Communitygithub.com

voz-para-video-longo

Cria o áudio falado (narração e vozes de personagens) para o roteiro de vídeo aprovado. Primeiro decide se o vídeo precisa de fala e pede confirmação ao usuário. Se sim, monta um elenco de vozes (narrador mais cada personagem que fala), faz uma pequena amostra de cada voz com uma ferramenta disponível (como um MCP ElevenLabs) e pede aprovação do usuário, depois gera um arquivo de áudio por linha falada com nome que contém o número da cena e o falante. Ou fornece as linhas, nomes de arquivo e pasta para o usuário gravar ou gerar por conta própria. Use após long-video-clips (ou long-video-keyframes), ou quando o usuário pedir narração, voiceover, vozes ou áudio de diálogo.

O que é voz-para-video-longo?

Este é o sétimo estágio do fluxo de trabalho de vídeo longo. Sua função é criar todo o áudio falado de um vídeo, seja narração ou diálogo de personagens, seguindo o roteiro e o estilo definidos. O skill primeiro analisa se o vídeo realmente precisa de voz, com base no roteiro, no estilo de fala e na configuração de voiceover, e recomenda ao usuário se deve prosseguir ou pular essa etapa. Se aprovado, ele constrói um elenco de vozes, identifica ferramentas de geração de voz disponíveis (como ElevenLabs MCP ou TTS local), gera amostras curtas para cada voz e pede a aprovação do usuário antes de prosseguir. Depois, gera os arquivos de áudio finais, um por linha de fala, respeitando a ordem das cenas e as notas de entrega, e verifica se a duração se encaixa no tempo da cena. O skill também oferece a opção de gerar scripts de voz para gravação manual pelo usuário, garantindo flexibilidade. Ele é compatível com ferramentas de TTS em nuvem (como ElevenLabs), TTS local e gravação própria. O resultado é uma pasta organizada de arquivos de áudio, prontos para uso nas próximas etapas do fluxo de vídeo.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/samanfirouzi/long-video-skill/tree/HEAD/skills/long-video-voice

Perguntar na sua IA favorita

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

Documentação

Voz para vídeo longo

Estágio 7 do fluxo de trabalho de vídeo longo. Saída: uma pasta de arquivos de áudio, um por linha falada, cada um nomeado por cena e falante. Ou a decisão de que o vídeo não precisa de fala.

Uma cena significa um clipe do roteiro (um plano, no máximo 10 segundos), numerado em ordem ao longo do vídeo, como nos estágios anteriores.

Antes de começar

  1. Encontre o projeto em ~/.long-video/projects/<slug>/. Exija video-script.md com status: approved e film-style.md.
  2. Carregue a configuração do projeto: idioma, fonte de voiceover e provedor (audio.voiceover), providers.tts, nível de aprovação, orçamento.
  3. Leia o modo de fala e as descrições de voz de film-style.md.
  4. Se audio/ ou voice-scripts/ já existirem, pergunte: continuar (liste o que está feito) ou reiniciar.

Passo 1: O vídeo precisa de fala?

Descubra antes de perguntar. Verifique:

  • o modo de fala em film-style.md (narrador, personagens, misto),
  • audio.voiceover.source na configuração (none, self-recorded, cloud-tts, local-tts),
  • quantas linhas de narração ou diálogo o roteiro contém e em quantas cenas.

Em seguida, dê uma recomendação com um motivo e peça confirmação. Exemplo: "O roteiro tem 142 linhas de narração em 96 de 104 cenas, e a configuração usa texto para fala em nuvem. Recomendo um vídeo narrado. Deseja que eu crie as vozes?"

  • Se o roteiro não tiver linhas faladas, ou a configuração disser sem voiceover: recomende pular, com o motivo.
  • Aprovado. Continue com o Passo 2.
  • Não necessário. Defina "voice_mode": "none" e "stage": "voice-skipped" em project.json. Diga que os estágios posteriores usarão apenas música e efeitos. Pare.
  • Discorda da recomendação. Siga o usuário. Atualize a nota de configuração se a fala era none e o usuário agora a quer.

Nunca crie nenhuma voz sem a confirmação do usuário.

Passo 2: Montar o elenco de vozes

  1. Liste cada falante: o narrador (se houver) e cada personagem que tem diálogo. Conte as linhas para cada um.
  2. Para cada falante, pegue a descrição da voz de film-style.md (idade, tom, sotaque, velocidade). Se faltar uma descrição, proponha uma a partir da descrição do personagem em visual-bible.md e marque-a como "proposta".
  3. Mostre o elenco como uma tabela: falante, id, número de linhas, descrição da voz. Peça ao usuário para confirmar ou editar.
  4. Ids dos falantes: narrator, ou o id do personagem sem o prefixo char- (por exemplo char-mara vira mara). Esses ids vão para os nomes dos arquivos.

