Communitygithub.com

josueh04/product-video-skills

Rédige la narration d'une vidéo produit, la transforme en clips vocaux avec timing des mots, corrections de prononciation, effets sonores et normalisation du volume.

Qu'est-ce que product-video-skills ?

Ce skill est conçu pour automatiser la création de la bande sonore d’une vidéo produit, de l’écriture du script à la génération des clips audio avec leurs timings, en passant par les effets sonores. Il transforme le script en une table de moments, puis en un fichier `lines.tsv` (une phrase par clip, avec les colonnes rôle et vitesse). Le script `tts.py` utilise ElevenLabs ou la voix macOS gratuite `say` pour générer les clips, en réassociant les respellings de marques à l’orthographe affichée à l’écran, normalise chaque clip et écrit `audio/timings.json` pour le compositeur. Le script `make_sfx.py` construit des pistes de frappe à partir de frappes réelles et place des clics et pops enregistrés. Utilisez-le dès qu’une vidéo a besoin d’un script, d’une narration, d’une voix off, de `lines.tsv`, de `timings.json`, de TTS, d’une nouvelle prise, d’un choix de voix ou de casting, d’une correction de prononciation (« le nom est mal prononcé »), d’une phrase modifiée, d’une note sur le ton (« trop enthousiaste », « ça semble coupé »), du niveau audio, d’un clic en fin de clip, de sons de frappe ou de clic, ou lorsque l’étape de build demande la voix. Il est également utile pour les boucles silencieuses, qui nécessitent quand même une table de moments et des effets sonores.

Compatible avec✓Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/josueh04/product-video-skills/tree/HEAD/skills/script-and-voice

Demander à votre IA préférée

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

Documentation

Script et voix

La voix est l'horloge de la vidéo. Chaque battement de l'animation est ancré à un mot de la narration (T[clip] + w(clip, "mot") dans build.py), donc le script et ses clips précèdent l'animation, et modifier une phrase régénère un seul clip et re-calibre tout ce qui le suit. Dans la production d'où viennent ces compétences, changer tout le moteur TTS a re-calibré une vidéo terminée sans éditions manuelles grâce à cette conception. Animer d'abord et adapter la voix après implique d'étirer l'audio ou de décaler les battements à la main à chaque modification.

Écrivez uniquement sous <video_dir>/audio/ (plus la section script de BRIEF.md). Chaque phrase doit être soutenue par TRUTH.md et respecter CLAIMS.md ; si une phrase nécessaire n'a pas de source, demandez qu'elle soit vérifiée ou supprimez-la.

Scripts, appelés comme dans docs/contracts.md :

PVS_HOME="$(cd "$(cd "${CLAUDE_SKILL_DIR}" && pwd -P)/../.." && pwd)"
S="$PVS_HOME/skills/script-and-voice/scripts"
"$PVS_HOME/bin/pvs-py" "$S/check_script.py" <video_dir>                 # lint lines.tsv
"$PVS_HOME/bin/pvs-py" "$S/tts.py" <video_dir> [--only N3,N4] [--provider say] [--force] [--restore]
"$PVS_HOME/bin/pvs-py" "$S/pronounce_check.py" <video_dir> [--only N3]  # la RAS a-t-elle entendu les mots de marque ?
"$PVS_HOME/bin/pvs-py" "$S/make_sfx.py" <video_dir> [--list]            # sfx.tsv, ou liste de la bibliothèque

1. Le script est une table de moments

Un enregistrement du produit est une référence, pas une ligne temporelle : les temps d'attente réels et les changements d'écran n'ont pas leur place dans la vidéo. Écrivez le script comme des moments, chacun avec ce qui se passe à l'écran, la phrase (ou le silence) et sa durée. Un moment dure aussi longtemps que la plus longue de son action et de sa phrase. Comprimez les attentes réelles : quarante secondes de chargement deviennent environ deux secondes d'un état de réflexion.

Ajoutez la table à BRIEF.md sous ## Script, dans l'ordre des chapitres :

MomentÀ l'écranLigneTexte (ou silence)Tient
OuvertureNom du produit sur l'app floueN1Voici Acme Tasks, la liste de tâches qui planifie votre journée.0,8 s après
AttenteLe plan est en cours d'élaboration(silence)2,0 s

Choisissez ensuite le modèle pour le format de la vidéo et suivez sa structure : lisez references/script-templates.md (pitch, visite, page de doc, tutoriel, boucle silencieuse).

