Communitygithub.com

Agents365-ai/video-podcast-maker

Pipeline vidéo narré minimaliste et personnel — un sujet devient une vidéo MP4 explicative (1080p ou 4K) sans tête parlante via un script → Azure TTS (SSML) → Remotion. Utilisez-le quand l'utilisateur souhaite une vidéo narrée rapide à partir d'un sujet, sans utiliser toute la machinerie de video-podcast-maker (aucune compétence supplémentaire, pas de miniatures/courtes/publication matricielle). Ne PAS déclencher pour des besoins de production lourds — utilisez video-podcast-maker pour cela.

Qu'est-ce que video-podcast-maker ?

Cette compétence fournit un pipeline vidéo narré minimal appelé « Video Podcast Maker Lite ». Elle est conçue pour produire rapidement des vidéos MP4 explicatives (1080p ou 4K) sans tête parlante, en partant d'un sujet simple. Le flux de travail se compose de six étapes claires : rédaction d'un script, synthèse vocale Azure TTS avec support SSML, composition visuelle avec Remotion, prévisualisation obligatoire, rendu final avec ajout de musique de fond, et livraison des éléments complémentaires (captures d'écran, métadonnées de publication). La compétence est idéale pour les créateurs de contenu individuels qui ont besoin d'une solution rapide et légère sans la complexité d'une production vidéo complète. Elle fonctionne sur tout système avec Python 3, Node.js 18+, ffmpeg et un compte Azure (clé de ressource Speech). Le pipeline est entièrement automatisé mais inclut des points de validation humains obligatoires pour la révision du script et de la composition, garantissant qualité et contrôle créatif.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Agents365-ai/video-podcast-maker/tree/HEAD/skills/video-podcast-maker-lite

Demander à votre IA préférée

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

Documentation

Video Podcast Maker Lite

Un pipeline à usage unique pour un usage personnel : sujet → script de narration → Azure TTS (SSML) → Remotion → MP4 1080p/4K. Aucune compétence externe, aucun fichier de configuration, aucun modèle pré-packagé — la composition Remotion est générée une fois conformément au contrat ci-dessous, puis réutilisée pour les vidéos suivantes.

Prérequis

pip3 install azure-cognitiveservices-speech   # la seule dépendance Python
export AZURE_SPEECH_KEY="..."      # clé de ressource Azure Speech
export AZURE_SPEECH_REGION="..."   # par exemple eastasia
# ffmpeg + node 18+ requis ; un projet Remotion avec npm install effectué
# Playwright MCP (navigateur de session) nécessaire uniquement pour l'étape 5 (récupération BGM)

Découverte du projet (à exécuter avant l'étape 1)

  1. Localiser le projet Remotion — le répertoire contenant à la fois src/remotion/index.ts et node_modules/remotion/. Vérifiez d'abord le répertoire de travail courant ; s'il n'y est pas, demandez le chemin du projet à l'utilisateur. NE parcourez PAS le système de fichiers, et NE créez PAS un nouveau projet s'il en existe un ailleurs.
  2. Inventorier les vidéos existantes — ls videos/ et ls src/remotion/*Video.tsx. Le *Video.tsx le plus récent est le composant à copier à l'étape 3 ; videos/ montre quelles vidéos existent déjà.
  3. Un videos/{nom}/ existe déjà ? Il s'agit alors d'une itération sur cette vidéo, pas d'une nouvelle — réutilisez le répertoire et réexécutez uniquement ce qui a changé (voir Itérations).
  4. Aucun projet nulle part (première exécution uniquement) → échafauder une fois dans le répertoire de travail : npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom, créer src/remotion/, et prévenir l'utilisateur de l'installation unique d'environ 2 Go. Toutes les vidéos suivantes passeront cette étape.

Flux de travail (6 étapes)

Exécutez toutes les commandes depuis la racine du projet. Tous les artefacts d'une vidéo résident dans videos/{nom}/ à l'intérieur du projet. {nom} est en anglais minuscule, séparé par des traits d'union.

