Communitygithub.com

long-video-voice

Crée l'audio parlé (narration et voix des personnages) pour le script vidéo approuvé.

Qu'est-ce que long-video-voice ?

Cette compétence correspond à l'étape 7 du workflow long-video. Elle gère la création de l'audio parlé pour une vidéo, qu'il s'agisse de narration ou de dialogues de personnages. Elle commence par analyser si la vidéo a besoin de parole (en fonction du mode de parole, de la source audio et du script), puis demande confirmation à l'utilisateur. Ensuite, elle construit un casting vocal avec un narrateur et chaque personnage parlant, génère un échantillon court de chaque voix via un outil comme un serveur MCP ElevenLabs, et soumet chaque échantillon à l'approbation de l'utilisateur avant de produire les fichiers audio complets. Elle supporte plusieurs modes de production : génération automatique via cloud TTS (ElevenLabs, etc.), enregistrement local par l'utilisateur, ou une combinaison des deux. La sortie est un dossier de fichiers audio nommés par scène et par locuteur. Des vérifications de durée (via ffprobe) et des ajustements de débit (jusqu'à 10%) sont effectués pour garantir l'adéquation à chaque scène. Les fichiers sont enregistrés dans `audio/lines/` et les scripts vocaux dans `voice-scripts/`. Elle propose une validation étape par étape (test d'une scène, génération par lots ou une par une) et met à jour le statut dans `project.json`.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/samanfirouzi/long-video-skill/tree/HEAD/skills/long-video-voice

Demander à votre IA préférée

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

Documentation

Long video voice

Étape 7 du workflow long-video. Sortie : un dossier de fichiers audio, un par ligne parlée, chacun nommé par scène et par locuteur. Ou une décision que la vidéo n'a pas besoin de parole.

Une scène correspond à un clip du script (un plan, 10 secondes maximum), numéroté dans l'ordre de la vidéo, comme dans les étapes précédentes.

Avant de commencer

  1. Trouver le projet dans ~/.long-video/projects/<slug>/. Exiger video-script.md avec status: approved et film-style.md.
  2. Charger la configuration du projet : langue, source et fournisseur de la voix off (audio.voiceover), providers.tts, niveau d'approbation, budget.
  3. Lire le mode de parole et les descriptions des voix depuis film-style.md.
  4. Si audio/ ou voice-scripts/ existent déjà, demander : continuer (lister ce qui est fait), ou recommencer.

Étape 1 : La vidéo a-t-elle besoin de parole ?

À déterminer avant de demander. Vérifier :

  • le mode de parole dans film-style.md (narrateur, personnages, mixte),
  • la source audio.voiceover.source dans la configuration (none, self-recorded, cloud-tts, local-tts),
  • combien de lignes de narration ou de dialogue le script contient, et dans combien de scènes.

Ensuite, donner une recommandation avec une raison, et demander la confirmation. Exemple : "Le script contient 142 lignes de narration dans 96 des 104 scènes, et la configuration utilise la synthèse vocale cloud. Je recommande une vidéo narrée. Voulez-vous que je crée les voix ?"

  • Si le script n'a pas de lignes parlées, ou si la configuration indique aucune voix off : recommander de passer, avec la raison.
  • Approuvé. Continuer avec l'Étape 2.
  • Non nécessaire. Définir "voice_mode": "none" et "stage": "voice-skipped" dans project.json. Dire que les étapes suivantes utiliseront uniquement la musique et les effets sonores. Arrêter.
  • En désaccord avec la recommandation. Suivre l'utilisateur. Mettre à jour la note de configuration si la parole était none et que l'utilisateur la souhaite maintenant.

Ne jamais créer de voix sans la confirmation de l'utilisateur.

Étape 2 : Constituer le casting vocal

  1. Lister chaque locuteur : le narrateur (s'il y en a un) et chaque personnage qui a des dialogues. Compter les lignes pour chacun.
  2. Pour chaque locuteur, prendre la description de la voix depuis film-style.md (âge, ton, accent, vitesse). Si une description manque, en proposer une à partir de la description du personnage dans visual-bible.md et la marquer "proposée".
  3. Afficher le casting sous forme de tableau : locuteur, id, nombre de lignes, description de la voix. Demander à l'utilisateur de confirmer ou de modifier.
  4. Ids des locuteurs : narrator, ou l'id du personnage sans le préfixe char- (par exemple char-mara devient mara). Ces ids seront utilisés dans les noms de fichiers.

Étape 3 : Choisir comment l'audio est créé

Demander : "Claude doit-il générer les voix, ou allez-vous les créer vous-même (enregistrer ou utiliser votre propre outil) ?"

  • Claude génère. Aller à l'Étape 4.
  • Je les crée. Aller à l'Étape 6.
  • Les deux. Écrire les scripts vocaux (Étape 6) et générer aussi (Étape 4).
  • Si audio.voiceover.source est self-recorded, aller directement à l'Étape 6.

