Treemation — Vídeos Educativos 3D
Esta skill produz vídeos como o exemplo em examples/zenhosta/ ("Kok website bisa online?"):
um host de pele pixelada (personagem estilo jogo sandbox com rosto anime pixelado) adaptado ao
contexto do usuário, o mascote "Byte", uma câmera que alterna tomadas (close-up do rosto, close-up do mascote,
foco em ilustração 3D, aberta, ângulo baixo), fundos cujo tema segue o tópico, um rótulo de etapa no
topo com barra de progresso, um palco 3D flutuante para objetos, cenários 3D (salas/locais inteiros — data
center, escritório, armazém, cidade, ou o seu próprio — construídos atrás do host, que flutua na frente deles,
então a câmera voa para dentro), painéis de UI que aparecem exatamente quando uma palavra é dita, legendas
grandes (palavras-chave em amarelo), e um host cuja boca segue a voz.
Toda comunicação com o usuário é em Bahasa Indonesia (roteiros, legendas e respostas no chat).
Regras de ativação (leia primeiro — uma frase do usuário é suficiente)
A. O usuário nomeia um tópico — ex: "buat konten edukasi apa itu domain", "bikin video soal cara kerja email, CTA ke tokoku.id", "konten tiktok: kenapa harga emas naik".
- Isso é um pedido para criar conteúdo, não uma pergunta. Não explique o tópico no chat, não resuma o material e não pergunte de volta ("mau durasi berapa?", "target penontonnya siapa?", "pakai CTA?").
- Vá direto para Etapa 1 com os padrões abaixo, então responda no formato da Etapa 1
(
references/output-format.md): roteiro pronto para copiar no ElevenLabs, personagem, thumbnail, tabela de cenas, caminho paravideo-plan.json. Finalize com uma frase: "Kirim MP3 dari ElevenLabs, nanti langsung aku jadikan video." - Padrões quando não especificados: duração ±60–70 s (120–150 palavras), 2–4 etapas dependendo do
tópico, personagem de
karakter.md(contexto do usuário → nicho → predefiniçãoraka), CTA de encerramento "Follow buat konten edukasi lainnya!" (sem marca). Se o usuário nomear uma marca/URL, o CTA a utiliza. Cada padrão pode ser alterado posteriormente — mencione-os brevemente na resposta, não pergunte primeiro. - Se o tópico depender de fatos que podem mudar (preços, regulamentações, dados recentes) e você tiver acesso à web, verifique primeiro; caso contrário, escreva um roteiro que não dependa de números atuais.
B. O usuário envia um MP3 (com ou sem mensagem) — execute a Etapa 2 até o fim sem
pedir confirmação: encontre o projeto, alinhe, escreva scenes.js, verifique os stills, renderize,
thumbnail, codifique, verifique o resultado, então responda no formato da Etapa 2.
- Encontrar o projeto:
python <skill>/scripts/find_project.pylista projetos e seus status. Use o projeto cujoplan.jsonexiste mas ainda não tem áudio (o mais recente). O nome do arquivo MP3 ou uma mensagem do usuário nomeando o tópico supera a ordem cronológica. Faça uma pergunta curta apenas quando vários candidatos forem igualmente plausíveis. - Nenhum projeto → peça ao usuário para colar o texto lido no ElevenLabs (o alinhamento precisa do
texto exato), então construa
plan.jsonem torno desse texto sem alterar suas palavras, e continue com a Etapa 2. - Duração do áudio muito distante da estimativa (> 25 %) ou
align.pysinalizar muitas frases com<-- cek→ o texto provavelmente foi editado no ElevenLabs. Peça o texto usado, atualize a narração no plano e repita. - As únicas razões para parar no meio: uma dependência faltando (peça permissão uma vez para instalá-la) ou um erro que você não consegue corrigir sozinho.
- Uma renderização completa pode levar um tempo; execute-a em segundo plano, faça o thumbnail enquanto espera e publique pequenas atualizações de progresso quando a sessão permitir.