Passo 3: Escolher como o áudio é feito

Pergunte: "Claude deve gerar as vozes, ou você mesmo as fará (gravar ou usar sua própria ferramenta)?"

  • Claude gera. Vá para o Passo 4.
  • Eu faço. Vá para o Passo 6.
  • Ambos. Escreva os scripts de voz (Passo 6) e também gere (Passo 4).
  • Se audio.voiceover.source for self-recorded, vá diretamente para o Passo 6.

Passo 4: Encontrar uma ferramenta de voz e fazer amostras

Leia references/voice-generation.md. Em resumo:

  1. Use o método salvo na configuração (providers.tts) se houver um. Teste-o.
  2. Procure por ferramentas conectadas nesta sessão que gerem fala (um MCP ElevenLabs ou similar, ou skills com ferramentas de fala).
  3. Verifique variáveis de ambiente de chave de API no dispositivo. Imprima apenas "definida" ou "não definida".
  4. Verifique ferramentas locais de texto para fala.
  5. Se nada for encontrado, pergunte se o usuário tem uma chave de API (como variável de ambiente, nunca colada no chat), um servidor MCP para conectar ou um site de fala no navegador. Ou vá para o Passo 6.

As amostras de voz vêm primeiro. Nunca gere o áudio completo antes que o usuário aprove as vozes.

  1. Para cada falante, escolha uma voz que se encaixe na descrição. Liste as vozes da ferramenta e escolha entre elas. Nunca use um id de voz da memória. Se a ferramenta puder criar uma nova voz a partir de uma descrição, ofereça isso para vozes difíceis de combinar.
  2. Faça uma amostra curta por falante (5 a 15 segundos). Use uma linha real do roteiro que esse falante diz, no idioma da configuração. Para o narrador, use as linhas de abertura. Inclua a nota de entrega se a linha tiver uma.
  3. Salve as amostras em audio/samples/ como sample_<falante>.mp3.
  4. Apresente cada amostra com o falante, o nome da voz e a linha. Peça ao usuário para aprová-la ou pedir outra voz. Se eles pedirem outra voz, faça uma nova amostra (uma de cada vez, nunca repetições em lote). Repita até que cada falante seja aprovado.
  5. Registre as vozes aprovadas em voice-cast.md (falante, nome da voz, id da voz, configurações, arquivo de amostra). Atualize a lista de vozes em film-style.md para corresponder.

Não repita uma chamada de geração para tentar novamente. Cada chamada pode cobrar novamente.

Passo 5: Gerar as linhas

  1. Leia references/voice-script-format.md. Construa a lista de linhas a partir do roteiro: um item por linha falada, na ordem das cenas.
  2. Informe ao usuário o número de linhas, o tempo total de fala e o custo aproximado. Pergunte antes de começar. Ofereça para começar com um intervalo, por exemplo, cenas 1 a 10.
  3. Cena de teste. Gere a primeira cena com fala. Reproduza-a ou informe sua duração. Pergunte se a entrega está correta. Ajuste as configurações primeiro.
  4. Gere na ordem das cenas usando apenas as vozes aprovadas. Aplique as notas de entrega. Use as notas de pronúncia da lista de linhas.
  5. Salve cada linha como audio/lines/scene-<NNN>_<falante>_<NN>.<ext>. Nunca sobrescreva um arquivo sem perguntar.
  6. Após cada arquivo, meça sua duração com ffprobe. Compare com a duração da cena no roteiro (veja a referência de formato para as regras de ajuste). Registre o resultado.
  7. Se uma linha não couber em sua cena, não mude as palavras. Ofereça opções: uma entrega ligeiramente mais rápida (no máximo 10 por cento), uma cena mais longa (ainda dentro do limite de 10 segundos), ou dividir a linha em duas cenas com a aprovação do usuário.
  8. Tudo de uma vez ou uma por uma: pergunte ao usuário. Uma por uma reproduz o resultado de cada linha, espera aprovação ou um pedido de refazer.
  9. Se a ferramenta criar seu próprio áudio dentro dos clipes de vídeo (sincronia labial), pergunte se deve manter esse áudio ou usar esses arquivos. Anote a resposta em audio/status.md.

Se a geração falhar ou o usuário recusar, volte para o Passo 6 para as cenas restantes.

