Communitygithub.com

Andersonlimahw/lemon-ai-hub

Sincronize narração, legendas, música e efeitos sonoros com a imagem — roteiro de narração, trava de script, TTS ou locução gravada, timestamps em nível de palavra, blocos de legenda, janelas de cena derivadas da faixa de voz, orçamentos de pausa, ducking e alvos de loudness. Use para explicadores narrados, alterações de locução, legendas ou qualquer vídeo onde o tempo deve seguir o áudio.

O que é lemon-ai-hub?

Esta skill é um sistema completo de sincronização de voz e vídeo projetado para fluxos de trabalho de edição de vídeo onde o timing é ditado pelo áudio, em vez de durações estimadas. Ela suporta desde a escrita do roteiro de narração até a mixagem final, integrando-se a ferramentas como ElevenLabs, Azure, OpenAI, Google, edge-tts, Kokoro, Piper, WhisperX, whisper-timestamped, stable-ts e Whisper para TTS e alinhamento forçado. A skill gera automaticamente um `timeline.json` com cenas, blocos de legenda e capítulos, além de arquivos SRT e VTT, e realiza verificações de qualidade como avisos de palavras ausentes, legendas muito longas ou rápidas, e pausas solicitadas. Ela também oferece regras de mixagem de áudio com ducking de música, alvos de loudness integrados e normalização, e um checkpoint de pré-visualização para validar ritmo, legenda e mixagem antes de prosseguir.

Funciona com~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/Andersonlimahw/lemon-ai-hub/tree/HEAD/plugins/motion-movie-expert/skills/voice-video-sync

Perguntar na sua IA favorita

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

Documentação

Sincronização Voz ↔ Vídeo

Regra zero: a faixa de voz dita o ritmo. A imagem é sincronizada com o áudio medido, nunca com durações estimadas.

1. Escreva a narração

  • Comece pela situação do espectador, não por uma definição. Uma única linha narrativa; causa antes do efeito.
  • Converta números para uma escala perceptível ("do tamanho de uma lista telefônica", não "3,2 MB").
  • Metáforas devem ter peso; o narrador tem um ponto de vista.
  • Não descreva o que a imagem já mostra; diga o que a imagem não pode.
  • Termine retomando a abertura. As fronteiras de capítulo fazem a transição: a última linha do capítulo N prepara a primeira linha do N+1.
  • Calcule pelo ritmo de fala: Inglês ≈ 125–150 palavras/min (vozes TTS variam — meça uma amostra); Português ≈ 140–160 palavras/min; Chinês ≈ 4–5,5 caracteres/s.

Formate o arquivo de roteiro (um parágrafo = uma cena, | divide blocos de legenda):

# CAPÍTULO 1 Por que os mapas mentem
Todo mapa que você já viu | foi desenhado por alguém | com um motivo.

Mercator queria que os marinheiros | mantivessem um curso reto.
## gap 0.6

## gap <segundos> pede uma pausa de pelo menos essa duração após o parágrafo (pausa para o último visual). Produza-a no áudio — SSML <break time="600ms"/> para TTS, ou silêncio inserido ao montar arquivos por parágrafo. A ferramenta de linha do tempo nunca altera timings; ela verifica a pausa.

2. Trave o script

Mostre o script completo com contagem de palavras e duração estimada e obtenha uma aprovação explícita. Após a trava, cada timing é derivado do áudio; alterar uma palavra re-temporiza todas as cenas seguintes.

3. Produza a voz

  • TTS (padrão quando não há gravação): pergunte ao usuário por um motor/voz preferido. Enviar texto para um TTS em nuvem (ElevenLabs, Azure, OpenAI, Google, edge-tts) compartilha o script com esse provedor — confirme primeiro. Opções locais (Kokoro, Piper) mantêm tudo na máquina.
  • Locução gravada: aceite WAV 48 kHz. Corte silêncio, mantenha respirações naturais, normalize depois na mixagem.
  • Mantenha um arquivo por parágrafo ou um arquivo mestre com timestamps; ambos funcionam com a ferramenta de linha do tempo.

4. Obtenha timestamps

Use timestamps de palavra ou segmento da resposta da API TTS, ou force-align o áudio com o script (WhisperX, whisper-timestamped, stable-ts ou Whisper com word_timestamps=True). Normalize-os para este JSON:

{"segments": [{"text": "Todo mapa que você já viu", "start": 0.00, "end": 1.42,
  "words": [{"word": "Todo", "start": 0.00, "end": 0.21}]}]}

5. Construa a linha do tempo

python3 <plugin-root>/scripts/build_timeline.py words.json --script script.txt --fps 30 \
  --out-dir timeline/ --max-chars 42 --min-dwell 1.0

Produz timeline.json (cenas com quadros de início/fim, blocos de legenda, inícios de capítulo), captions.srt, captions.vtt e avisos para: palavras do script ausentes no áudio (ou palavras do áudio ausentes no script), legendas muito longas ou rápidas para ler, cenas cuja última legenda deixa menos de --min-dwell segundos antes da próxima cena (adicione uma pausa no áudio ou mescle), pausas ## gap solicitadas que o áudio não possui e silêncios com mais de 3 s. Palavras que um alinhador forçado deixou sem timing (comum para números no WhisperX) são interpoladas entre seus vizinhos. Alimente timeline.json para a composição; nunca redigite números de quadro manualmente.

