secondes
  3. Vérification avant rendu : Avant d'exécuter ffmpeg, greppez le fichier ASS pour les lignes Dialogue suspectement longues
# Vérification rapide avant rendu : trouver tout sous-titre durant > 2 minutes
python3 -c "
import json, sys
segs = json.load(open('final_subtitles.json'))
bad = [s for s in segs if s['end'] - s['start'] > 120]
if bad: print(f'ATTENTION : {len(bad)} durées anormales trouvées !'); sys.exit(1)
else: print('Vérification des durées réussie')
"

Réglage de la taille de police

Problème : Les tailles de police par défaut (16-20px) peuvent être trop petites sur les vidéos haute résolution 1080p+, surtout lorsqu'elles sont visionnées sur des écrans plus petits ou à distance.

Solution : Utilisez le drapeau --font-size pour ajuster. Tailles de base recommandées :

  • Vidéo 1080p : --font-size 24 (bilingue) ou --font-size 28 (monolingue)
  • Vidéo 4K : --font-size 36 ou plus
  • Le script render-subtitles.sh transmet ceci à srt-to-ass.py

Dépendances

  • Outils YouTube MCP : mcp__plugin_youtube_youtube__* (téléchargement vidéo, transcription, informations)
  • ffmpeg : Auto-construit par scripts/ensure-ffmpeg.sh
  • Python 3 : Scripts de fusion, conversion SRT→ASS, validation
  • qwen3-asr ou autre modèle compatible whisper : Pour le recours ASR

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