Communitygithub.com

Talking Head Recut

Pacote gráfico para vídeos de entrevistas/podcasts: insere cartões gráficos com design (títulos, barras inferiores, citações, dados, PiP) sincronizados com a transcrição, mantendo o vídeo original intacto.

O que é Talking Head Recut?

O Talking Head Recut é uma skill especializada em pós-produção gráfica para vídeos de "talking heads" (entrevistas, podcasts, palestras). Ela permite que um agente de IA adicione cartões gráficos com design profissional — como títulos, barras inferiores, chamadas de dados, citações e picture-in-picture — sincronizados com a transcrição do áudio. O vídeo original é mantido intacto, e os cartões são sobrepostos nos momentos precisos determinados pela fala. A skill é executada localmente via CLI `hyperframes`, utilizando Whisper para transcrição e ffmpeg/ffprobe para processamento de mídia. Não requer chaves de API ou serviços externos, funcionando inteiramente em ambiente local. É indicada para quem deseja "empacotar" ou "dress up" um vídeo existente com gráficos dinâmicos e cronometrados, diferenciando-se de legendas simples ou de criação de vídeos do zero.

Funciona com~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/1999AZZAR/designer-mcp/tree/HEAD/skills/video/engine/talking-head-recut

Perguntar na sua IA favorita

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

Documentação

Primeiro, mantenha esta skill atualizada — confirme com o usuário antes de executar: npx hyperframes skills update talking-head-recut. Uma operação rápida e sem efeitos quando tudo está atualizado; caso contrário, ela atualiza esta skill e as skills de domínio principais das quais ela depende antes que você dependa delas.

O que Talking Head Recut faz?

O Talking Head Recut pega um vídeo local que toca por completo e coloca uma sequência de cartões gráficos com design e temporização sobre ele — títulos, barras inferiores, chamadas de dados, citações, painéis laterais, picture-in-picture — sincronizados com o que está sendo dito. O agente projeta os cartões (temporização + conteúdo) e escreve o HTML de cada cartão diretamente na conversação, depois monta um único HTML de composição e o renderiza para MP4 via hyperframes. Não há uma lista fixa de arquétipos nem uma estrutura de cartão prescrita — as sobreposições emergem do que a transcrição realmente diz.

A porta de entrada é /hyperframes. Esta skill empacota um clipe de talking head existente com cartões gráficos com design (títulos, barras inferiores, chamadas de dados, citações, PiP) — não legendas simples (as palavras faladas como texto). O clipe toca intacto. Qualquer outra intenção — legendas simples, um gráfico independente, um vídeo do zero — ou qualquer incerteza → leia /hyperframes primeiro: a camada de intenção é dona de toda decisão de rota.

Irmão gráfico de embedded-captions. Legendas adicionam as palavras faladas como texto legível; esta adiciona gráficos com design sobre o vídeo em reprodução. Legendas simples → embedded-captions. Construir um vídeo do zero → os fluxos de criação (product-launch-video / faceless-explainer / …).

Roteirizado através do /hyperframes, a camada de intenção confirma apenas a entrada (qual clipe) e anuncia as perguntas de estratégia de renderização como questões adiadas — proporção, layout, grupo de estilo e contagem de cartões permanecem na Etapa 7, onde as filmagens analisadas e a transcrição fundamentam as recomendações; as perguntas de forma de execução da camada não se aplicam. Um BRIEF.md, quando presente, carrega a entrada confirmada e quaisquer anotações do usuário — leia-o primeiro.

Arquivos intermediários inspecionáveis no diretório de trabalho:

  • metadata.json — duração / largura / altura / fps
  • audio.mp3 — áudio extraído
  • transcript.json — um vetor de palavras plano [{ text, start, end }, …] (Whisper; sem segments, sem wrapper words)
  • storyboard.json — esboço leve dos cartões (o plano do agente)
  • public/cards/card-XX.html — um fragmento HTML por cartão
  • public/index.html — composição final montada
  • output.mp4 — vídeo renderizado

Resolução da CLI

# hyperframes — transcrição (Whisper local) + renderização do HTML montado para MP4
npx hyperframes --help

Esta skill é executada inteiramente na CLI hyperframes mais ffmpeg / ffprobe do sistema. A transcrição é feita localmente pelo Whisper via hyperframes transcribe — nenhum serviço de terceiros, chave de API ou proxy com limite de taxa.