Étape 4 : Trouver un outil vocal et créer des échantillons

Lire references/voice-generation.md. En résumé :

  1. Utiliser la méthode enregistrée dans la configuration (providers.tts) si elle existe. La tester.
  2. Chercher des outils connectés dans cette session qui génèrent de la parole (un serveur MCP ElevenLabs ou similaire, ou des compétences avec des outils vocaux).
  3. Vérifier les variables d'environnement de clé API sur l'appareil. N'afficher que "définie" ou "non définie".
  4. Vérifier les outils de synthèse vocale locaux.
  5. Si rien n'est trouvé, demander si l'utilisateur a une clé API (en tant que variable d'environnement, jamais collée dans le chat), un serveur MCP à connecter, ou un site de synthèse vocale dans le navigateur. Ou passer à l'Étape 6.

Les échantillons vocaux viennent en premier. Ne jamais générer l'audio complet avant que l'utilisateur n'ait approuvé les voix.

  1. Pour chaque locuteur, choisir une voix qui correspond à la description. Lister les voix de l'outil et choisir parmi elles. Ne jamais utiliser un id de voix de mémoire. Si l'outil peut concevoir une nouvelle voix à partir d'une description, le proposer pour les voix difficiles à assortir.
  2. Créer un court échantillon par locuteur (5 à 15 secondes). Utiliser une vraie ligne du script que ce locuteur dit, dans la langue de la configuration. Pour le narrateur, utiliser les premières lignes. Inclure la note de diction si la ligne en a une.
  3. Enregistrer les échantillons dans audio/samples/ sous le nom sample_<speaker>.mp3.
  4. Présenter chaque échantillon avec le locuteur, le nom de la voix et la ligne. Demander à l'utilisateur de l'approuver, ou de demander une autre voix. Si l'utilisateur demande une autre voix, créer un nouvel échantillon (un à la fois, jamais de tentatives groupées). Répéter jusqu'à ce que chaque locuteur soit approuvé.
  5. Enregistrer les voix approuvées dans voice-cast.md (locuteur, nom de la voix, id de la voix, réglages, fichier d'échantillon). Mettre à jour la liste des voix dans film-style.md pour correspondre.

Ne pas répéter un appel de génération pour réessayer. Chaque appel peut être facturé à nouveau.

Étape 5 : Générer les lignes

  1. Lire references/voice-script-format.md. Construire la liste des lignes à partir du script : un élément par ligne parlée, dans l'ordre des scènes.
  2. Informer l'utilisateur du nombre de lignes, de la durée totale parlée et du coût approximatif. Demander avant de commencer. Proposer de commencer par une plage, par exemple les scènes 1 à 10.
  3. Scène de test. Générer la première scène avec parole. La lire ou signaler sa durée. Demander si le rendu est correct. Ajuster les réglages d'abord.
  4. Générer dans l'ordre des scènes en utilisant uniquement les voix approuvées. Appliquer les notes de diction. Utiliser les notes de prononciation de la liste des lignes.
  5. Enregistrer chaque ligne sous audio/lines/scene-<NNN>_<speaker>_<NN>.<ext>. Ne jamais écraser un fichier sans demander.
  6. Après chaque fichier, mesurer sa durée avec ffprobe. La comparer avec la durée de la scène dans le script (voir le format de référence pour les règles d'ajustement). Enregistrer le résultat.
  7. Si une ligne ne correspond pas à sa scène, ne pas modifier les mots. Proposer des options : un débit légèrement plus rapide (10% maximum), une scène plus longue (toujours dans la limite de 10 secondes), ou diviser la ligne en deux scènes avec l'approbation de l'utilisateur.
  8. D'un coup ou une par une : demander à l'utilisateur. Une par une joue le résultat de chaque ligne, attend l'approbation ou une demande de refaire.
  9. Si l'outil crée son propre audio dans les clips vidéo (synchronisation labiale), demander s'il faut conserver cet audio ou utiliser ces fichiers. Noter la réponse dans audio/status.md.

Si la génération échoue ou que l'utilisateur refuse, recourir à l'Étape 6 pour les scènes restantes.

Étape 6 : Scripts vocaux pour l'utilisateur

  1. Créer audio/lines/ pour les fichiers audio terminés et voice-scripts/ pour les listes de lignes. Afficher les chemins complets.
  2. Écrire des fichiers par lots de 20 scènes (scenes-001-020.md) et voice-scripts/index.md, en suivant le format de référence. Chaque ligne contient :
    • le nom de fichier à enregistrer : audio/lines/scene-007_narrator_01.mp3
    • le locuteur et la description de la voix
    • le texte exact, la note de diction et les notes de prononciation
    • la durée de la scène, pour que l'audio puisse être vérifié par rapport à celle-ci
  3. Demander : d'un coup, ou une par une.
    • D'un coup. Afficher les chemins des dossiers et un exemple. L'utilisateur travaille à travers les fichiers de lots.
    • Une par une. Afficher la première ligne avec son nom de fichier. Attendre que l'utilisateur dise qu'elle est enregistrée. Vérifier que le fichier existe avec le bon nom et mesurer sa durée. Puis afficher la ligne suivante.
  4. Proposer de vérifier le dossier à tout moment : comparer les fichiers avec l'index, et lister les fichiers audio manquants, mal nommés ou trop longs.