Comment écrire les lignes, et pourquoi :

  • Expliquez les fonctionnalités importantes ; ne les listez pas. Dites ce qu'une fonction fait pour le spectateur pendant que l'interface utilisateur l'exécute. Dans la production d'où viennent ces compétences, 9 versions sur 26 ont été faites parce qu'une vidéo nommait une fonction sans l'expliquer. COVERAGE.md indique quelles fonctionnalités doivent être expliquées à l'écran : chaque ligne marquée « doit expliquer » nécessite au moins une ligne qui l'explique.
  • Expliquez chaque étape à quelqu'un qui n'a jamais vu le produit. Qui est le personnage, ce qu'il demande, ce que fait chaque étape. Une ouverture rapide et non expliquée a été rejetée en révision.
  • Une idée par phrase et une phrase par clip. Une phrase modifiée ne coûte alors qu'un clip.
  • Nommez ce que le curseur touche au moment où il le touche. Les battements s'ancrent sur ces mots, donc le nom à l'écran et le mot dans le clip doivent être les mêmes.
  • Utilisez le vrai libellé de l'interface utilisateur, même si le relecteur utilise un autre mot. La vidéo correspond alors à ce que le spectateur verra dans le produit.
  • Écrivez les nombres et les heures en toutes lettres (« dix heures », « trente minutes plus tard »). Les moteurs TTS lisent les chiffres de manière incohérente et la comparaison parole-texte compare les mots, pas les chiffres.
  • Laissez de l'air autour des attentes. Environ trois secondes avant qu'un téléphone sonne, « environ une minute » au lieu d'un nombre précis que personne ne peut vérifier.
  • Terminez sur une phrase complète, lue un peu plus lentement. Un fragment de slogan comme dernière ligne a semblé coupé en révision ; une phrase complète avec le positionnement de CLAIMS.md ne l'a pas fait.
  • Gardez la personne cohérente dans une vidéo : première personne comme l'utilisateur fictif (« D'abord, je connecte mon calendrier. ») ou troisième personne à son sujet. Utilisez uniquement la distribution fictive de product.yaml, avec le même nom dans chaque vidéo.
  • Le positionnement vient de CLAIMS.md, pas des documents source : un document source peut contenir une phrase que l'équipe a bannie, et la règle l'emporte.

2. lines.tsv

audio/lines.tsv, séparé par tabulations, en-tête id role speed text, un clip par ligne dans l'ordre de lecture, les lignes # sont des commentaires. Format complet et comment build.py lit le résultat : references/audio-formats.md.

  • id : N1, N2, N7b pour la narration ; d'autres lettres pour les personnages (A1 pour un agent, C1 pour un client). Insérer une ligne entre N7 et N8 comme N7b laisse tous les autres id, et chaque ancrage qui les utilise, stables.
  • role : une clé de voice.roles dans product.yaml (narrator, agent, customer, ou une variante de lecture telle que narrator_close, voir section 3). Le rôle, pas l'id, choisit la voix.
  • speed : 1.0 par défaut, de 0.7 à 1.2. Utilisez 0.9 à 0.96 pour les lignes d'ouverture et de fermeture.
  • text : exactement comme il apparaît à l'écran et dans les sous-titres, avec l'orthographe canonique des noms de produits. N'écrivez jamais de respelling ici ; la prononciation vit dans product.yaml.

Avant de modifier les lignes d'une version livrée, copiez lines.tsv en lines-v<N>.tsv et timings.json en timings-v<N>.json, afin que la version précédente puisse être reconstruite.

Exécutez check_script.py après chaque modification. Il échoue en cas d'ids en double, de rôles inconnus, de vitesses hors plage, de clips de plus de 40 mots, de termes bannis, d'expressions "never_say", de noms hérités et de respellings dans le script, et avertit pour les clips longs, les chiffres et les tirets. Corrigez chaque erreur avant de vocaliser : une phrase bannie qui atteint le TTS coûte une prise, et une qui atteint un rendu coûte une version.

3. Casting

Lisez references/casting-and-pronunciation.md avant de proposer des voix. En résumé :

  • Proposez d'abord des voix réalistes. La voix par défaut du produit et les modèles les moins chers ont été jugés « très faux » en révision ; le modèle le plus naturel disponible en vaut la peine pour les personnages.
  • Auditionnez en contexte : deux vraies lignes consécutives par rôle, trois à six candidats par rôle.
  • Proposez chaque choix pour véto comme une question fermée avec un défaut recommandé (« Narrateur : voix B, chaleureuse et posée. On garde ? »). Les listes ouvertes d'options sont restées sans réponse pendant des jours.
  • Décidez du traitement par rôle : treatment: phone pour quelqu'un en appel, treatment: room pour une réunion enregistrée, rien pour le narrateur.
  • Une lecture par ligne (plus stable, plus lente, moins de style) est une variante de rôle qui pointe vers la même voix avec d'autres réglages, de sorte que le choix est dans la configuration et survit à une ré-exécution.

voice.provider: say (ou --provider say) utilise la voix macOS gratuite et whisper pour les synchronisations de mots. Utilisez-la pour les brouillons, les tests et le travail de timing avant qu'une clé n'existe ; livrez avec la vraie voix.

