AI Presenter Video

Проверенное видео с ИИ-ведущим из сценария и одного изображения.

Метаданные навыка

Справочник: полный SKILL.md

AI Presenter Video

Превращает тему (или готовый сценарий) плюс ОДНО авторизованное изображение взрослого ведущего в законченное, готовое к публикации видео с ведущим: зафиксированная озвучка, генерация аватара с контролем липсинка, субтитры, детерминированный монтаж, мастер-версия и версия для соцсетей с нормализацией громкости, а также машинные и визуальные отчёты о приёмке.

Используйте навык и для новых видео с ведущим, И для продолжения, правки, добавления субтитров, починки липсинка или переэкспорта уже существующей задачи. Рабочий процесс не привязан к провайдеру: возможности генерации берутся из того, что реально доступно в сессии (видео- и image-модели FAL через image_generate и плагин генерации видео, TTS через text_to_speech, ASR через инструментарий whisper/STT, ffmpeg — для всего детерминированного).

Портировано из cclank/lanshu-create-ai-presenter-video (MIT). Тело апстрима сохранено по существу дословно в references/; адаптации для Hermes живут в этом хаб-файле. Скрипты детерминированы (без сети, без учётных данных).

Адаптации для Hermes (читать первыми)

• Определение каталога навыка — апстрим жёстко прописывал путь к навыкам собственного агента. В Hermes загрузчик раскрывает ${HERMES_SKILL_DIR} в каталог, куда установлен этот навык, поэтому каждая команда ниже использует этот токен напрямую:

  SKILL_DIR="${HERMES_SKILL_DIR}"

  Переменные оболочки между вызовами инструментов не сохраняются — повторяйте присваивание (или уже раскрытый путь) в каждом терминальном вызове, где оно нужно.

• Соответствие возможностей — там, где справочники говорят «возможность генерации голоса», используйте text_to_speech (OpenAI/Edge/ElevenLabs по конфигу пользователя); «генерация ведущего/аватара» → семейства image-to-video на FAL (Kling, Wan, MiniMax H3 и т. д.) через настроенный видеоинструментарий либо эндпоинт аватара/липсинка, к которому у пользователя есть доступ; «ASR с таймстампами слов» → whisper через STT-инструментарий или faster-whisper в venv; «детерминированный композитор» → фильтр-графы ffmpeg или навык hyperframes, если он установлен (в справочнике по монтажу есть раздел о HyperFrames, который ложится на него напрямую).

• Визуальный контроль — шаги «визуальный просмотр на нормальной скорости» выполняйте через vision_analyze на сгенерированном контактном листе плюс выборочных кадрах (идентичность, тайминг рта, руки, моргание, непрерывность). Числовые проверки берутся из вывода ffprobe в скриптах.

• Согласие на платную генерацию — удалённая генерация аватара/TTS платная. Следуйте правилам работы из апстрима: перед первым платным вызовом назовите загружаемые ресурсы, запрошенные секунды, известную стоимость, размер пилота и потолок повторов — и получите явное согласие пользователя. Никогда не загружайте изображение ведущего удалённому провайдеру, пока remote_upload_approved в job.json не равен true.

• Флаги согласия живут под input — rights_confirmed, adult_presenter_confirmed, remote_upload_approved и voice_clone_approved лежат внутри объекта input в job.json (флаги init выставляют их; при ручной правке целиться нужно в input.*, а не в корень задачи). manual_input_review.* лежит в корне. preflight.py различает errors (блокируют всё) и remote_blockers (блокируют только удалённую генерацию) — локальная работа со скриптами и аудио может продолжаться, пока удалённая заблокирована.

Рабочий процесс

1. Начните или возобновите задачу. Новая задача:

   python3 "$SKILL_DIR/scripts/init_job.py" \
     --job-dir ~/Videos/my-presenter-video \
     --presenter-image /path/to/presenter.png \
     --topic "explain context engineering in one minute" \
     --duration 60 --aspect 9:16 \
     --rights-confirmed --adult-presenter-confirmed

   Для готового файла сценария используйте --script; другие флаги: --voice-sample, --supporting-media, --width, --height, --fps, --watermark, --cta. Для существующей задачи прочитайте job.json и отчёты QA и возобновите работу с самого раннего незавершённого состояния — никогда не перегенерируйте принятую работу.

2. Ручная проверка входных данных. Действительно посмотрите на изображение ведущего (vision_analyze) и послушайте образец голоса, если он есть; результаты зафиксируйте, выставив булевы поля manual_input_review в job.json, например:

   python3 - <<'PY'
   import json
   p = "~/Videos/my-presenter-video/job.json"  # раскройте ~ или используйте абсолютный путь
   import os; p = os.path.expanduser(p)
   j = json.load(open(p))
   j["manual_input_review"].update(image_viewed=True, single_clear_face=True,
                                   image_has_no_unwanted_text=True)
   json.dump(j, open(p, "w"), indent=2)
   PY

   Затем проверка-гейт:

   python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json

   Продолжайте только при ok: true; удалённую генерацию запускайте только при remote_ready: true. Примечание: preflight также обновляет job.json на месте (записывает путь к отчёту) — после запуска перечитайте файл, а не правьте устаревшую копию.

