Communitygithub.com

auto-tutorial-studio

Étant donné une adresse de site web, un nom de logiciel et un plan de chapitres approximatif, la compétence pilote les opérations réelles, l'utilisateur les enregistre avec un outil externe, puis effectue le montage synchronisé phrase par phrase, ajoute des animations et transitions, réduit le volume de la musique de fond, vérifie image par image les obstructions et exporte une vidéo prête à être visionnée. Pour la création de tutoriels vidéo pratiques.

Qu'est-ce que auto-tutorial-studio ?

Auto-tutorial-studio est une compétence d'agent IA conçue pour la création de tutoriels vidéo pratiques. Elle automatise le processus de bout en bout, de la réalisation des opérations réelles (via CDP pour le navigateur ou automatisation de fenêtres) au montage vidéo final. L'utilisateur enregistre les images avec des outils comme OBS ou ShareX, tandis que la compétence gère les actions, le montage synchronisé phrase par phrase, l'ajout d'effets (zoom, légendes), les transitions, l'optimisation audio (side-chain compression pour la musique de fond) et la vérification image par image pour les obstructions (console, notifications). Elle garantit un niveau audio professionnel (-16 LUFS, vraie crête ≤ -1.5 dBFS). La compétence est idéale pour les formateurs, développeurs et créateurs de contenu technique qui souhaitent produire des tutoriels vidéo de haute qualité sans outils de montage complexes. Elle est conçue pour fonctionner avec des projets structurés, un générateur de voix (TTS) et un système de planification précis (plan.json).

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/wildmai/video-skills/tree/main/auto-tutorial-studio

Demander à votre IA préférée

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

Documentation

Studio de tutoriel vidéo automatisé

Étant donné une adresse de site web ou un nom de logiciel, ainsi qu'un plan de chapitres approximatif, cette compétence gère :

Piloter les opérations réelles → Notifier l'utilisateur pour l'enregistrement → Importer le matériel capturé → Créer un index consultable → Monter synchronisé phrase par phrase → Effets et transitions → Vérification image par image → Vidéo finale

Répartition : ce que fait la compétence et ce que fait l'utilisateur

Qui fait quoiDescription
Enregistrement vidéoUtilisateurL'utilisateur enregistre avec OBS / ShareX / enregistrement système, la compétence n'enregistre pas. L'enregistrement externe conserve la résolution native et la clarté, et peut capturer le son système.
Opérations réellesCompétenceLa compétence utilise le CDP du navigateur ou l'automatisation de fenêtres pour chaque étape et enregistre les positions des actions.
Montage, voix, effets, vérificationCompétenceEntièrement automatisé, avec des garde-fous.
Import du matérielUtilisateurUne fois les opérations terminées, l'utilisateur fournit la vidéo enregistrée à la compétence (chemin d'accès suffit).

La compétence n'utilise pas la souris physique de l'utilisateur : les actions dans le navigateur se font par clic d'élément CDP, sans déplacer le pointeur réel.

Sept règles d'or

  1. La capture est à l'utilisateur, la compétence n'enregistre pas. La compétence gère uniquement les opérations et le post-traitement. L'utilisateur doit fournir le fichier vidéo après l'enregistrement.
  2. Les opérations sont à la compétence, la fenêtre d'enregistrement est à l'utilisateur. La compétence n'agit qu'après que l'utilisateur a annoncé « Début de l'enregistrement », et notifie immédiatement l'utilisateur d'arrêter une fois les opérations terminées.
  3. Pendant l'enregistrement, la console ne doit pas apparaître à l'écran. Chaque commande de la compétence doit s'exécuter sans fenêtre, et activer guard pour cacher immédiatement toute console ou fenêtre contextuelle qui apparaîtrait – elles seraient capturées dans la vidéo.
  4. Cacher les fenêtres, ne pas les fermer. Utiliser SW_HIDE, et guard stop pour les restaurer uniformément.
  5. Chaque plan est lié à une phrase de narration. Chaque beat dans plan.json déclare à quelle phrase de narration il correspond, et la durée totale d'un chapitre doit être égale à la durée totale de sa narration.
  6. Les chiffres prononcés doivent être lus dans l'interface réelle. Nombre de sommets, prix, version – tout doit provenir de l'interface affichée.
  7. L'audit d'obstruction est un garde-fou, pas un rapport. Avant la construction, une OCR image par image de la fenêtre de sortie détecte toute console / notification / écran de démarrage et refuse la sortie. La musique de fond doit laisser la place à la voix. La vidéo finale doit être à −16 LUFS, avec une vraie crête ≤ −1.5 dBFS.