4. Générer les clips

"$PVS_HOME/bin/pvs-py" "$S/tts.py" <video_dir>

Pour chaque ligne, il respelle les mots de marque uniquement pour le TTS, conserve la prise non retouchée dans audio/raw/ (la prise précédente passe dans audio/raw/prev/), coupe le silence, rééchantillonne en 48 kHz mono, applique le traitement du rôle, normalise selon voice.clip_lufs (ffmpeg loudnorm, deux passes ; pics sous -1,5 dBTP), fond les deux bords, et fusionne l'entrée du clip dans audio/timings.json.

Pourquoi chaque étape de traitement existe :

  • Les prises brutes sont toujours archivées et toujours la source. Un client précédent normalisait à partir d'un fichier brut obsolète après un rendu complet ; ici, un clip est toujours reconstruit à partir de la prise qui l'a produit.
  • La queue est coupée au maximum 0,6 s après le dernier mot, avec un fondu. Une prise TTS peut se terminer par un clic ou le début d'une autre phrase ; un tel clic a été livré comme un « coupe étrange » dans l'audio.
  • Tous les clips au même volume. Une voix de personnage sortait 6 dB plus fort que le narrateur avant normalisation.
  • Les lignes inchangées sont ignorées (hachage du texte, de la voix et des réglages dans audio/raw/cache.json), donc une exécution complète après modification d'une ligne appelle le fournisseur une fois. Si seul clip_lufs ou le traitement a changé, les clips sont reconstruits à partir des prises archivées gratuitement. --force demande une nouvelle prise quand même.

La clé est lue par le script depuis l'environnement ou PVS_HOME/.env et jamais affichée. Ne lisez jamais .env vous-même et ne demandez jamais la clé dans le chat : si elle manque, dites à l'utilisateur d'ajouter la ligne lui-même dans .env, ou passez à say.

Exécutez pronounce_check.py après toute nouvelle prise. Il transcrit chaque clip sans inciter le RAS, signale les mots de marque et de distribution non reconnus, les noms hérités qui ont été entendus, et les voyelles qui ont dérivé (section 5). Un signal signifie écouter, pas régénérer : les RAS confondent des mots de marque qui ont été bien prononcés.

5. Prononciation

Le script et l'écran gardent l'orthographe réelle. product.pronounce modifie uniquement ce qui est envoyé au TTS, et tts.py réassocie les timings, donc timings.json contient le mot affiché à l'écran dans w et le respelling dans say ({"w": "Acme", "say": "AK-mee", ...}). Les ancres dans build.py utilisent le mot affiché à l'écran.

product:
  pronounce:
    Acme: AK-mee                                    # respelling simple
    Acme Tasks: {say: AK-mee Tasks, vowel: ae, confusable: ey}   # avec vérification de la première voyelle

Lorsqu'un relecteur dit que le nom sonne faux, essayez trois ou quatre respellings sur une ligne, mesurez-les avec la vérification de voyelle, gardez celui qui réussit, puis vérifiez toutes les autres lignes contenant le mot : les fournisseurs varient par prise. Détails et table des voyelles : references/casting-and-pronunciation.md.

6. Prises

  • Au maximum deux prises par ligne sauf si l'utilisateur dit autrement ; les quotas de fournisseur sont généralement partagés entre une équipe. Dites combien de caractères une exécution complète coûtera avant de l'exécuter.
  • Régénérez uniquement la ligne qui en a besoin : tts.py <video_dir> --only N7 --force.
  • Si la nouvelle prise est pire, --only N7 --restore la remplace avec ses timings.
  • Pour une note de ton (« trop enthousiaste », « ça ressemble à une demi-phrase »), faites deux ou trois variantes comme variantes de rôle ou changements de vitesse, et laissez le relecteur les comparer en contexte avec la ligne précédente.
  • Modifier une ligne, dans l'ordre : copiez les fichiers de version, modifiez la ligne, check_script.py, tts.py --only <id>, pronounce_check.py --only <id>, puis le compositeur reconstruit ; tout ce qui suit ce clip se déplace tout seul.