Fluxo de Trabalho

1. Verificar Ambiente

npx hyperframes doctor          # ffmpeg, navegador headless, dependências de renderização
# confirmar ativos empacotados:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"

Requeridos:

  • ffmpeg / ffprobe (sistema)
  • <SKILL_DIR>/assets/fonts/*.woff2, <SKILL_DIR>/assets/vendor/gsap.min.js (empacotados dentro desta skill, copiados para o diretório de trabalho na Etapa 9)

A transcrição não precisa de chave — hyperframes transcribe executa o Whisper localmente (Etapa 4).

Fortemente recomendado no macOS para hyperframes render:

export PRODUCER_BROWSER_GPU_MODE=hardware

2. Criar um Diretório de Trabalho

Todos os artefatos ficam em videos/<project-name>/ — a mesma convenção dos outros fluxos de trabalho de vídeo (product-launch-video / faceless-explainer / pr-to-video). Mantenha o diretório de trabalho atual na raiz do espaço de trabalho; tudo abaixo escreve sob este subdiretório.

VIDEO_PATH="/caminho/absoluto/input.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"

3. Extrair Áudio e Metadados

# metadados — duração / largura / altura / fps
ffprobe -v error -select_streams v:0 \
  -show_entries stream=width,height,r_frame_rate \
  -show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# áudio
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"

Saídas: metadata.json (leia width/height/duration; fps = a fração r_frame_rate avaliada, ex.: 30000/1001 → 29.97) + audio.mp3.

4. Transcrever

npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en

Whisper local — sem chave de API, sem proxy, sem limite de taxa. Escreve um transcript.json no nível de palavra no diretório de trabalho (text da palavra + timestamps start / end). Leia-o para obter os tempos das palavras/frases que determinam a temporização dos cartões na Etapa 6; agrupe palavras em frases você mesmo com base em pontuação/pausas se precisar de blocos no nível de segmento.

Limitar à duração da mídia. O Whisper pode retornar o end da última palavra um pouco além do comprimento real do clipe — limite todo endSec do cartão e composition.durationSeconds à duração do metadata.json, ou a renderização mostrará um rastro preto além do vídeo.

5. Corrigir Transcrição

transcript.json é um vetor plano de objetos de palavra — [{ "text": "...", "start": s, "end": s }, …] (sem vetor segments, sem wrapper words; a chave por palavra é text). Leia-o e corrija erros óbvios de ASR:

  • Homófonos, nomes de produtos, termos técnicos, pontuação
  • Edite o text da palavra no local; preserve seus timestamps start / end
  • Não há vetor segments pré-agrupado — agrupe palavras em frases você mesmo (divida em pontuação terminal / pausas) quando precisar de blocos no nível de segmento para a temporização dos cartões

6. Rascunhar um Storyboard Leve (no chat)

Nenhuma CLI envolvida. Leia transcript.json + metadata.json e projete cartões diretamente. storyboard.json é um artefato de planejamento interno do agente — nenhum comando CLI o consome; ele existe para que você possa pensar com clareza sobre temporização e conteúdo antes de escrever o HTML de cada cartão. Mantenha a forma consistente com o exemplo abaixo para que o mesmo esboço possa guiar a composição que você escreve na Etapa 9:

{
  "schemaVersion": 3,
  "composition": {
    "fps": 30,
    "width": 1080,
    "height": 1920,
    "durationSeconds": 121.2,
    "layout": "portrait",
    "themeId": "noir",
    "seed": 42
  },
  "videoTrack": {
    "sourcePath": "input-video.mp4",
    "startSec": 0,
    "endSec": 121.2,
    "bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
  },
  "subtitles": { "enabled": false },
  "cards": [
    {
      "id": "card-01",
      "intent": "Prender com a pergunta ansiosa do palestrante à meia-noite",
      "startSec": 0.5,
      "endSec": 13.0,
      "accentIndex": 0,
      "zone": "fullscreen",
      "contentHints": {
        "kicker": "UMA PERGUNTA HONESTA",
        "title": "A pergunta de autoanálise às 23h",
        "detail": "Mensagem de voz de 60 seg do cliente: 'Se o RMB se valorizar, isso significa que minha apólice em USD é uma perda terrível?'"
      }
    }
  ]
}

Campos obrigatórios do Cartão:

campotipofinalidade
idstringid estável usado no HTML do cartão e nos seletores GSAP
intentstringdescrição em linguagem natural; alimenta a síntese do cartão
startSec / endSecnúmerotempos em segundos (endSec > startSec)
accentIndex0 | 1 | 2 | 3 | 4qual das 5 cores de destaque do tema este cartão puxa
zoneenum (veja abaixo)onde no canvas o cartão vive
contentHintsobjetobolsa de forma livre; o agente coloca kicker/título/detalhe/dados/citação aqui
archetype (opcional)stringrótulo de forma livre que você pode anexar para lembrar o padrão de um cartão; ausente = forma livre, que é o padrão
transition (opcional)enum: cut | fade | slide | wipetransição declarativa de cartão para cartão

Cinco valores de zone:

zonelimites resolvidosquando usar
fullscreencobre todo o canvasmomentos heróis, grandes números, mantras
whiteboard-areamargem interna de 40px (ou 45% da altura retrato)conteúdo denso / anotado
lower-thirdfaixa inferior de 30%anotação sobre vídeo visível
side-panel42% à direita (paisagem) ou 40% inferior (retrato)dados de um lado, vídeo do outro
video-overlaycanvas inteiro, espera cartão principalmente transparenteanotações sobrepostas em vídeo sem margem

Ao montar a composição na Etapa 9, resolva a zone de cada cartão em limites de pixels no contêiner host do cartão seguindo a tabela acima. Os limites do vídeo são definidos uma vez no nível da composição (videoTrack.bounds); para fazer o vídeo parecer "se mover entre cartões", escreva tweens GSAP contra #video-wrap no <script> da composição (veja a Etapa 9).

Nenhum papel de cartão prescrito, nenhum arco narrativo prescrito. Os cartões emergem do que o vídeo realmente diz — podem ser todas citações ou todos dados, podem abrir com um número ou com uma história. Deixe a transcrição ditar o ritmo.

Quantas conclusões? — inferir automaticamente da duração + densidade. Nenhum limite superior fixo. Escolha um ritmo base a partir da duração do vídeo, depois ajuste pela densidade de informação. Apenas o piso é fixo: mínimo de 5 cartões para que mesmo vídeos curtos tenham ritmo.

Etapa 1 — ritmo base por duração (o seg/cartão natural para densidade média):

duração do vídeoritmo base (seg por cartão)fundamento
< 60s (reel curto)6–8sespectadores esperam cortes rápidos em formato curto
60s – 3 min8–12sritmo social normal
3 – 10 min12–20sdar espaço para respirar; cada cartão carrega mais
10 – 30 min20–35sritmo de palestra / entrevista longa
> 30 min30–60sepisódico, sensação de quase-capítulo

Etapa 2 — multiplicador de densidade (multiplica o ritmo base):

sinal na transcriçãomultiplicadorefeito
Alta densidade — muitos números, afirmações distintas, ritmo staccato, enumeração em lista, cada 1–2 frases é uma nova ideia× 0.7corta mais rápido, mais cartões
Densidade média — fluxo misto com dados e narrativa× 1.0ritmo base
Baixa densidade — uma história estendida, reenquadramento repetido, ritmo reflexivo lento, único argumento se desenrolando× 1.5corta mais devagar, menos cartões