Étape 0 · Définition du projet

Confirmer trois éléments, tous indispensables :

  • Cible : Adresse du site web ou nom et version du logiciel.
  • Plan : Ordre des chapitres (l'utilisateur fournit un plan approximatif, la compétence le détaillera).
  • Solution d'enregistrement : Outil d'enregistrement utilisé, écran concerné, enregistrement du son système, format et résolution de sortie.

Déterminer également la zone de capture (écran entier ou fenêtre spécifique) et si l'enregistrement se fera en segments. Il est préférable de faire plusieurs enregistrements, un par fonctionnalité, pour une meilleure maintenance ; un enregistrement unique du flux complet est possible, avec un index pour le repérage.

Étape 1 · Rédaction du script

build/script.md, chaque chapitre a un titre ## , formaté comme suit :

## ch00 | Introduction

Regardez d'abord ce que j'ai créé.

Ce personnage a été généré à partir d'une image.

## ch01 | Inscription et connexion

Le site officiel est hi3d.ai, ouvrez-le dans le navigateur pour l'utiliser.
  • L'ID du chapitre ne peut contenir que des lettres minuscules, chiffres, underscores et tirets (requis pour la liste TTS). Il doit correspondre exactement à l'ID du chapitre dans plan.json. Les segments multiples d'un même chapitre sont automatiquement numérotés ch01, ch01_1, ch01_2.
  • Le titre d'affichage est utilisé pour les cartes de chapitre, peut être dans la langue cible.
  • Les IDs de chapitres ne doivent pas être des préfixes les uns des autres (ch0 et ch01 se chevaucheraient). Utilisez chNN de préférence.
  • Commencez par le résultat final (l'image la plus reconnaissable), puis revenez aux opérations.
  • Les fonctionnalités secondaires sont mentionnées brièvement, concentrez-vous sur « les paramètres qui déterminent le résultat » et « comment vérifier que c'est fait correctement ».
  • Les invites de prompt, le code, la configuration sont conservés dans des blocs de code ``` – les blocs de code ne sont pas lus en voix off, ils ne servent qu'à l'image.
  • Chaque phrase de narration doit avoir une image réelle correspondante ; les paragraphes sans image doivent être réécrits pour décrire quelque chose que l'image peut montrer.

Étape 2 · Voix off

python scripts/studio.py voice --project <projet>

Découpe selon ## <ID_Chapitre> | <Titre>, saute les lignes vides, les blocs de code et les commentaires >. Produit build/audio_map.json, chaque segment avec la durée mesurée.

Surveillez la sortie chars/s : les segments en dessous de 3.0 indiquent une anomalie TTS (une synthèse allongée). Réécrivez et regénérez, n'utilisez pas ces segments dans le montage.

Étape 3 · Opérations réelles et enregistrement externe ★

C'est l'étape centrale de cette compétence.

3.1 Préparation de l'environnement d'enregistrement

python scripts/studio.py windows                      # Trouver la fenêtre cible
python scripts/studio.py prep --project <projet> \
    --keep-title "Chrome" --maximize-title "Chrome"   # Cacher les fenêtres inutiles, maximiser la fenêtre cible

prep ne cache jamais le terminal de la compétence elle-même (exclusion basée sur le PID ancêtre).