6. Regras de legenda

  • ≤42 caracteres por linha, ≤2 linhas, ≥1,0 s na tela, ≈17 caracteres/s de velocidade de leitura máxima.
  • Quebre em limites de frase, nunca entre artigo e substantivo.
  • Mantenha as legendas fora da zona inferior da interface do usuário em 9:16 e longe de texto de interface na tela.
  • Legendas incorporadas para redes sociais; SRT/VTT sidecar para YouTube e players web.

7. Mixagem

CamadaAlvo
Loudness integrado (final)−14 LUFS para social/web (−16 aceitável); −23 LUFS para broadcast
Pico verdadeiro≤ −1 dBTP
Música sob locuçãoduck 8–12 dB enquanto a fala estiver presente, 150–300 ms ataque/soltura
Efeitos sonoros≈10 dB abaixo da música; no quadro causador, não depois

Meça com <plugin-root>/scripts/qc.sh loudness final.mp4 (adicione -23 para broadcast). Quando as skills de áudio do HyperFrames estiverem instaladas, hyperframes-audio fornece ducking ("entalhe de voz"), EQ e automação dentro da composição; caso contrário, use sidechaincompress e loudnorm do FFmpeg (duas passagens).

8. Ponto de verificação de pré-visualização

Renderize os primeiros ≤30 s com voz, legendas e música e pergunte: "Voz, ritmo, tamanho da legenda e ritmo — OK?" Alterar o ritmo após este ponto significa executar novamente o TTS e re-temporizar tudo.

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

Andersonlimahw/lemon-ai-hub

When the user wants to plan a product launch, feature announcement, or release strategy. Also use when the user mentions 'launch,' 'Product Hunt,' 'feature release,' 'announcement,' 'go-to-market,' 'beta launch,' 'early access,' 'waitlist,' 'product update,' 'how do I launch this,' 'launch checklist,' 'GTM plan,' or 'we're about to ship.' Use this whenever someone is preparing to release something publicly. For ongoing marketing after launch, see marketing-ideas. For the offer being launched (bonuses, guarantees, scarcity, naming), see offers.

Andersonlimahw/lemon-ai-hub

Create and edit motion videos end to end — product motion films, motion graphics, narrated explainers, captioned clips, UI animation recreations, and recuts. Orchestrates brief, storyboard, choreography, build (HyperFrames or any deterministic renderer), voice/caption sync, and render QC. Use when the user asks to make, animate, storyboard, narrate, caption, edit, or render a video or motion piece; skip for static images and web UI work with no video deliverable.

Andersonlimahw/lemon-ai-hub

Build and render a deterministic video composition — HyperFrames (HTML + GSAP) by default, or a custom seek(t) + Playwright + FFmpeg pipeline. Covers project setup, composition contract, timeline rules, creative direction for frames, lint/check/snapshot, preview, and local render. Use when implementing an approved storyboard as code.

Andersonlimahw/lemon-ai-hub

Motion law for multi-scene videos — seam continuity (axis, direction, speed, phase), carriers, causal motion, springs and timing, camera, transitions, stillness, and loop design. Use when planning or fixing how scenes connect and move, before and during any animation build.

Andersonlimahw/lemon-ai-hub

Short design-led motion graphics where motion is the message — kinetic typography, stat count-up, chart/data-viz reveal, logo sting, lower third or callout, animated map, tweet/news/headline card, webpage or UI walkthrough, and image-plus-data fusion. Usually under 10 s, up to about 30 s, no narration; renders to MP4 or a transparent overlay. Use when the user wants a short motion graphic, animated stat/chart/logo/map/card, or overlay; when the upstream HyperFrames `motion-graphics` skill is installed, use it for exact CLI flags and registry blocks.

Andersonlimahw/lemon-ai-hub

Turn a video idea, product, or script into an approved master prompt and pre-implementation storyboard — intake, concept, 8–12 state sequence, beat grid, transition map, camera plan, audio cue plan, and render architecture. Use before building any new video, or when a video brief is vague.

Andersonlimahw/lemon-ai-hub

Motion tokens, spring presets, and React/Next.js (motion/react) interaction patterns for product UI that appears in a video — rebuilding real product screens faithfully, animating them as seekable scenes, and keeping the live product's motion consistent with the film. Use when a motion video shows or recreates product UI; for web UI work with no video deliverable use design-expert instead.

Andersonlimahw/lemon-ai-hub

Edit existing video and verify any render before delivery — recut, trim, reframe to other aspect ratios, burn in or attach captions, swap or remix audio, loop, and export; plus the QC gates (probe, contact sheet, stills per beat, loudness, loop seam, legibility, facts, PII). Use for editing footage or for the final check of any motion video.

Andersonlimahw/lemon-ai-hub

Agent skill at plugins/video/SKILL.md

Habilidades Relacionadas