Communitygithub.com

UgurKeskekci/claude-video-kit

Faz um rough cut de vídeos horizontais de conversa do YouTube (gravação da câmera e, opcionalmente, captura de tela separada). Gera transcrição literal, remove pausas e repetições consecutivas do áudio; Claude lê a transcrição e escreve uma lista de cortes com justificativas, produz um mp4, redecodifica o áudio cortado e verifica cada junção.

O que é claude-video-kit?

Este skill automatiza a edição rough de gravações de conversa horizontais, como vídeos tutoriais ou apresentações, reduzindo horas de trabalho manual. Ele divide o processo em três papéis: as ferramentas medem o áudio para remover automaticamente pausas, repetições consecutivas e silêncios, ajustando cortes ao quadro mais silencioso. Você (Claude) lê a transcrição completa para identificar e justificar cortes que as ferramentas não percebem: reinícios, notas de edição como “vou cortar aqui”, números corrigidos, partes com divagações. A verificação final redecodifica o áudio cortado e procura por palavras quebradas ou vazadas em cada junção. Suporta plataformas como Claude Code e qualquer ambiente com Python e ffmpeg. O skill funciona com uma única gravação principal (câmera + áudio) e uma captura de tela separada, sincronizando-as. O arquivo de entrada deve ser horizontal; não é adequado para vídeos verticais (Reels/Shorts). O resultado é um mp4 diretamente utilizável, sem projetos de edição não linear. A saída não inclui correção de cor, música, legendas ou gráficos — essas etapas ficam para o usuário. O processo é iterativo: transcrição, leitura, escrita da lista de cortes, aplicação, sincronização (se houver captura de tela), renderização e verificação, com opções de reajuste fino.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/UgurKeskekci/claude-video-kit/tree/HEAD/.claude/skills/yatay-kurgu

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Corte horizontal

A partir de uma gravação bruta de conversa, produz um rough cut próximo da versão final. A divisão de trabalho é:

  • Ferramentas medem o áudio: removem pausas, repetições consecutivas e lacunas em silêncio, ajustando o ponto de corte ao quadro de áudio mais baixo.
  • Você (Claude) lê a transcrição do início ao fim e remove o que as ferramentas não enxergam: reinícios, notas de edição como "vou cortar aqui", números falados errado e corrigidos, partes que fogem do assunto. Você escreve a justificativa de cada corte.
  • Verificação redecodifica o áudio cortado e procura palavras quebradas ou vazadas em cada junção.

A saída é um mp4 (não um projeto de edição não linear). Correção de cor, música, legendas e gráficos não são responsabilidade deste skill.

Quando usar

  • Quando o usuário fornecer uma gravação de conversa horizontal e pedir "editar", "cortar", "remover pausas".
  • Quando a câmera e a captura de tela estiverem em arquivos separados e precisarem ser sincronizadas.
  • Não é para vídeo vertical (Reels/Shorts); nesse caso, o canvas e as legendas são diferentes.

Preparação

  • ffmpeg deve estar no PATH, as dependências Python são instaladas com kur.sh na raiz do repositório. Nos comandos, use .venv/bin/python para Python (Windows: .venv\Scripts\python).
  • O modelo Whisper é baixado na primeira execução (large-v3 ≈ 3 GB). Avise o usuário antes do download.
  • O tempo é gasto principalmente no Whisper. Medição (M1 Pro 8 núcleos CPU, large-v3 int8, modo literal, com outro render rodando em segundo plano): 4 minutos de gravação resolvidos em 10 minutos (0,4x o tempo real); dogrula redecodifica o áudio cortado na mesma velocidade. Corte, sincronização e planejamento levam segundos, a renderização leva minutos. Para gravações longas, informe o usuário sobre o tempo desde o início; para testes rápidos, pode-se usar --model medium ou small (menos preciso; as regras foram medidas com large-v3), e fazer a verificação final com o modelo padrão. Se houver GPU NVIDIA, --cihaz auto seleciona CUDA automaticamente.
  • Cada trabalho fica em sua própria pasta: calisma/<projeto>/. Não mova, apague ou sobrescreva os arquivos brutos do usuário; as ferramentas apenas os leem.

