پروجیکٹ کا تعارف
lanshu-create-ai-presenter-video Codex کے لیے ایک عمومی ڈیجیٹل ہیومن ویڈیو سازی کا Skill ہے۔ آپ کو صرف ایک موضوع یا مکمل اسکرپٹ، اور ایک ایسی مجاز حوالہ تصویر فراہم کرنی ہے جس میں واضح طور پر ایک بالغ شخص موجود ہو، پھر یہ Skill ڈیجیٹل ہیومن ویڈیو سازی کے اہم مراحل کو منظم کر سکتا ہے۔
مکمل عمل میں اسکرپٹ کی ترتیب، وائس اوور، کردار کی تخلیق، لپ سنک کی درستگی، سب ٹائٹلز، کلیدی الفاظ کے موشن ایفیکٹس، ایڈیٹنگ، رینڈرنگ اور معیار کی جانچ شامل ہیں۔ پروجیکٹ قابلیت کے انتخاب پر مبنی ہے اور موجودہ ماحول میں دستیاب ٹولز کے ذریعے کام مکمل کرتا ہے۔ سورس کوڈ میں کسی مخصوص سروس فراہم کنندہ، ماڈل کے نام یا نجی API سے وابستگی نہیں رکھی گئی۔
یہ Skill کوئی آزاد ویڈیو جنریشن ماڈل نہیں ہے۔ اسے Codex یا مقامی Skills کے ساتھ ہم آہنگ Agent ماحول میں چلانا ضروری ہے، اور یہ ماحول میں دستیاب ویڈیو جنریشن، اسپیچ جنریشن اور لپ سنک کی صلاحیتوں پر انحصار کرتا ہے۔
اہم خصوصیات
- سروس فراہم کنندہ سے آزاد: ورک فلو کسی ایک ماڈل، پلیٹ فارم یا نجی API پر منحصر نہیں ہے۔
- مکمل پروڈکشن سلسلہ: ان پٹ کی جانچ، اسکرپٹ اور وائس اوور سے لے کر ایڈیٹنگ، سب ٹائٹلز، کور، ایکسپورٹ اور معیار کی جانچ تک ہر مرحلے کے لیے متعلقہ عمل موجود ہے۔
- متحد ٹائم بیس: مکمل وائس اوور کو پوری ویڈیو کی ٹائم لائن بنایا جاتا ہے، جس کے مطابق کردار کی ویڈیو، سب ٹائٹلز، شاٹس، کلیدی الفاظ اور ٹرانزیشنز کی پوزیشن طے کی جاتی ہے۔
- مرحلہ وار حوالہ مواد: Codex متعلقہ دستاویزات صرف متعلقہ مرحلے میں داخل ہونے پر پڑھتا ہے، جس سے سیاق و سباق کے استعمال میں کمی آتی ہے۔
- لاگت پر قابو: پہلے کم لاگت کا کردار ٹیسٹ کلپ بنایا جاتا ہے، جبکہ معاوضہ جنریشن کی وضاحت، دوبارہ کوششوں کی حد اور تعطل کے بعد بحالی کے اصول مقرر کیے جاتے ہیں۔
- سکیورٹی اور رازداری کی پابندیاں: کردار کی تصویر یا آواز کلون کرنے سے پہلے اجازت کی تصدیق کی جاتی ہے۔ ریپوزٹری میں API keys، access tokens یا صارف کا مواد محفوظ نہیں کیا جاتا۔
- معیاری ڈیلیوری: ورک فلو کے اہداف میں ماسٹر، شیئرنگ ورژن اور QA رپورٹ کی تیاری شامل ہے۔
ان پٹ اور رن ٹائم ماحول کی تیاری
کم از کم ان پٹ
- ویڈیو کا ایک موضوع یا مکمل اسکرپٹ۔
- ایک مجاز حوالہ تصویر جس میں واضح طور پر ایک بالغ شخص موجود ہو۔
آپ آواز کا نمونہ، اسکرین ریکارڈنگ، تصاویر، B-roll، برانڈ مواد، ہدف پلیٹ فارم، ویڈیو کا دورانیہ، افقی یا عمودی تناسب، بصری انداز، واٹرمارک اور اختتامی کال ٹو ایکشن بھی فراہم کر سکتے ہیں۔ آواز کا نمونہ صرف متعلقہ اجازت حاصل ہونے کے بعد ہی آواز کلون کرنے کے لیے استعمال کیا جا سکتا ہے۔
ماحولیاتی تقاضے
- Codex یا مقامی Skills کے ساتھ ہم آہنگ Agent ماحول۔
- Python
3.9+۔ FFmpegاورffprobe۔- Bash،
jq،awkاورsed۔ - موجودہ ماحول میں قابل استعمال ویڈیو جنریشن، اسپیچ جنریشن اور لپ سنک کی کم از کم ایک صلاحیت۔
ٹاسک شروع کرنے سے پہلے تصدیق کریں کہ یہ کمانڈز اور جنریشن کی صلاحیتیں موجودہ ماحول میں دستیاب ہیں۔ پروجیکٹ ریپوزٹری GitHub پر دیکھی جا سکتی ہے۔
Skill انسٹال کریں
ریپوزٹری کو Codex کی Skill ڈائریکٹری میں کلون کرنے کے لیے درج ذیل کمانڈ چلائیں:
git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git \
~/.codex/skills/lanshu-create-ai-presenter-videoانسٹالیشن مکمل ہونے کے بعد راستہ یہ ہونا چاہیے:
~/.codex/skills/lanshu-create-ai-presenter-videoڈائریکٹری کا ڈھانچہ سمجھیں