3.2 Lancer le garde-fou d'écran ★

Cette étape est obligatoire. Pendant les opérations, la compétence exécutera des commandes (ffmpeg, ffprobe, sous-processus Python). Chacune peut ouvrir une fenêtre de console qui se trouverait sur l'écran de capture et serait enregistrée.

python scripts/studio.py guard start --project <projet> \
    --protect "DeepSeek Harness" --protect "Chrome"

Le garde-fou est un processus d'arrière-plan indépendant qui analyse la liste des fenêtres toutes les 0,25 secondes et cache immédiatement (SW_HIDE) les nouvelles fenêtres de console (ConsoleWindowClass, cmd, PowerShell, terminal, xshell, etc.) ainsi que les fenêtres de notification/suggestions. Il mémorise les fenêtres cachées et les restaure lors de guard stop.

  • --protect protège les programmes en cours de démonstration (correspondance par titre, obligatoire).
  • Par défaut, ne cache que les fenêtres de console de l'arbre de processus de la compétence, pas les GUI – les interfaces utilisateur restent visibles.
  • Si nécessaire de cacher aussi les GUI, ajoutez --hide-own-gui.
  • Le garde-fou utilise le critère de « chevauchement réel » : les fenêtres qui ne couvrent que quelques pixels de la zone de capture (sur un autre écran) ne sont pas cachées par erreur.

3.3 Notifier l'utilisateur de commencer

Dites clairement à l'utilisateur : Veuillez commencer l'enregistrement, puis répondez « Enregistré ». N'agissez pas avant la confirmation de l'utilisateur – sinon les actions préparatoires seraient enregistrées.

3.4 Exécuter les opérations réelles

Effectuez les opérations dans l'ordre des chapitres, chaque étape :

  • Navigateur : Utilisez les clics sur éléments CDP, ne déplacez pas la souris réelle. Avant de cliquer, enregistrez les coordonnées pour les annotations ultérieures : python scripts/studio.py aim <projet> <x> <y> --note "Format d'exportation".
  • Logiciel de bureau : Activer la fenêtre + privilégier le clavier ; si un clic est nécessaire, utilisez la souris réelle, mais prévenez l'utilisateur de ne pas toucher la souris pendant l'enregistrement.
  • Si une confirmation d'état est nécessaire, ne dérangez pas l'utilisateur – capturez une image vous-même pour vérifier :
python scripts/studio.py shot --out <projet>/build/check.png
  • Connexion, autorisation, code de vérification : Maintenez l'enregistrement, l'utilisateur les gère lui-même, la compétence se contente de confirmer le succès. Coupez les informations d'identification, codes de vérification, clés – vous pouvez enregistrer en deux segments distincts (avant connexion et après réussite) et les assembler selon l'ordre de dépendance.
  • Chaque commande de la compétence doit être exécutée sans fenêtre : scripts/h.ps1 lance les sous-processus avec CreateNoWindow, tous les sous-processus internes de la compétence utilisent CREATE_NO_WINDOW.

3.5 Notifier l'utilisateur d'arrêter

Une fois toutes les opérations terminées, dites immédiatement à l'utilisateur : Les opérations sont terminées, veuillez arrêter l'enregistrement et me donner le chemin du fichier vidéo. Attendez le retour du chemin. Ne cherchez et ne supprimez aucun fichier d'enregistrement vous-même.

3.6 Finalisation

python scripts/studio.py guard stop --project <projet>      # Arrêter le garde-fou et restaurer les fenêtres
python scripts/studio.py guard status --project <projet>    # Vérifier qu'il n'y a pas de console résiduelle sur l'écran de capture

guard status liste les fenêtres de console encore visibles dans la zone de capture – doit être vide pour être considéré comme propre.

Si des résidus sont présents, cela signifie qu'un programme ouvre des fenêtres de façon répétée. Demandez à l'utilisateur de réenregistrer ce segment.