Étape 1 — Rédiger le script : videos/{nom}/podcast.txt

Un marqueur [SECTION:xxx] par segment vidéo ; les noms de sections sont en anglais minuscule (hero, content-1, outro). Un titre d'affichage optionnel suit après un | — [SECTION:outro|thanks] — il étiquette le pilier de la barre de progression et la disposition par défaut (sans cela, l'étiquette dérive de la première phrase, ce qui peut être gênant). Les lignes commençant par # sont ignorées (et peuvent mentionner les marqueurs en toute sécurité). Texte parlé uniquement — pas de markdown — et suivez les règles de style de script ci-dessous. Exemple :

# les lignes de commentaire ne sont pas prononcées
[SECTION:hero|intro]
Bienvenue dans cette vidéo ! Aujourd'hui, nous allons parler d'un sujet qui intéresse tout le monde.

[SECTION:content-1|point 1]
Tout d'abord, examinons le premier point. Voici quelques informations clés que vous devez connaître.

[SECTION:outro|thanks]
Bon, c'est tout pour aujourd'hui. Si cela vous a été utile, n'hésitez pas à liker et à vous abonner. À la prochaine !

Style de script (anti-IA, zh-CN)

Appliquez lors de la rédaction, puis vérifiez avant le TTS. Objectif : chinois parlé quotidien, pas une prose écrite avec des virgules. (Extrait des natural-narration.md + script-polish.md de la compétence complète — ce sont les sources canoniques ; modifiez d'abord les règles là-bas, puis reflétez-les ici.)

Remplacement des connecteurs (écrit → parlé) : 此外→还有 · 然而→但是 · 因此→所以 · 与此同时→这时候 · 总的来说/综上所述→supprimez · 首先/其次/最后→passez directement à l'idée suivante.

Liste à supprimer (réécrivez ou supprimez) : 赋能、打造、深入探讨、值得一提/值得注意的是、众所周知、至关重要、革命性、颠覆、天花板、无缝、闭环、抓手、里程碑、标志着、未来可期、让我们拭目以待.

Indices structurels — les modèles de correction :

ModèleCorrection
Coquilles verbe-nom : 进行优化/实现增长/做出选择action concrète + résultat : "réduire l'approbation de trois étapes à une seule"
Contraste de négation : 不是 X,而是 Yénoncez Y directement
Parallélisme en trois parties : 既是…又是…更是…gardez l'élément le plus informatif ; deux battent trois
Intensificateurs vides : 显著/大幅/非常un nombre ou une conséquence perceptible
Attribution vague : 业内普遍认为/有专家指出source nommée + date, sinon supprimez la phrase
Conclusions slogans : 未来可期/注入新的活力terminez sur un fait concret : nombre, date, action suivante

Écrivez pour l'oreille : une idée par phrase, sujet en premier, variez la longueur des phrases, pas de propositions imbriquées, pas de — ou · comme connecteurs (ils ne sont pas prononcés et encombrent les sous-titres). Une légère première personne est acceptable ("j'ai testé moi-même").

Les sous-titres sont le script, mot pour mot — écrivez donc les nombres comme ils doivent APPARAÎTRE à l'écran : chiffres arabes (3.8, 63K, 98.8%, 128G), jamais de chiffres chinois (六十五点一 / 三百九十七). La même règle de chiffres s'applique au texte à l'écran dans les composants Remotion (cartes, titres). N'écrivez PAS la forme parlée dans le script pour corriger la prononciation — cela fuit dans les sous-titres. tts.py dérive lui-même la couche parlée : chaque jeton contenant un nombre (86.1, 9B, 5600, Qwen3.5) est converti en sa lecture chinoise (八十六点一, 九B, 五千六百, 千问三点五) avant la synthèse, puis les limites des mots sont remappées pour que les sous-titres conservent le texte d'affichage. (Les voix multilingues comme zh-CN-XiaoxiaoMultilingualNeural lisent les chiffres nus en anglais dans un contexte mixte — c'est exactement ce que cette couche empêche. La balise SSML <sub alias> a été essayée et abandonnée : les événements de limite de mot d'Azure pour <sub> sont bogués et corrompent le SRT.)

Les nombres doivent être traçables — un nombre précis sans source est fabriqué ; supprimez-le ou attribuez-le.