C. O usuário pede uma revisão ("ganti karakternya jadi cewek berhijab", "judul thumbnail
lebih singkat", "warna merek biru") → altere plan.json/scenes.js no mesmo projeto. Antes
que um MP3 exista: reenvie apenas as partes da resposta da Etapa 1 que mudaram. Se a narração mudar,
lembre o usuário de que o MP3 deve ser regerado. Após o vídeo estar pronto: re-renderize apenas o que for
necessário (apenas thumbnail, ou o vídeo completo).
O formato de resposta do chat para ambas as etapas está em references/output-format.md — siga-o exatamente.
Pasta do projeto
Um vídeo = uma pasta video-<topico-curto>/ (minúsculas, hífens, ex: video-apa-itu-domain)
no diretório de trabalho. Crie-a na Etapa 1 e configure-a uma vez:
python <skill>/scripts/setup_project.py video-<topico>
Isso copia o motor (index.html, engine.js, pixelchar.js), instala three.js + fontes +
ícones via npm, cria icons.js e verifica ffmpeg/numpy/playwright. Se uma linha começar com
PERLU:, instale o que ela nomeia primeiro (peça permissão ao usuário antes de instalar algo no
sistema deles).
Conteúdo da pasta quando pronto: plan.json (você escreve), scenes.js (você escreve), narasi.mp3,
naskah-elevenlabs.txt, video-plan.json, timeline.js/json, frames/, previews/, video.mp4.
Etapa 1 — conceito → roteiro + plano de cenas
- Leia
references/naskah-dan-plan.md(como escrever o roteiro, o esquema deplan.json, a lista de poses, expressões, ações do mascote e efeitos sonoros). - Escolha o personagem host do contexto do usuário (leia
references/karakter.md) e escreva-o emcharactersno plan.json. Executepython <skill>/scripts/preview_characters.py <projeto> --plane veja o resultado; incluapreviews/karakter.pngna resposta quando possível. - Leia
references/hook.md. Escreva 3 versões de hook (tipos diferentes) e escolha o mais forte para a primeira frase da narração +hookno plan.json (texto grande na tela, alternativas). A cena 1 deve satisfazer a regra das três camadas: um plano forte em@start, um efeito sonoro na primeira palavra, sem saudação/introdução. - Escreva
plan.json: 6–9 cenas seguindo hook → introdução (número de pontos) → etapas 1..n → recapitulação → CTA, além dethumbnail(título da capa, objetos a mostrar, expressão do host) — veja a seção "Thumbnail". Planeie osshotse obackgroundde cada cena ao mesmo tempo (seções "Shot kamera" e "Latar adaptif"). Mire em 120–150 palavras no total (≈ 60–70 segundos no ElevenLabs). Se uma etapa for sobre um lugar (sala de servidores, armazém, escritório, rua, sala de aula, fábrica…), leiareferences/sets.mde usesetpara essa cena (1–2 sets por vídeo): o host flutua na frente de uma sala 3D, a câmera se move para ospot:nomeado na narração,markaponta para suas partes,fxo traz à vida. Um lugar que não estiver entre os sets embutidos → construa-o comdefineSet()emscenes.js(Etapa 2). - Execute
python <skill>/scripts/plan_timing.py <projeto>→ criavideo-plan.json(tempo estimado) enaskah-elevenlabs.txt. Verifique a saída: toda palavra de gatilho deve ser encontrada, deve imprimir "Cek hook: OK" e, quando sets forem usados, "Cek set 3D: OK" — corrija cada aviso ⚠ e execute novamente. Opcional para vídeos com sets:plan_timing.py <projeto> --previewtambém escreve umtimeline.jsestimado, entãorender.py --stillspode verificar a aparência do set antes de o MP3 existir (precisa descenes.js; na Etapa 1, uma única linha é suficiente:import { register } from './engine.js'; register({});). - Responda ao usuário no formato da Etapa 1 de
references/output-format.md: bloco de roteiro pronto para copiar, notas de pronúncia, tabela de cenas com minutos e o caminho dovideo-plan.json. Peça o MP3.