Etapa 3 — calcular:

segPorCartao = ritmoBase × multiplicadorDensidade
contagemCartoes = max(5, arredondar(duracaoVideoSeg / segPorCartao))

Exemplos (observe — sem limite superior; vídeos longos produzem naturalmente mais cartões):

  • Reel de 30s, única conclusão (baixa densidade) → 7 × 1.5 = 10.5s/cartão → arredondar(30/10.5)=3 → piso para 5 cartões
  • Monólogo reflexivo de 60s (baixa densidade) → 10 × 1.5 = 15s/cartão → 4 → piso para 5 cartões
  • Talking head de 121s com dados ricos (alta densidade) → 10 × 0.7 = 7s/cartão → 17 cartões
  • Entrevista de 5 min, densidade mista → 16 × 1.0 = 16s/cartão → 19 cartões
  • Mergulho profundo de 10 min, alta densidade → 16 × 0.7 = 11s/cartão → 55 cartões
  • Palestra de 30 min, densidade média → 28 × 1.0 = 28s/cartão → 64 cartões
  • Podcast de 1h, baixa densidade → 45 × 1.5 = 67.5s/cartão → 53 cartões

Quando um cartão dura mais de ~15s, planeje um cartão mais rico (bloco de dados, revelação em várias etapas, vários subpontos se desenrolando com animações escalonadas) — uma frase única estática fica entediante após 8s. Para peças longas onde muitos cartões excedem 30s, considere dividir a linha do tempo em subcomposições (um .html por capítulo, montado com data-composition-src) para que a linha do tempo GSAP por arquivo permaneça gerenciável — veja o aviso de lint timeline_track_too_dense do HyperFrames.

content pode ser uma string simples ("Título: 5.69% anualizados\nNotas: ...") ou qualquer formato JSON que capture os dados. O agente decide o formato por cartão.

Outro opcional. Esta skill não vem com um outro de marca fixo. Se o usuário quiser um cartão de encerramento, projete um neutro você mesmo (marca nominativa + slogan de uma linha, ~1.5-2s, fade in -> pausa curta -> fade out), anexe-o a cards[] e estenda composition.durationSeconds até seu endSec. Caso contrário, termine no último cartão de conteúdo.

7. Decidir Estratégia de Renderização

Confirmar Direção Visual com o Usuário (FAÇA ISSO PRIMEIRO)

Antes de começar a projetar cartões ou decidir limites, **peça ao usuário que escolha a proporção de saída

…

[truncado para tradução]

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

1999AZZAR/designer-mcp

SOTA animation and physics heuristic guide using motion.dev

1999AZZAR/designer-mcp

Add captions or subtitles to an existing single-subject talking-head video without editing the footage. Use for plain verbatim captions, cinematic captions embedded behind the subject, VFX captions, “炸/特效/酷炫字幕,” or a named identity from the 35-style catalog. Route by visual identity, not by backend engine. The quiet `anchor` rail is the default; embed every word only when the user explicitly wants a fully cinematic treatment. The workflow runs locally end to end, including transcription and subject matting; split multi-shot footage before applying it.

1999AZZAR/designer-mcp

Turn arbitrary text — an article, notes, a topic, a brief — into a faceless explainer video: there is no site or footage to capture, so the visuals are invented per scene (typography, abstract graphics, diagrams, data-viz). Use for topic explainers, concept breakdowns, how-tos, listicles. Not a video built from a website (/product-launch-video — promo or tour). Unclear → /hyperframes.

1999AZZAR/designer-mcp

Import Figma content into a HyperFrames composition — rendered assets, brand tokens, components, storyboard sections → reconstructed motion (frames read as states, not slides) (REST/CLI), connector-assisted motion when available, and shaders from a connector or native export. Use when the user pastes a figma.com link or asks to bring a Figma design, frame, logo, brand, or animation into a video/composition.