Étape 7 : Statut et finition

  1. Tenir audio/status.md à jour avec le tableau du format de référence. Valeurs de statut : pending, done, needs-manual, skipped.
  2. Mettre à jour project.json : "stage": "voice-prompts-done" après l'enregistrement des listes de lignes, et "stage": "voice-done" lorsque chaque ligne parlée a un fichier audio et que l'utilisateur approuve l'ensemble.
  3. Indiquer à l'utilisateur les chemins de audio/ et voice-scripts/, le temps de parole total par rapport au temps vidéo, et ce qui manque ou est trop long.
  4. Proposer d'enregistrer l'outil de travail dans la configuration (providers.tts), méthode et noms uniquement.
  5. Proposer de continuer avec long-video-sound (effets sonores, ambiance et musique de fond). Ne démarrer que si l'utilisateur est d'accord. Ne démarrer aucune autre étape ultérieure sauf si l'utilisateur le demande et que cette étape existe.

Règles

  • Ne jamais créer de voix sans la confirmation de l'utilisateur à l'Étape 1.
  • Ne jamais générer l'audio complet avant que les échantillons vocaux ne soient approuvés.
  • Ne jamais modifier les mots du script. Si une ligne ne correspond pas, demander d'abord.
  • Ne jamais utiliser un identifiant de voix qui ne provient pas de la propre liste de voix de l'outil ou de l'utilisateur.
  • Ne jamais demander de clés API dans le chat. Ne jamais saisir de mots de passe ou résoudre de CAPTCHA dans un navigateur.
  • Ne jamais répéter un appel de génération en silence pour réessayer. Chaque appel peut être facturé à nouveau.
  • Ne jamais renommer un fichier après que la liste des lignes a été approuvée.
  • Garder les messages du chat courts. Mettre les listes de lignes complètes dans des fichiers.

Individual skills in this repo

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

long-video-assets

Video and animation skill. Build the visual foundation for a long video from an approved story. Extracts the recurring characters, environments and key objects, helps the user choose one art style from suggested options (10 at a time, more on request), then writes image generation prompts for every character (portrait plus character sheet), environment and object, all sharing one locked style. Can also generate the images (installed tool, API, MCP or browser) or hand the user a folder and file names to fill. Use after lon

long-video-director

Turn an approved story into a shot-by-shot video script, acting as the director. Asks whether the video uses a narrator or characters who speak (or both), suggests professional filming choices (camera type, lenses, camera movement, lighting, color, pacing), saves them as a separate film style file, then writes a script that matches the project config. Outputs film-style.md and video-script.md. Use after long-video-story (and long-video-assets) are done, or when the user asks for the video script, shot list, camera style or lighting plan.

long-video-keyframes

Create the start and end frame image for every scene (clip) of the approved video script. Writes one image prompt per frame with a fixed file name that holds the scene number and start or end, makes a folder for the images, and can generate the images with an available image tool, or hand the prompts to the user all at once or one by one. Use after long-video-director, or when the user asks for start frames, end frames, keyframes or scene images.

long-video-render

Assemble the finished video and run the review loop. Builds the edit from the clips (or images with camera moves), voice, sound stems and captions, renders a low quality review version with scene numbers and time burned in so a client can review it, collects and applies changes (re-rendering reviews as often as needed), and when the user approves, renders the high quality final video. Uses a video editor with a CLI or MCP (FilmCraft, EffectCraft or another) if one is available and the user wants it, otherwise the bundled ffmpeg renderer. Use after long-video-sound, or when the user asks to render, assemble, export, preview or finalize the video.

long-video-sound

Video and animation skill. Create the sound effects, ambience and background music for the video and place them on the timeline. Plans the sound design from the approved script, sources or makes each sound (Openverse for openly licensed recordings and music, Earshot to make sounds from words and to listen to and judge sounds, Clipwing real-sfx to place real sounds on exact frames), records licences and credits, and mixes separate stems (effects, ambience, music) with the music ducked under speech. Or gives the user a fold

long-video-story

Agree on the story for a long video. The user either supplies a story or asks Claude to write one. When Claude writes, it first asks which story style to use (for example niche discovery, or a provocative-questions narration), runs that style's skill, and revises until the user approves. Use after long-video-setup, or when the user says "story for my video", "give me an idea", or wants to change an unapproved story. Ends only when the user explicitly approves the story.

Skills associés