Auto-vérification avant l'étape 2 : pas de mots de la liste à supprimer ? pas de "不是…而是…" ? pas de conclusion slogan ? Lisez chaque section à voix haute — si vous butez, scindez la phrase.

STOP — point de contrôle du script (obligatoire) : lorsque podcast.txt est rédigé, arrêtez le pipeline et remettez le script à l'utilisateur pour révision. N'exécutez PAS le TTS (étape 2) tant que l'utilisateur n'a pas explicitement approuvé le script. Ce point de contrôle se situe avant tout ce qui suit en aval — audio, minutages et entrées visuelles dérivent tous du script, donc une modification tardive du script coûte une réexécution complète.

Étape 2 — TTS

python3 "${SKILL_DIR}/scripts/tts.py" videos/{nom}/podcast.txt videos/{nom}/

Exécutez d'abord --check (uniquement lint, pas de synthèse, gratuit) pour détecter les lacunes polyphones et d'alias avant de payer pour la synthèse.

Produit podcast_audio.wav + podcast_audio.srt + timing.json + cues.json (texte par repère, trame globale et section_frame — utilisez-le pour aligner les entrées visuelles dans le composant au lieu d'analyser manuellement le srt). Chaque section est synthétisée séparément via SSML et concaténée, donc les minutages des sections sont exacts par construction. Les repères de sous-titres sont prioritairement des phrases : une phrase de moins de 30 caractères visibles est affichée entière ; les phrases plus longues sont regroupées à partir des propositions séparées par des virgules/points-virgules (~22 par repère) ; une proposition trop longue est coupée à la limite de mot la plus proche de son milieu, jamais au milieu d'un mot ; les minuscules repères finaux fusionnent dans le précédent uniquement au sein de la même section (une courte première phrase de la section suivante ne doit JAMAIS déborder dans le dernier repère de la section précédente). Ré-exécuter sur un timing.json existant affiche une diff de durée par section ; toute section qui a bougé de plus de 0,3 s signifie que les délais d'entrée codés en dur du composant doivent être réalignés à partir du nouveau cues.json.

Paramètres : --voice (par défaut zh-CN-XiaoxiaoNeural), --style (mstts:express-as, par exemple gentle / cheerful — tenez-vous-en à ces deux-là ; d'autres peuvent sembler forcés), --rate (prosodie, par exemple -4%), --phonemes (dictionnaire pinyin de mots entiers pour les polyphones comme 命令行/同行 ; par défaut ~/.video-podcast-maker/phonemes.json et phonemes.json à côté de l'entrée sont fusionnés — les entrées par vidéo l'emportent), --aliases (alias de prononciation affichage→parlé, par exemple "Ornith-1.5" : "Ornith 一点五" ; même ordre de fusion avec aliases.json). Replis d'environnement : TTS_VOICE / TTS_STYLE / TTS_RATE. Pour une voix de chaîne cohérente entre les vidéos, définissez-les une fois dans votre profil shell (par exemple TTS_VOICE=zh-CN-XiaoxiaoMultilingualNeural TTS_RATE=+5%) au lieu de passer des indicateurs à chaque fois.

Prononciation : le pré-vol polyphone, les formes de lectures erronées connues, les mécanismes du dictionnaire d'alias et les comportements intégrés de la couche parlée sont documentés dans references/pronunciation.md — lisez-le avant la première exécution TTS d'un nouveau sujet.

Étape 3 — Composer les visuels

  • Première vidéo jamais créée : générez la composition (index.ts + Root.tsx + Video.tsx sous src/remotion/) conformément au contrat de composition.
  • Chaque vidéo suivante : copiez le composant de la vidéo précédente et modifiez-le — ne repartez jamais du contrat.