Étape 4 · Importer le matériel et créer un index

python scripts/studio.py import --project <projet> --file "D:\video\rec.mp4"
python scripts/studio.py index  --project <projet> --clip rec.mp4 --step 2

index scanne toute la vidéo avec un pas fixe, effectue une OCR image par image et enregistre :

  • Le texte affiché à l'écran à chaque instant (pour savoir ce qui se passe à une seconde donnée).
  • Les points de changement visuel (points de coupe naturels).
  • Les zones de pollution (console, notifications, écran de démarrage, à éviter).

Produit build/index_<nom>.txt (consultable directement) et .json (structuré). Lisez l'index avant de placer les plans, ne devinez pas les codes temporels.

Étape 5 · Placer les plans

build/plan.json :

{
  "display": {"region": [0, 0, 1920, 1080]},
  "voice": {"voice": "zh-CN-XiaoxiaoNeural", "rate": "+8%"},
  "chapters": [
    {
      "id": "ch02", "num": "02", "title": "Génération à partir de texte", "sub": "Invite en trois parties, détermine la fidélité",
      "beats": [
        {"seg": 0, "src": "rec.mp4", "in": 120,  "out": 134},
        {"seg": 1, "src": "rec.mp4", "in": 136,  "out": 152, "zoom": 1.0}
      ],
      "callouts": [
        {"seg": 1, "offset": 1.0, "text": "Invite en trois parties\nRôle → Matériau → Composition",
         "x": 120, "y": 680, "pointer": "up"}
      ]
    }
  ]
}
  • src est le nom du fichier dans raw/ (vidéo importée de l'utilisateur), in/out sont en secondes.
  • seg indique à quelle phrase de narration ce plan correspond, compté à partir de 0 dans le chapitre.
  • zoom > 1 effectue un zoom avant (recadrage fixe agrandi).
  • callouts utilise seg + offset pour positionner l'apparition des annotations, suivant la narration ; x/y sont les positions des annotations (peuvent être les coordonnées d'opération enregistrées par aim).
  • L'ID du chapitre id doit être égal à l'ID du chapitre dans script.md, et doit être égal au préfixe de segment dans audio_map.json.
  • Exemple complet dans assets/plan.example.json.

Règles pour le placement des plans :

  • Un plan correspond à un point d'opération clé ; sa durée est déterminée par la phrase de narration.
  • Le nom ou l'élément doit apparaître avant ou en même temps que la narration associée ; laissez du temps de lecture pour les retours critiques.
  • Utilisez si possible la même prise de vue pour des éléments adjacents, évitez les changements fréquents.
  • Comprimez raisonnablement les temps d'attente réels, mais conservez un temps identifiable entre le déclenchement de l'action et le retour du traitement.
  • Les paragraphes sans image doivent être réécrits pour décrire quelque chose que l'image peut montrer, ou réenregistrés.
  • Évitez les zones de pollution signalées par l'index.

Étape 6 · Montage, vérification, livraison

python scripts/studio.py build  --project <projet>
python scripts/studio.py verify --video <projet>/final.mp4 --expect-duration <durée_totale_narration>

build automatise : coupe synchronisée phrase par phrase → carte titre de chapitre → superposition d'annotations → arbre de transitions fondu enchaîné → side-chain de réduction du volume de la musique de fond → normalisation du volume.

Musique de fond : Placez la musique dans build/bgm.wav (ou build/bgm_final.wav), le constructeur calcule la courbe de réduction selon l'enveloppe de la voix et la mixe. Sans ce fichier, la vidéo sera produite sans musique de fond.

En cas d'échec de l'audit : Remplacez la fenêtre ou réenregistrez selon les codes temporels dans build/audit.txt, modifiez plan.json et relancez. La solution courante est de déplacer les in/out pollués vers une zone propre, ou demander à l'utilisateur de réenregistrer le segment en question.