Abaixo, K = .venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py, P = calisma/<projeto>.

Ciclo

1. Transcrição. Extrai o áudio, obtém a transcrição literal e monta o primeiro plano (sem lista de cortes).

K dokum P --video camera.mp4 [--ekran captura.mp4] [--terimler "termos específicos do vídeo"]

Forneça nomes próprios (produtos, pessoas, nomes de jogos) que aparecem no vídeo com --terimler; o Whisper escreve corretamente.

2. Leia P/dokum.md do início ao fim. Leia completamente, em partes, com Read. Não passe o olho: reinícios e notas de edição se escondem no meio das frases. Durante a leitura, procure:

  • Reinício: segunda tentativa da mesma ideia. A última tentativa fica, as anteriores vão embora. Linhas [ADAY] são dicas, a decisão é sua.
  • Nota de edição e lembrete pessoal: "vou cortar aqui", "vamos refazer isso", "corta", "desculpa","De novo.", "assim não", "nota para …: colocar isso aqui". O usuário pode dar instruções de corte em voz; esse é o sinal mais confiável.
  • Número, nome, unidade falados errado e corrigidos: o errado vai embora.
  • Palavras soltas ("É. Agora…"), murmúrios incompreensíveis, frases incompletas.
  • Parte que foge do assunto, seção desnecessariamente longa. Esta é uma decisão de conteúdo: pergunte ao usuário antes de cortar.
  • Linhas DÜŞTÜ: palavras caídas pela medição de áudio. A maioria são invenções do Whisper ou respirações; se alguma palavra significativa tiver caído, veja com zarf.

3. Escreva P/atilacak.json. Com o segundo de origem e justificativa para cada linha:

[
  {"bas": 31.20, "son": 36.85, "gerekce": "reinício: primeira tentativa da frase, a segunda fica"},
  {"bas": 102.40, "son": 104.10, "gerekce": "nota de edição: disse 'vou cortar aqui'"}
]
  • Pegue os limites das linhas de [início–fim] na transcrição; a ferramenta ajusta o corte ±0,2 s no quadro mais silencioso, não precisa de precisão exata. Palavras cujo meio cai dentro do intervalo são removidas: termine son um pouco ANTES do timestamp da primeira palavra que deve permanecer, para não incluir.
  • Se apenas parte de uma linha for removida, use K zarf P 100 106 para ver os timestamps das palavras e o áudio.
  • Se uma repetição de ênfase intencional ("passo a passo", "informação informação informação") não deve ser removida automaticamente, escreva seu intervalo em P/korunacak.json no mesmo formato.
  • Contraste e anáfora não são repetição: "Aqui tem uma coisa. Aqui tem outra coisa." ambos ficam.

4. Blocos de imagem (opcional): P/bloklar.json. Se não houver, toda a gravação é um único bloco de câmera.

[
  {"etiket": "introdução", "bas": 0, "son": 95.5, "goruntu": "kamera"},
  {"etiket": "demo", "bas": 95.5, "son": 400, "goruntu": "ekran"},
  {"etiket": "teste rodando", "bas": 400, "son": 520, "goruntu": "ekran-hizli"}
]
  • kamera: gravação principal em tela cheia; nos cortes ignorados, alterna entre zoom 1,00 / 1,06 sequencialmente.
  • ekran: captura de tela em tela cheia, com pequena câmera arredondada no canto. Para blocos onde não quiser câmera no canto, use "kose": false.
  • ekran-hizli: o silêncio não é removido; trechos sem fala acima de 2,4 s são acelerados 2x (acima de 6 s, 4x), com selo "2x" no canto superior esquerdo. Use para mostrar algo em execução.
  • Coloque o limite do bloco entre frases. Se a pessoa não estiver olhando para a câmera (explicando olhando para a tela), essa seção deve ser ekran; mostre o rosto apenas onde ele olha para a câmera. Se não tiver certeza, extraia alguns quadros das duas gravações e veja (ffmpeg -ss <seg> -i camera.mp4 -frames:v 1 quadro.jpg).