1999AZZAR/designer-mcp

Author or edit a custom HyperFrames composition when no specialized workflow fits, or when BRIEF.md sets flow: companion. Use for longer or multi-scene pieces, brand and sizzle reels, montages, static loops, static title cards, footage remixes, and freeform builds. Use motion-graphics instead for a short unnarrated motion-first unit, including an animated title. Route fresh creation through hyperframes before using this skill.

1999AZZAR/designer-mcp

All animation knowledge for HyperFrames — atomic motion rules, multi-phase scene blueprints, scene transitions, broader motion-design techniques, AND the seven runtime adapters (GSAP default, plus Lottie, Three.js, Anime.js, CSS keyframes, Web Animations API, TypeGPU). Use for any motion or animation task: pick 2-4 rules and compose, or load a blueprint, or look up runtime-specific API (e.g. GSAP eases / Lottie player / Three.js mixer). Also covers auditing an existing composition's choreography (animation map) and 24 named text-animation effects. HyperFrames-native: single paused timeline, seek-safe, deterministic.

1999AZZAR/designer-mcp

Use when audio already placed in a HyperFrames composition needs to be mixed: fade-in/fade-out, crossfade, track gain or volume, volume automation, ducking, a music bed that fights a voiceover (voiceover carve), effects on a track (EQ, compressor, limiter, gate, saturation, delay, reverb, chorus, phaser, bitcrush), automation envelopes drawn on a track's volume or any effect parameter, or one submix bus carrying a chain, a fader and an automation clock for several tracks at once (`<hf-audio-group>`). Don't use for sourcing or generating audio — finding BGM, SFX, or making a voiceover is `/media-use`. Don't use for clip timing or track layout, which is `/hyperframes-core`.

1999AZZAR/designer-mcp

Use the HyperFrames CLI development loop: init, add, catalog, capture, lint, check, snapshot, compare, grade-compare, preview, play, present, beats, keyframes, single or batch render, publish, cloud, cloudrun, feedback, lambda, doctor, browser, info, upgrade, skills, compositions, timeline, docs, benchmark, telemetry, transcribe, auth, tts, and remove-background. Also use when diagnosing build or render failures. validate, inspect, and layout are deprecated aliases; use check. Covers local, HeyGen-hosted cloud, AWS Lambda, and Google Cloud Run rendering.

1999AZZAR/designer-mcp

The HyperFrames composition contract — build one renderable project. Use for composition structure, the `data-*` timing attributes, `class="clip"`, tracks, sub-compositions, variables, framework-owned media playback, deterministic-render rules, and validation. Read before writing composition HTML.

1999AZZAR/designer-mcp

Non-animation creative direction for HyperFrames videos. Use for design spec (frame.md / design.md) handling, palettes, typography, narration, beat planning, audio-reactive visuals, composition patterns, and brand / style decisions. For atomic motion patterns and scene blueprints, use `hyperframes-animation`.

1999AZZAR/designer-mcp

Use when a HyperFrames composition needs a punch-in, punch-out, zoom, reframe, Ken Burns treatment, camera move, visual match/whip handoff, or other seek-safe 2D/3D keyframes; also for GSAP, CSS keyframes, Anime.js, WAAPI, FLIP, paths, masks, SVG morph/draw, text trails, 3D depth, or `hyperframes keyframes` diagnostics. Don't use for broad scene strategy, brand design, media sourcing, captions, or general video planning.

1999AZZAR/designer-mcp

Search, install, and wire registry blocks and components into HyperFrames compositions. Use BEFORE hand-building any named visual — whenever a brief, a user, or a storyboard names a look, effect, treatment, or transition such as CRT scanlines, glitch, chromatic aberration, film grain, a shimmer sweep, a chart, a code or terminal window, a map, or a confetti burst — because roughly 400 hosted items already cover many of them and the search ranks all of them with nothing installed, no project, and no account. Also use when running hyperframes add or hyperframes catalog, installing one item or every block matching a tag, wiring an installed item into index.html, or working with hyperframes.json. Covers discovery, install locations, block sub-composition wiring, component snippet merging, and authoring a new block or component to contribute upstream (idea → scaffold → validate → PR).