Auto-vérification avant livraison :

  • Le fichier peut être lu intégralement, les pistes vidéo et audio sont complètes, la durée est proche de la durée totale de la narration.
  • L'audit OCR image par image est sans problème.
  • Regardez et écoutez l'intégralité de la vidéo à vitesse normale, vérifiez particulièrement : les 3 à 10 premières secondes, chaque changement de fonctionnalité, les soumissions et résultats, les chiffres et noms propres, les segments d'attente, la fin.
  • Chaque point expliqué doit avoir un curseur correspondant ; pas de longues séquences d'images statiques, pas de pause sans contenu, la musique de fond ne couvre pas la voix.

Aide-mémoire des commandes

studio init   <projet>                     # Créer la structure du projet
studio windows                            # Lister les fenêtres, trouver la cible
studio prep   --project <projet> --maximize-title "Chrome"
studio guard  start --project <projet> --protect "Chrome"    # ★ Garder l'écran de capture propre pendant l'enregistrement
studio shot   --out check.png            # Capturer une image pour vérifier l'état
studio aim    --project <projet> 1001 720 --note "Format d'exportation"
studio guard  stop  --project <projet>      # Arrêter le garde-fou et restaurer les fenêtres
studio guard  status --project <projet>     # Vérifier l'absence de console résiduelle
studio import --project <projet> --file rec.mp4
studio index  --project <projet> --clip rec.mp4
studio voice  --project <projet>
studio build  --project <projet>
studio audit  --project <projet>
studio verify --video final.mp4
studio status --project <projet>

Références

  • references/production.md — Enregistrement écran, voix off, montage, mixage, consignes de validation
  • references/troubleshooting.md — Symptôme → Cause racine → Solution
  • assets/plan.example.json — Exemple complet de plan de montage

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

outline-to-video

把「一份视频大纲 + 一个素材视频目录」做成完整的知识/干货讲解成片:清点并转写素材视频、按大纲匹配相关片段、编写带钩子与节奏设计的口播脚本、用免费的 Edge TTS 出试听稿等用户确认,确认后再用豆包声音复刻配音并渲染输出 MP4。当用户说"按大纲做视频""把这些录屏剪成讲解视频""根据大纲配音出片""大纲出片""outline to video"时使用。

web-video-presentation

把一篇文章或口播稿,做成"看起来像视频"的点击驱动 16:9 网页演示,可选合成口播音频。流程:原始文章 → **一次产出**口播稿 + outline 开发计划 → 用户**一次对齐** 5 件事(稿子 / outline / 主题 / 素材 / 开发模式)→ 网页开发(逐章 / 顺序 / 并行)→ 可选音频合成(provider-agnostic:内置 MiniMax mmx-cli + OpenAI TTS,可换 ElevenLabs / edge-tts / Azure / 自带 TTS)。**outline 只规划节奏与信息密度,不规划动画** —— 动画由章节开发时按 PRINCIPLES + ANTI-AI 法则即时设计。每次点击推进口播稿的一个节拍,每一步独占整屏,进度条平时隐藏只在悬浮时出现。适用场景:用网页做视频(动态 PPT 但不像 PPT)、把口播稿 / 文章变成可交互的解说、为 B 站 / YouTube / 视频号录屏教程、做有电影感的产品 / talk demo。本 Skill 沉淀的是设计方法论 + 协作流程 —— 不绑定任何特定样式 / 字体 / 颜色 —— 因此能复用到任意主题与美学。

youtube-viral-thumbnail-designer

Create high-click-through YouTube thumbnails from a video summary, script opening, product test result, or brief topic description. Use this skill when the user asks to design, redesign, generate, or evaluate a YouTube thumbnail, especially for AI, AI coding, agents, software development, model benchmarks, technical tutorials, product tests, workflow automation, and industry-opinion videos. The skill automatically extracts the strongest click hook, compresses it into a short judgment-led headline, selects one visual composition, preserves mobile readability, and follows the formula: one strong judgment + one strong visual subject + one credible proof + generous whitespace.

Skills associés