5. Monte o plano e releia.

K kurgu P

dokum.md é reescrito. Verifique se as linhas ATILDI pegaram a frase correta e se o texto restante flui bem. Se necessário, repita os passos 3-5; esta etapa leva segundos.

6. Sincronização (se houver captura de tela).

K senkron P            # captura_t = principal_t + offset + desvio·principal_t  -> P/senkron.json

O r das janelas deve estar acima de 0,5 e os offsets consistentes dentro de alguns ms. Se a captura de tela não tiver microfone, forneça o offset manualmente: K senkron P --ofset 2.5.

7. Renderize. Primeiro um pequeno teste, depois a renderização completa (as partes ficam em cache, a segunda renderização é rápida):

K cek P --bas 0 --bit 15      # primeiras 16 partes -> P/cikti/kurgu-0-15.mp4
K cek P [--boyut 2560x1440]   # completo -> P/cikti/kurgu.mp4
K temas P                     # um quadro por bloco -> P/kontrol/temas.jpg (veja com Read)

Sempre veja temas.jpg. Se o rosto na câmera do canto estiver pequeno ou na borda, ajuste o corte com --kose-kirp 0.52,0.45,0.5 (centro x, centro y, borda/altura). Se a captura de tela tiver bordas pretas ou barras do navegador, corte com --ekran-kirp 2468:1388:46:47 (largura:altura:x:y, pixel de origem); mantenha a proporção 16:9.

8. Verifique e corrija.

K dogrula P                   # redecodifica o áudio cortado -> P/dogrula.md
K pencere P 104.10 212.75    # ±3 s das junções suspeitas (segundo de origem)

Em dogrula.md, para cada suspeita:

  • FALTANDO (palavra esperada não ouvida): primeiro ouça com pencere. Palavras curtas (e, de, o) são frequentemente puladas pelo Whisper na segunda decodificação; a maioria é falso alarme. Se realmente foi cortada, ajuste o limite do atilacak correspondente (amplie/reduza) ou remova o corte.
  • VAZANDO (uma palavra removida é ouvida): aumente o intervalo de corte para incluir essa palavra.
  • Antes de afirmar que um corte está errado, veja o áudio com zarf; não confie no timestamp.

Após a correção, execute novamente kurgu → cek → dogrula. Partes que não mudaram não são reproduzidas.

9. Relatório ao usuário. Seja breve e com números:

  • duração: bruto → editado (ex.: 4:00 → 2:48, 30% mais curto), número de partes e blocos;
  • seus cortes manuais, um por um com justificativa (tempo + uma linha);
  • número de repetições removidas automaticamente, intervalos acelerados;
  • verificação: quantas junções, quantas suspeitas, quais foram corrigidas, quais eram falsos alarmes;
  • nível de áudio (LUFS) e caminho do arquivo de saída.
  • Informe separadamente os cortes de conteúdo (detalhes desnecessários); se o usuário quiser desfazer, basta remover uma linha.

Regras aprendidas (resumo)

  • O áudio dá a palavra final. Um intervalo sem palavras não é necessariamente silêncio: o Whisper pode engolir repetições. O ponto de corte é encontrado no envelope de áudio; as palavras apenas indicam o que deve ser mantido.
  • O timestamp do Whisper varia ~0,5 s (na maioria das vezes adiantado). Não corte pelo timestamp; corte pelo áudio.
  • Corte no meio da palavra. Os limites da região são onde o áudio termina, mais uma margem de respiração: 0,28 s no final da frase, 0,12 s dentro da frase; começa 0,06 s antes do início.
  • Em contexto longo, o Whisper engole engasgos; por isso, a transcrição é feita em partes independentes de ≤10 s.
  • Áudio e vídeo na mesma grade de quadros (30 fps, parte = quadro inteiro, áudio = quadro × 1600 amostras).
  • Não escreva uma segunda passagem de "redução de lacunas"; foi testado e engoliu palavras (detalhes em kurallar.md).