1999AZZAR/designer-mcp

Mandatory entry point: read this first for any request to make, create, edit, animate, or render a video, animation, or motion graphic, including a promo, explainer, captioned clip, title card, overlay, slideshow or interactive deck, Remotion port, or any HyperFrames HTML composition. Also use it to inspect, diagnose, validate, preview, publish, or batch-render an existing HyperFrames project. Inputs may be a website URL, GitHub PR, Figma design or URL, text or brief, existing footage, or music. It resumes project state, captures intent when applicable, selects and installs the owning workflow, and routes domain capabilities. HyperFrames is the default output framework unless the user explicitly chooses another framework for the deliverable or asks only to record a browser session.

1999AZZAR/designer-mcp

Use when building or editing a HyperFrames project that people open in Studio: how the timeline should be laid out so it reads well (one caption track, one element kind per track, every scene a sub-composition) and where captions and key content may sit (safe zones). Don't use for how to perform an individual edit (split, trim, retime, volume, copy, swap): that is `creator-editing-recipes.md` in `/hyperframes-core`.

1999AZZAR/designer-mcp

Agent Media OS, the single skill for every media need in a HyperFrames project. Resolve BGM, SFX, image, icon, brand logo, voice, color grade, or LUT into a frozen local file or paste-ready block + ledger record (one verb, `resolve`); generate via TTS / music / image models when the catalog misses; produce voiceover, transcription, captions, and background removal through one shared audio engine; operate on media (cut / reframe / transform); and reuse assets across projects. Also use for vague feedback that real footage looks dark, flat, boring, should feel retro/camcorder/print/ASCII, needs privacy, or needs a media reveal.

1999AZZAR/designer-mcp

Turn a music track (an audio file, a video to pull audio from, or a track generated from a mood brief) into a beat-synced video — lyric video, slideshow, or kinetic promo. The music drives all pacing; any user-supplied images/videos are cut onto the same beat grid, and a complete video needs zero assets. Narrated pieces → the input-matched workflow (see /hyperframes). Unclear → /hyperframes.

1999AZZAR/designer-mcp

Turn a GitHub pull request (a PR URL, owner/repo#N, or 'this PR' in a checked-out repo) into a code-change explainer video — changelog, feature reveal, fix, or refactor walkthrough built from the diff, commits, and files: the input is a code change, not a website. Not a product promo (/product-launch-video) or a no-PR topic explainer (/faceless-explainer). Unclear → /hyperframes.

1999AZZAR/designer-mcp

Port an existing Remotion (React) composition''s source to HyperFrames HTML. Use ONLY on an explicit ask to port/convert/migrate/translate a Remotion source — one-way, Remotion-only. A passing Remotion mention, reference-only code, or "make something like my Remotion video" is a fresh build (/general-video). Unclear → /hyperframes.

1999AZZAR/designer-mcp

Author a HyperFrames slideshow — a presentation, pitch deck, or interactive deck with discrete slides, fragment reveals, branching, hotspot navigation, and built-in presenter mode with speaker notes; also converts an existing page into a deck. Output is a navigable deck, not a rendered MP4. If the user didn't explicitly ask for a slideshow, confirm before authoring. Unclear → /hyperframes.

1999AZZAR/designer-mcp

All animation knowledge for HyperFrames — atomic motion rules, multi-phase scene blueprints, scene transitions, broader motion-design techniques, AND the seven runtime adapters (GSAP default, plus Lottie, Three.js, Anime.js, CSS keyframes, Web Animations API, TypeGPU). Use for any motion or animation task: pick 2-4 rules and compose, or load a blueprint, or look up runtime-specific API (e.g. GSAP eases / Lottie player / Three.js mixer). Also covers auditing an existing composition's choreography (animation map) and 24 named text-animation effects. HyperFrames-native: single paused timeline, seek-safe, deterministic.

Habilidades Relacionadas