Etapa 2 — MP3 → vídeo
- Salve o áudio como
<projeto>/narasi.mp3. - Certifique-se de que a narração em
plan.jsoné exatamente o que foi lido (o usuário pode ter editado o roteiro no ElevenLabs — pergunte se não tiver certeza, ou verifique a duração: uma grande diferença da estimativa significa que o texto difere). python <skill>/scripts/align.py <projeto> --whisper→timeline.js,timeline.json,video-plan.jsonsincronizados. Com--whisper(precisa depip install faster-whisper; o primeiro download do modelo é de ±500 MB) o tempo de cada palavra vem do reconhecimento de fala real, então as legendas no estilo karaokê e a sincronização labial acertam exatamente; sem ele, é usado alinhamento de pausa + sílaba. Se o faster-whisper não estiver instalado, o script volta automaticamente para o método antigo. Olhe a lista de frases: linhas marcadas<-- cektêm durações suspeitas, geralmente porque o texto difere do áudio ou o ElevenLabs pausou em algum lugar inesperado. Corrija o texto no plano, se necessário, e execute novamente.- Leia
references/engine-api.md(ereferences/sets.mdse o plano usarset), então escreva<projeto>/scenes.js. Comece copiando os padrões emexamples/zenhosta/scenes.js. Todos os tempos usamT(id_cena, 'palavra'), nunca segundos brutos — assim tudo permanece sincronizado se o áudio for substituído. - Verificação visual antes da renderização completa:
python <skill>/scripts/render.py <projeto> --stills <3–4 segundos por cena>então olhe as imagens em<projeto>/previews/. Tire pelo menos um still por shot (para sets: um porspot:e um enquanto o set está sendo construído). Verifique: painéis não cobrem o rosto do host, nada está cortado nas bordas, legendas são legíveis, objetos aparecem no palco, sem erros de página. Corrija e repita até ficar limpo. Este é o passo mais importante para a qualidade. Para verificar movimento (personagens se afastando, transições de fundo, cortes de câmera), renderize um clipe curto com som:python <skill>/scripts/render.py <projeto> --clip 10 18→previews/clip_10-18.mp4. - Renderização completa:
python <skill>/scripts/render.py <projeto>(retomável se interrompido;--workers Npara CPUs com muitos núcleos). Se o computador tiver placa gráfica, primeiro verifiquerender.py <projeto> --gpu --check-gpu; se o renderizador não for SwiftShader, renderize com--gpu(3–10× mais rápido). Compare um still--gpucom a versão CPU antes da renderização completa. Aproximadamente 0,3–0,6 s por quadro por worker. Execute em segundo plano e monitore o progresso se demorar muito. - Música de fundo: se o usuário enviar um arquivo de música (ou
musicestiver definido em plan.json), use-o com abaixamento automático (a música abaixa enquanto a narração fala). Sem arquivo, use--music auto(música simples gerada por código, livre de royalties) e mencione na resposta que o usuário pode substituí-la pela música de sua escolha — nunca use músicas protegidas por direitos autorais. - Thumbnail:
python <skill>/scripts/thumbnail.py <projeto>→<projeto>/thumbnail.png(capa 1080×1920) epreviews/thumbnail-cek.png(guias de área segura). Olhe a imagem de verificação: título e rosto do host dentro da caixa vermelha, título não cobrindo o rosto, objetos visíveis. Ajusteprops_from,stageoutitle_ye repita. Pode ser feito enquanto a renderização completa roda. python <skill>/scripts/encode.py <projeto> <nome>.mp4 [--music arquivo.mp3|auto]→ efeitos sonoros são gerados automaticamente, mixados suavemente sob a narração (+ música com abaixamento), então codificados para um MP4 H.264 + AAC 1080×1920 a 30 fps.- Verifique alguns quadros do MP4 final (ffmpeg
-ss <segundos> -frames:v 1), então responda no formato da Etapa 2 dereferences/output-format.md.
Princípios
- Sincronia primeiro, beleza depois. Cada visual aparece na palavra que o explica. Um painel que aparece antes de sua palavra ser dita parece errado.