7. Effets sonores

Utilisez uniquement des sons enregistrés, issus de la bibliothèque fournie avec HyperFrames (make_sfx.py --list). La frappe synthétisée sonnait « comme une paille, pas un clavier » et un whoosh synthétisé comme « bruit blanc » en révision, donc les whooshes et les crescendos sont refusés par le script, et rien ne passe sous la narration comme musique sauf si le brief le demande. La production d'où viennent ces compétences a été livrée sans fond musical et sans ducking, et personne ne l'a regretté.

  • Frappe : typing_track(text, start, cps) construit une piste à partir de frappes individuelles découpées d'un enregistrement réel, avec un appui plus fort sur les espaces et un rythme basé sur une graine, de sorte qu'elle est déterministe et que le même texte sonne toujours de la même manière. Faites-la durer exactement aussi longtemps que le battement qui montre le texte (dur=), et laissez les mots tapés atterrir sur les mots prononcés.
  • Clics et pops : library_sfx("click", start) sur l'image où le curseur appuie.
  • audio/sfx/CREDITS.md liste chaque fichier de bibliothèque utilisé et porte la licence de la bibliothèque.
  • Niveaux suggérés : narration 1.0, personnages 1.0, clics 0.35 (0.22 lors du relâchement d'un glisser), frappe 0.45, pops 0.12 à 0.3. Deux clips sur la même piste audio ne doivent jamais se chevaucher : commencez un clip au moins 0,02 s après la fin du précédent, ou déplacez-le sur une autre piste.

build.py importe les fonctions ; make_sfx.py <video_dir> avec un audio/sfx.tsv pré-construit les mêmes fichiers depuis la ligne de commande (format dans le docstring du script).

8. Transfert au compositeur

Livrez, sous <video_dir>/audio/ : lines.tsv, clips/<id>.wav, timings.json, et sfx/ avec CREDITS.md. Dites au compositeur à quels mots chaque battement doit s'ancrer (le nom que le curseur touche, le mot sur lequel la frappe atterrit) et les attentes de la table de moments. Ne modifiez jamais timings.json à la main : il est régénéré à partir des clips, et une modification manuelle est perdue lors de la prochaine exécution.

Faites un rapport à l'utilisateur : les lignes vocalisées, la durée de chaque clip, les indicateurs de prononciation et ce que vous avez entendu, les voix utilisées (avec le défaut recommandé pour tout ce qui est encore ouvert), et les caractères fournisseur dépensés.

Individual skills in this repo

This repo contains 14 individual skills — each has its own dedicated page.

josueh04/product-video-skills

Extract, once per product, everything every video of it reuses and write it to kit/ and product.yaml (design tokens, font subsets as woff2, icon subsets as SVG from the product's own icon packages, logos in light, dark and app-tile variants from the repo, a fictional cast proposed once for veto and then frozen, the canonical-names map, pronunciations, banned terms and the read-only tool list). Use it when a product is set up or its kit is missing or incomplete, when a video needs an icon, font or logo that is not in kit/ yet, when someone asks for demo names, fake customers, phone numbers or emails, when a brand word is mispronounced or an old product name shows up, and when checking that demo data is fictional.

josueh04/product-video-skills

Interview the user about a product, then create products/<slug>/ with its own git history, a filled product.yaml and linked skills, fetch its sources and build its kit. Run only when the user types /product-new.

josueh04/product-video-skills

Back every sentence of a video's narration (audio/lines.tsv) and every screen it shows with a citation into the pinned source code (role/path:line@sha) or a docs URL, mark what is visible in the UI versus backend-only, flag restricted or unreleased features, and cut or rewrite anything unbacked; writes the video's TRUTH.md and checks it with truth_check.py. Use it whenever a script or narration is drafted or edited, before voice is generated, before a build, when someone asks "can we say this?", "is this true?", "does the product really do X?", when a reviewer asks for a feature or a claim the product may not support, and when a source document (pitch deck, PRD, marketing page) makes claims the video wants to repeat.

josueh04/product-video-skills

Check a rendered product video before anyone else sees it: worker-pattern flicker, black frames, loudness and true peak, clipping, clicks at clip edges, overlapping narration, speech to text against the script, banned terms and legacy names, camera zoom, contact sheets, frame strips at transitions and parity against the approved version; then write qa/REPORT.json, the only thing deliver.py accepts. Use it after every HyperFrames render, whenever someone asks "is the render clean", "QA this", "check the video", "check the audio", "why does it flicker", "there is a click", "compare v3 with v2", "did the approved part change", or before showing, sending, uploading or delivering any MP4, even when the request does not say QA. Also use it to triage a defect a reviewer reported in a render.