Un projet Remotion héberge toutes les vidéos ; une nouvelle vidéo ajoute exactement un fichier composant et un enregistrement <Composition> :

racine-du-projet/                 # UN projet, npm install une fois
├── src/remotion/
│   ├── index.ts                 # registerRoot — partagé, ne change jamais
│   ├── Root.tsx                 # un <Composition id="…"> par vidéo
│   ├── DemoVideo.tsx            # composant par vidéo (copie du dernier, modifié)
│   └── NextTopicVideo.tsx
└── videos/{nom}/                # artefacts par vidéo : podcast.txt, wav, srt, timing.json, mp4

Par vidéo : choisissez un identifiant unique de composant/composition en PascalCase (par exemple ReferenceManagerComparison), définissez le titre / les couleurs, et donnez à chaque nom de section une disposition (un switch (section.name) sur hero / content-N / outro fonctionne bien).

Richesse visuelle (style par défaut — le texte simple dans une boîte n'est pas le rendu cible) : chaque carte d'information, boîte de flux, pilier et tuile de statistique porte UN émoji principal (ou un composant de marque @lobehub/icons lorsqu'il représente un produit réel) ; au plus un par élément, et jamais à l'intérieur d'une ligne de valeur MONO (les émojis cassent l'alignement de la police monospace — placez-le sur l'étiquette/titre à la place). Gardez la correspondance un concept = un émoji cohérente dans toute la vidéo et choisissez-la avec goût pour le sujet (dates/paramètres/vitesse/coût ont chacun une correspondance évidente ; l'agent choisit). Chaque section a également au moins une ancre visuelle (une illustration) : matériel officiel d'abord (bannière produit, fiche de spécifications, capture d'écran), sinon une illustration ou un ensemble d'icônes gratuit (SVG unDraw, images Pixabay/Pexels, OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji, @lobehub/icons pour les logos de marques) — notez la source + licence dans la section des sources d'actifs de publish_info (les ensembles nécessitant une attribution comme le niveau gratuit de Flaticon doivent être crédités dans la description de la vidéo). Les émojis décorent les cartes de l'interface utilisateur, les illustrations ancrent la section ; ni l'un ni l'autre ne remplace l'autre.

Étape 4 — Prévisualisation (point de contrôle humain obligatoire)

npx remotion studio src/remotion/index.ts --public-dir videos/{nom}/

DOIT lancer Studio et attendre que l'utilisateur examine en personne. NE JAMAIS rendre tant que l'utilisateur n'a pas explicitement confirmé ("渲染" / "render"). Une demande d'ajustement n'est pas une confirmation — appliquez le changement, laissez Studio se recharger à chaud, et demandez à nouveau. Chaque série de modifications visuelles nécessite sa propre confirmation fraîche ; la confirmation ne se reporte jamais à l'étape 5.

Étape 5 — Rendu + BGM

Rendu :

npx remotion render src/remotion/index.ts MyVideo videos/{nom}/output.mp4 --public-dir videos/{nom}/

BGM (par défaut ; sautez uniquement si l'utilisateur dit pas de musique) : récupérez une piste aléatoire de Pixabay Music et mixez-la à faible volume (la narration reste dominante). Licence Pixabay : libre de droits, utilisation commerciale autorisée, aucune attribution requise — journalisez quand même le titre/auteur dans la section sources d'actifs de publish_info.

Comment récupérer (vérifié le 2026-08-25) : les pages de recherche/liste de Pixabay sont rendues côté client et protégées par Cloudflare pour les clients non-navigateurs, mais une page de piste unique ouverte dans un vrai navigateur intègre l'URL de téléchargement complet dans son JSON-LD, et cette URL cdn.pixabay.com se télécharge alors correctement avec curl simple.

  1. Avec le navigateur de session (Playwright MCP), ouvrez une page de recherche — https://pixabay.com/music/search/cinematic/ (ou relaxing / ambient si un fond plus calme est souhaité).

  2. Collectez les liens de résultats correspondant à /music/<slug>-<id>/ (excluez /music/search/ et ceux avec un préfixe de langue comme /de/music/...), choisissez-en un au hasard, ouvrez-le.

  3. Lisez le JSON-LD de la piste (script[type=application/ld+json"] → le AudioObject) : contentUrl (MP3 de la piste complète), name, creator.name, duration. Préférez environ 1,5 à 8 min ; si hors plage, ouvrez un autre lien. Si le JSON-LD de la page n'a pas de contentUrl (la mise en page a changé), arrêtez les tentatives — demandez à l'utilisateur de choisir une piste et de fournir l'URL de téléchargement.