- Hook antes do conteúdo. Os primeiros 3 segundos decidem se o vídeo será assistido: frase de hook
≤ 14 palavras sem saudação, texto grande na tela que não copia a narração,
personagens/objetos se movendo desde o primeiro quadro, e a promessa começa a ser respondida antes do
segundo 8 (
references/hook.md). - Uma câmera viva, não estática. Cada cena tem pelo menos 2 shots (
host_close,host_medium,mascot_close,illustration,wide,low_angle) com um corte ou movimento na palavra certa — close-ups para hook/punchline/CTA,illustrationenquanto objetos são discutidos (os personagens desaparecem ou deslizam para fora do quadro primeiro, depois retornam),mascot_closepara reações. Painéis de UI devem permanecer dentro da zona segura do shot ativo. - Fundos seguem o tópico. Cada cena (ou palavra-chave) tem um
background: tema de cor, padrão de partículas e ícones de motivo que combinam com o conteúdo — frio usa azul gelo + neve, servidores usam código binário, o CTA usa cores quentes/de marca. Um fundo estático de cor única para o vídeo inteiro parece chato. - A boca segue as vogais. A sincronização labial usa 5 formas de boca A, I, U, E, O seguindo a ordem
das vogais de cada palavra — "aku mau makan" → A U A U A A — e fecha nas pausas. Palavras estrangeiras são lidas por
sua pronúncia via
pronunciation(references/karakter.md). - Personagens nunca bloqueiam a câmera. Ao focar em uma ilustração, os personagens
desaparecem instantaneamente (
hide, para cortes) ou deslizam direto para o lado antes de a câmera se mover (slide, para movimentos) — sem se virar, sem andar na frente da câmera. Para variedade (apenas quando necessário), um personagem pode aparecer de baixo, do lado ou de cima viaenter. - Um lugar se torna um palco, não um pano de fundo. Quando a narração fala sobre um lugar, construa-o como um cenário 3D atrás do host (não uma imagem de fundo): o host flutua na frente dele explicando, então a câmera se move para a parte sendo mencionada e volta para o host. Objetos únicos permanecem na ilha flutuante.
- Uma ideia por momento. A área superior (y 230–900 px) contém uma coisa principal de cada vez: um painel de UI ou um objeto 3D grande. Limpe os elementos da cena anterior.
- Personagens originais e adequados ao contexto. O host de pele pixelada é construído a partir de uma especificação (predefinição + penteado, roupa, cores, acessórios, hijab) escolhida da descrição, marca e nicho do usuário. Não copie peles/personagens de outros criadores, personagens de jogos ou mascotes de marca — de imagens de referência, pegue apenas o estilo.
- Fatos precisos. Roteiros educacionais devem estar corretos; números de exemplo usam faixas de
documentação (ex: IP
203.0.113.x) ou rótulos claros. Nunca invente estatísticas. - CTA honesto. Declare a marca/URL do usuário conforme fornecida, sem alegações que ele não deu (preços, promoções, "o melhor", prazos falsos).
- Vivo a cada segundo. Legendas no estilo karaokê, um zoom em palavras-chave, um aceno em palavras enfatizadas, olhos olhando para o que é apontado, números aparecendo conforme são mencionados — cada quadro avança. Nenhum momento parado.
Referências
Toda a documentação referenciada está na pasta references/ dentro da skill:
| Arquivo | Uso |
|---|---|
output-format.md | Formato de resposta do chat para as Etapas 1 e 2 (obrigatório) |
naskah-dan-plan.md | Como escrever o roteiro e o esquema de plan.json |
karakter.md | Personagens host: predefinições, estilos, acessórios, hijab, seleção por nicho |
hook.md | Tipos de hook, regra dos primeiros 3 segundos, alternativas de texto na tela |
engine-api.md | API do motor 3D: register(), T(), shots, backgrounds, sets, mascote |
sets.md | Sets 3D embutidos: salas, lugares; como usá-los e definir os próprios |
Para respostas do chat (ambas as etapas): veja references/output-format.md.