josueh04/product-video-skills

The animation rules that keep HyperFrames' parallel render workers from dropping, flashing or flickering elements, plus a static lint (lint_motion.py) that finds the violations in a video's template before it costs a render. Use it whenever you write or edit GSAP tweens, timelines, cursors, camera moves, typing, scrolls or pop-ups in a HyperFrames composition or a video's src/template.tpl, whenever a render shows flicker, stutter, an element that vanishes on some frames, a title that flashes, or a "WORKER PATTERN" line from scan_render.py or qa.py, and whenever the preview looks right but the MP4 does not. Also use it to review someone else's timeline code before rendering.

josueh04/product-video-skills

Pin a product's source code (read-only exports in sources/ plus sources.lock), confirm that the pinned commit is what runs in production, and map every screen of a video brief to its route, components, i18n strings and state, written to the video's SOURCES.md. Use it whenever a video needs to know where a screen lives in the code, when sources/ is missing or stale, before ui-spec-from-code or product-truth start on a video, after the product's frontend changed ("what changed", "which videos are affected", "refresh the sources", "is this checkout current", "which commit is in prod"), and when there is no code and you need an inventory of the no-code references (recordings, recovered captures, docs) a screen can be rebuilt from.

josueh04/product-video-skills

Compose a narrated product demo in HyperFrames: the stage (the product UI rebuilt at its real viewport and scaled to 1080p, camera, rack focus with veil, chapter titles, cursor and clicks, typing, streaming text, pop-ups, toasts, scrolls, end screen and lockup) and the build.py that anchors every beat to a word of the narration. Use it whenever you write or edit a video's video/build.py, src/template.tpl or src/app.css, place a beat on a word, add a chapter, a click, a pop-up or a push-in, frame a screen, build the end screen or lockup, snapshot setup beats, or render a draft or delivery MP4 of a product video in this workbench. Also use it when someone says "the cursor is off", "too zoomed in", "too fast", "it feels chaotic", "the title flashes", "sync the UI to the voice", or asks for a walkthrough, demo or pitch video of a UI.

josueh04/product-video-skills

Gather pixel references for UI that the code cannot show, or to check a rebuild against the real thing, using frames and timed OCR text from screen recordings, captures recovered from past Claude Code session transcripts, a local instance of the app built like production, and web research for third-party apps, plus side-by-side parity images and contact sheets. Use it whenever someone hands over a screen recording (.mov or .mp4) of the product, when a screen has no usable source code (a stale checkout, another company's UI such as a sign-in page, calendar or CRM, runtime output from a backend not in the repos), when asked "what does it really look like", "match the recording", "how long does that animation take in the app", "compare our render to the real app", or when screenshots from an earlier session might already exist. Never uses the reviewer's personal browser.

josueh04/product-video-skills

Turn a product's real frontend code into 1:1 rebuild specs for a video, one read-only subagent per screen, each returning static HTML, CSS with every variable resolved to its literal value and cited (role/path:line@sha), every state, transitions with exact durations and easings, icons from the code's own icon sets, and the exact i18n strings; plus resolve_tokens.py to write the product's design tokens to kit/tokens.css. Use it whenever a screen of the product has to appear in a video, when writing or fixing video/src/app.css or the template markup, when someone asks for exact sizes, colors, fonts, paddings, animations or icons of a screen, when a rebuilt screen "looks off" next to the real app, and when the design tokens or theme of a product need extracting. Framework adapters cover Angular with PrimeNG (proven), React, Vue, Tailwind and plain HTML (unproven).

josueh04/product-video-skills

Say where this session stands in the Product Video Skills workbench (setup state, which product and video the current folder belongs to, the stage of every video) and the exact next command to type. Also answers "how do I..." questions about the workbench from its docs.

josueh04/product-video-skills

Coordinate the build of one or more signed videos of the current product with subagents (source recon, product truth, UI specs, voice, one builder per video), re-run QA itself, then deliver. A light coordinator that never builds itself. Run only when the user types /video-build.

josueh04/product-video-skills

Start a new video of the current product - create videos/<video>/, write BRIEF.md, the feature coverage matrix (COVERAGE.md) and the claims sheet (CLAIMS.md), propose chapters, then stop for the reviewer's sign-off. Never builds. Run only when the user types /video-new.

josueh04/product-video-skills

Turn a batch of reviewer feedback on the product's videos into one table per video, fix every video that got notes in parallel (one subagent each) while keeping approved parts, re-run QA and parity, bump versions and deliver. Run only when the user types /video-review.

josueh04/product-video-skills

Check this machine and install the pinned video toolchain of the Product Video Skills workbench (HyperFrames CLI, its rendering Chrome and its agent skills from the same release, the Python environment, the speech model for QA), then run the self-check. Safe to run again. `/video-setup check` only reports.

Skills associés