  4. Téléchargez avec curl (UA de navigateur + Referer: https://pixabay.com/ — vérifié pour fonctionner) :

    curl -sL -A "<UA navigateur>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{nom}/bgm.mp3
    

Mixage (bgm faible ; l'étape loudnorm est obligatoire — sans elle, le mixage se situe à environ -32 dB moyen, ~10 dB trop silencieux) :

ffmpeg -y -i videos/{nom}/output.mp4 -i videos/{nom}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{nom}/final_video.mp4

Arrêtez le serveur Studio une fois le rendu confirmé — un Studio laissé en arrière-plan occupe son port et continue de surveiller les fichiers.

Étape 6 — Extras de livraison (uniquement si le pipeline de l'utilisateur les inclut)

Rendu après l'étape 5, dans cet ordre :

  • Images des couvertures : images miniatures 16:9 + 4:3 via npx remotion still — supprimez d'abord le PNG ancien ; stills ignore les fichiers existants.
  • Vérification du volume du BGM : ffmpeg -i final_video.mp4 -af volumedetect -f null -, moyenne ≈ -19 à -22 dB, max ≈ -1,5 dB.
  • publish_info.md : titre / description / tags / horodatages des chapitres (les chapitres dérivent de timing.json).
  • assets/manifest.json : provenance des actifs.
  • Comptabilité au niveau du dépôt : les générateurs d'index/thème (par exemple un générateur de VIDEO_INDEX.md) se basent généralement sur les titres de publish_info.md, et les scripts de classification peuvent refuser de s'exécuter tant que le nouveau répertoire de vidéo n'est pas ajouté à leur carte d'affectation — exécutez-les après la mise en place des artefacts de publication.

Contrat de composition

La composition consomme trois fichiers de --public-dir videos/{nom}/ via staticFile() : podcast_audio.wav, podcast_audio.srt et timing.json :

{
  "total_duration": 32.1,
  "fps": 30,
  "total_frames": 964,
  "sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}

Non négociables lors de la génération d'une composition (chacun est un véritable mode de défaillance si omis) :

  1. L'audio est l'horloge maîtresse — calculateMetadata renvoie durationInFrames = timing.total_frames, chargé à l'exécution. Ne codez jamais une durée en dur. Résolution par convention de projet : 1920×1080 à 30 ips, ou 4K (3840×2160) via un wrapper qui met à l'échelle une composition 1920×1080.

[La suite du contenu a été tronquée pour la traduction, mais le modèle a été appliqué de manière cohérente]

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Agents365-ai/video-podcast-maker

Smallest personal narrated-explainer-video pipeline (spoken narration over visuals, not an audio podcast), fully tool-agnostic and autonomous by default — topic → research ∥ asset collection → script → TTS → video → 4K render ∥ publish info + cover. The skill defines the pipeline logic and self-verified checkpoints; any TTS backend and any video tool (Remotion, HyperFrames, CapCut, ...) work, and how much human oversight to apply is set by the working project's AGENTS.md/CLAUDE.md, not here. Use when the user wants a quick personal narrated video with minimal steps, whether or not they name the tool stack. Do NOT trigger for audio-only podcasts, written episodic content, or heavy multi-format production.

Agents365-ai/video-podcast-maker

Use when the user gives a topic and wants an automated topic-driven narrated explainer, podcast, or knowledge-summary video (Bilibili / YouTube / Xiaohongshu / Douyin / WeChat Channels), or asks to learn visual design patterns from a reference video/image. Trigger when the user mentions creating a knowledge video, narrated explainer, video podcast, or animated infographic-style video from a topic — even if they don't say "video podcast" explicitly. Also trigger when the user wants to regenerate, re-render, rebuild, update, or iterate on a narrated video this skill already produced — e.g. they edited the script/prompt, changed the visuals, or swapped the background music and want the final video remade (reuse the existing videos/{name}/ directory, never start a new project). Do NOT trigger for generic video editing, trimming, format conversion, color grading, or non-narrative video tasks. Produces 4K video via research → script → TTS → Remotion → MP4 + BGM.

Skills associés