Todas as regras com medições: references/kurallar.md. Formatos de arquivo e opções de comando: references/dosyalar.md.

Limitações conhecidas

  • Única gravação principal (áudio + câmera). Se houver várias partes, primeiro concatene com ffmpeg ou faça cada parte como um projeto separado.
  • O áudio sempre vem da gravação principal; o áudio da captura de tela é usado apenas para sincronização.
  • A câmera no canto é um corte fixo, sem rastreamento facial.
  • Não há efeitos de transição no bloco da câmera; o jump cut é suavizado com zoom.
  • [ADAY] é ruidoso (~17 linhas em 4 minutos); a maioria são repetições naturais como "precisa … precisa". Os verdadeiros reinícios você encontra lendo a transcrição; a lista de candidatos é apenas uma dica.
  • Notas de edição ("colocar som de campainha aqui", "mostrar barra aqui") são cortadas, mas não aplicadas: gráficos e efeitos não são responsabilidade deste skill. Liste-as separadamente no relatório para o usuário.

Individual skills in this repo

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

UgurKeskekci/claude-video-kit

Kodla (görsel üretim modeli OLMADAN) hikâye anlatan kısa mürekkep çizgi animasyonu üretir — X/Twitter gönderisi, Reels/Shorts, YouTube video arası ya da soğuk açılış. Görüntü PIL mürekkep motoruyla, müzik ve efektler numpy sentezi ile aynı zaman programından üretilir, sonuç ölçülerek denetlenir. Şu durumlarda kullan: "animasyon yap", "çizgi animasyon", "halimi anlat", "durumumu göster", "twitter için animasyon", "reels animasyonu", "araya animasyon", "çöp adam animasyonu", "kodla video", "one-shot animasyon".

UgurKeskekci/claude-video-kit

Konuşan kafa kaydından (kamera, ses içinde; yatay 4K ya da dikey) dikey Instagram Reels / YouTube Shorts / TikTok videosu (1080x1920, 30 fps) üretir, "kart" formatında - üstte söylenen kelimede beliren sade arayüz kartları (sohbet balonu, liste, harf harf yazılan terminal, dosya ağacı, büyük sayı, gerçek ekran görüntüsü), altta yuvarlak köşeli yüz kartı, aralarında kelime kelime altyazı, kart geçişinde yumuşak whoosh, yazarken klavye sesi, sonda "yorumlara yaz" sorusu. Şu durumlarda kullan - "reels yap", "bundan reels çıkar", "shorts yap", "dikey video", "kartlı reels", "bilgi veren reels", "ipucu videosu", "üstte kart altta yüz", "yorumlara yaz diye bitsin", "tips reels".

UgurKeskekci/claude-video-kit

Sayı ve yazıyla hikâye anlatan editoryal hareketli grafik videosu üretir (Remotion) — X/Twitter gönderisi, Reels/Shorts, YouTube video arası. Hikâye JSON sahne listesi olarak yazılır (başlık, yazılan istem, sayaç, ölçer, sütunlar, karşılaştırma, liste, soru), 16:9 ve 9:16 render edilir, yumuşak whoosh + klavye + sakin müzik yatağı numpy ile sentezlenip eklenir, sonuç ölçülerek denetlenir. Şu durumlarda kullan: "X için animasyon/video", "hareketli grafik", "motion graphics", "sayılarla anlat", "sonuçları grafikle göster", "karşılaştırma videosu", "test sonucunu animasyonla anlat", "reels grafiği", "araya grafik", "Remotion".

Habilidades Relacionadas