Passo 6: Scripts de voz para o usuário

  1. Crie audio/lines/ para os arquivos de áudio finalizados e voice-scripts/ para as listas de linhas. Mostre os caminhos completos.
  2. Escreva arquivos em lote de 20 cenas (scenes-001-020.md) e voice-scripts/index.md, seguindo a referência de formato. Cada linha tem:
    • o nome do arquivo para salvar: audio/lines/scene-007_narrator_01.mp3
    • o falante e a descrição da voz
    • o texto exato, a nota de entrega e as notas de pronúncia
    • a duração da cena, para que o áudio possa ser verificado em relação a ela
  3. Pergunte: tudo de uma vez ou uma por uma.
    • Tudo de uma vez. Mostre os caminhos das pastas e um exemplo. O usuário trabalha com os arquivos em lote.
    • Uma por uma. Mostre a primeira linha com seu nome de arquivo. Aguarde o usuário dizer que ela foi salva. Verifique se o arquivo existe com o nome correto e meça sua duração. Em seguida, mostre a próxima linha.
  4. Ofereça-se para verificar a pasta a qualquer momento: compare arquivos com o índice e liste áudio faltante, com nome incorreto ou muito longo.

Passo 7: Status e finalização

  1. Mantenha audio/status.md atualizado com a tabela na referência de formato. Valores de status: pending, done, needs-manual, skipped.
  2. Atualize project.json: "stage": "voice-prompts-done" após as listas de linhas serem salvas, e "stage": "voice-done" quando cada linha falada tiver um arquivo de áudio e o usuário aprovar o conjunto.
  3. Informe ao usuário os caminhos de audio/ e voice-scripts/, o tempo total de fala em relação ao tempo do vídeo e o que está faltando ou muito longo.
  4. Ofereça-se para salvar a ferramenta de trabalho na configuração (providers.tts), apenas método e nomes.
  5. Ofereça-se para continuar com long-video-sound (efeitos sonoros, ambiente e música de fundo). Inicie-o apenas se o usuário concordar. Não inicie nenhum outro estágio posterior, a menos que o usuário peça e esse estágio exista.

Regras

  • Nunca crie vozes sem a confirmação do usuário no Passo 1.
  • Nunca gere áudio completo antes que as amostras de voz sejam aprovadas.
  • Nunca mude as palavras do roteiro. Se uma linha não couber, pergunte primeiro.
  • Nunca use um id de voz que não veio da própria lista de vozes da ferramenta ou do usuário.
  • Nunca peça chaves de API no chat. Nunca insira senhas ou resolva CAPTCHAs em um navegador.
  • Nunca repita uma chamada de geração silenciosamente para tentar novamente. Cada chamada pode cobrar novamente.
  • Nunca renomeie um arquivo depois que a lista de linhas for aprovada.
  • Mantenha as mensagens do chat curtas. Coloque listas completas de linhas em arquivos.

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

long-video-assets

Video and animation skill. Build the visual foundation for a long video from an approved story. Extracts the recurring characters, environments and key objects, helps the user choose one art style from suggested options (10 at a time, more on request), then writes image generation prompts for every character (portrait plus character sheet), environment and object, all sharing one locked style. Can also generate the images (installed tool, API, MCP or browser) or hand the user a folder and file names to fill. Use after lon

long-video-director

Turn an approved story into a shot-by-shot video script, acting as the director. Asks whether the video uses a narrator or characters who speak (or both), suggests professional filming choices (camera type, lenses, camera movement, lighting, color, pacing), saves them as a separate film style file, then writes a script that matches the project config. Outputs film-style.md and video-script.md. Use after long-video-story (and long-video-assets) are done, or when the user asks for the video script, shot list, camera style or lighting plan.

long-video-keyframes

Create the start and end frame image for every scene (clip) of the approved video script. Writes one image prompt per frame with a fixed file name that holds the scene number and start or end, makes a folder for the images, and can generate the images with an available image tool, or hand the prompts to the user all at once or one by one. Use after long-video-director, or when the user asks for start frames, end frames, keyframes or scene images.

long-video-render

Assemble the finished video and run the review loop. Builds the edit from the clips (or images with camera moves), voice, sound stems and captions, renders a low quality review version with scene numbers and time burned in so a client can review it, collects and applies changes (re-rendering reviews as often as needed), and when the user approves, renders the high quality final video. Uses a video editor with a CLI or MCP (FilmCraft, EffectCraft or another) if one is available and the user wants it, otherwise the bundled ffmpeg renderer. Use after long-video-sound, or when the user asks to render, assemble, export, preview or finalize the video.

long-video-sound

Video and animation skill. Create the sound effects, ambience and background music for the video and place them on the timeline. Plans the sound design from the approved script, sources or makes each sound (Openverse for openly licensed recordings and music, Earshot to make sounds from words and to listen to and judge sounds, Clipwing real-sfx to place real sounds on exact frames), records licences and credits, and mixes separate stems (effects, ambience, music) with the music ducked under speech. Or gives the user a fold

long-video-story

Agree on the story for a long video. The user either supplies a story or asks Claude to write one. When Claude writes, it first asks which story style to use (for example niche discovery, or a provocative-questions narration), runs that style's skill, and revises until the user approves. Use after long-video-setup, or when the user says "story for my video", "give me an idea", or wants to change an unapproved story. Ends only when the user explicitly approves the story.

Habilidades Relacionadas