3. Зафиксируйте контент и аудио — прочитайте references/generation.md. Сценарий → полная озвучка через text_to_speech → сверка озвучки со сценарием через ASR → запись реальных длительностей. Зафиксированное аудио — главные часы для всего, что идёт дальше.

4. Спланируйте и сгенерируйте ведущего — прочитайте references/generation.md. Сначала короткий дешёвый пилот; полный прогон только после того, как пилот прошёл проверку идентичности и тайминга рта.

5. Смонтируйте — прочитайте references/editing.md. Детерминированная таймлиния, ведомая зафиксированным аудио; субтитры и выноски с ключевыми словами — только после того, как аудио и медиа финализированы.

6. Проверьте и отдайте результат — прочитайте references/qa-recovery.md, отрендерьте, затем:

   bash "$SKILL_DIR/scripts/finalize_delivery.sh" \
     ~/Videos/my-presenter-video/renders/rendered.mp4 \
     ~/Videos/my-presenter-video/outputs my-video

   Финализатор сохраняет соотношение сторон, выполняет двухпроходную нормализацию громкости (программа ≈ −16 LUFS), создаёт мастер-версию и версию для соцсетей, проверяет декодирование обеих, пишет JSON-отчёт о доставке и выдаёт контактный лист из девяти кадров. Перед тем как объявить работу завершённой, осмотрите контактный лист через vision_analyze.

Правила работы (не обсуждаются)

• Подтверждайте права на изображение, совершеннолетие, согласие на удалённую загрузку и разрешение на клонирование голоса до соответствующего удалённого действия.
• Никогда не выводите и не клонируйте голос реального человека по изображению; используйте авторизованный образец или стоковый голос TTS.
• Фиксируйте полную озвучку до генерации ведущего, тайминга субтитров и окончательных границ сцен.
• В финальной композиции видеоисточники без звука; аудио несут только одобренная озвучка и намеренные дорожки микса.
• Сохраняйте тела запросов к провайдеру и ID задач (без учётных данных и истекающих URL). Прежде чем отправлять заново, опросите прерванную работу — избегайте двойного списания.
• Остановитесь после трёх отклонённых платных кандидатов и опишите характер сбоя.
• Не объявляйте работу завершённой, пока финальные файлы не декодируются полностью и не просмотрен контактный лист или полное воспроизведение.

Значения по умолчанию при минимальном вводе

9:16, 1080×1920, 30fps; видео по теме целятся в 45–75 с; стоковый голос, если нет авторизованного образца; раскладка с ведущим в кадре: хук → 2–4 бита → концовка; без музыки и CTA, если не просили; язык выводится из запроса.

Маршрутизация по справочникам

• references/generation.md — приём входных данных, контент, голос, выбор возможностей, промпты для ведущего, платная генерация, смена провайдера.
• references/editing.md — контракт таймлинии, вступления/концовки, субтитры, пресеты выносок с ключевыми словами, композиция в HyperFrames, экспорт.
• references/qa-recovery.md — техническая приёмка, визуальная приёмка и восстановление после дефектов липсинка/идентичности/рук/экспозиции/ зависаний/субтитров/аудио.

Подводные камни

• preflight.py требует ffprobe; на голой машине сначала установите ffmpeg.
• Булевы поля согласия, выставленные флагами init, ложатся под input.*; правка их в корне job-json молча ничего не делает (preflight продолжает блокировать).
• finalize_delivery.sh нуждается в bash + jq + awk и в полностью декодируемом входе — обрезанный рендер не проходит проверку декодирования намеренно, а не случайно.
• Длинные клипы с аватаром «уплывают»: предпочитайте один непрерывный источник с ведущим, нарезанный по аудио-таймлинии, множеству перегенерированных клипов по главам (дрейф идентичности между перегенерациями — провал номер один при визуальном контроле).
• Эндпоинты i2v на FAL ограничивают длительность (обычно 5–15 с); планируйте сегменты с ведущим на уровне глав соответственно и переиспользуйте seed и параметры пилота ради согласованности там, где эндпоинт это поддерживает.

Проверка

Проверено вручную (август 2026): init_job.py → job.json с корректной машиной состояний; preflight.py правильно блокировал непроверенные входные данные, переключился на ok: true после булевых полей проверки и держал remote_ready: false до input.remote_upload_approved; finalize_delivery.sh на синтетическом рендере 5 с 1080×1920 выдал мастер-версию с проверенным декодированием (631 кбит/с) и версию для соцсетей, JSON-отчёт о доставке и контактный лист из 9 кадров, код выхода 0.