lanshu-create-ai-presenter-video/
├── SKILL.md
├── README.md
├── agents/
│ └── openai.yaml
├── assets/
│ └── job.template.json
├── references/
│ ├── generation.md
│ ├── editing.md
│ └── qa-recovery.md
└── scripts/
├── init_job.py
├── preflight.py
└── finalize_delivery.shتین حوالہ دستاویزات مختلف پروڈکشن مراحل کے لیے استعمال ہوتی ہیں:
generation.md：ان پٹ کی جانچ، اسکرپٹ، آواز، صلاحیت کا انتخاب، معاوضہ جنریشن، کردار کے پرامپٹس اور یکسانیت۔editing.md：ٹائم لائن، آغاز اور اختتام، سب ٹائٹل پری سیٹس، کردار کے ساتھ کلیدی الفاظ کے موشن ایفیکٹس، کور اور ایکسپورٹ۔qa-recovery.md：تکنیکی جانچ، دستی جانچ اور عام خرابیوں کی اصلاح۔
طریقہ اول: گفتگو میں براہ راست ویڈیو بنائیں
استعمال کا آسان ترین طریقہ یہ ہے کہ Codex گفتگو میں Skill کو واضح طور پر کال کریں اور ساتھ ہی اسکرپٹ، کردار کی تصویر اور حتمی ویڈیو کی ضروریات فراہم کریں۔ مثال کے طور پر:
使用 $lanshu-create-ai-presenter-video，把这份文案和人物图做成一条 16:9、30 秒、有实时字幕的数字人讲解视频。درخواست جمع کرتے وقت مواد کا مقام، ہدف پلیٹ فارم، دورانیہ، فریم تناسب، سب ٹائٹل کی قسم، انداز، واٹرمارک اور اختتامی کال ٹو ایکشن بھی بیان کرنا بہتر ہے۔ اگر مجاز آواز کا نمونہ موجود نہ ہو تو ڈیفالٹ طور پر مناسب اسٹاک آواز استعمال کی جائے گی، آواز کو خود سے کلون نہیں کیا جائے گا۔
طریقہ دوم: معیاری ٹاسک ڈائریکٹری شروع کریں
ایسے پروجیکٹس کے لیے جن میں کنفیگریشن کی جانچ، ٹاسک ریکارڈ محفوظ رکھنا یا مرحلہ وار عمل درآمد درکار ہو، پہلے ریپوزٹری اسکرپٹ کے ذریعے معیاری ٹاسک ڈائریکٹری بنائی جا سکتی ہے۔
پہلا مرحلہ: Skill کا راستہ مقرر کریں
SKILL_DIR=~/.codex/skills/lanshu-create-ai-presenter-videoدوسرا مرحلہ: ٹاسک شروع کریں
python3 "$SKILL_DIR/scripts/init_job.py" \
--job-dir ~/Videos/my-presenter-video \
--presenter-image ~/Pictures/presenter.png \
--topic "ویڈیو کا موضوع" \
--duration 60 \
--aspect 9:16 \
--rights-confirmed \
--adult-presenter-confirmedیہ مثال 9:16 تناسب اور 60 سیکنڈ دورانیے والا ٹاسک بناتی ہے۔ --rights-confirmed ظاہر کرتا ہے کہ کردار کی تصویر کے استعمال کے حقوق کی تصدیق ہو چکی ہے، جبکہ --adult-presenter-confirmed ظاہر کرتا ہے کہ حوالہ تصویر میں موجود شخص بالغ ہے۔
متعلقہ تصدیقی پیرامیٹرز صرف اجازت اور کردار کی حیثیت کی جانچ مکمل ہونے کے بعد استعمال کیے جائیں۔ ریموٹ اپ لوڈ سے پہلے ٹاسک کنفیگریشن میں اجازت کی معلومات دوبارہ چیک کریں۔
تیسرا مرحلہ: job.json مکمل کریں
ابتدائی عمل کے بعد ٹاسک ڈائریکٹری میں جائیں اور تیار کردہ job.json دیکھیں۔ ٹاسک کی اصل صورت حال کے مطابق دستی جانچ کے نکات اور ریموٹ اپ لوڈ کی اجازت مکمل کریں۔ غیر مجاز کردار کی تصویر، آواز کا نمونہ یا دیگر مواد ریموٹ سروس کو نہ بھیجیں۔
چوتھا مرحلہ: پری فلائٹ چلائیں
python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.jsonپری فلائٹ رسمی جنریشن سے پہلے ٹاسک کنفیگریشن کی جانچ کے لیے استعمال ہوتا ہے۔ پری فلائٹ میں سامنے آنے والے مسائل پہلے حل کریں، پھر ایسے ویڈیو، آواز یا لپ سنک کے مراحل میں داخل ہوں جن پر لاگت آ سکتی ہے۔
مکمل پروڈکشن ورک فلو سمجھیں
- موضوع یا اسکرپٹ اور کردار کی تصویر وصول کریں: مواد کے قابل استعمال ہونے کی تصدیق کریں اور تصویر کی اجازت و بالغ کردار کی حیثیت چیک کریں۔
- اسکرپٹ اور مکمل وائس اوور کو حتمی بنائیں: پہلے حتمی بیان کردہ مواد طے کریں، پھر پوری ویڈیو کا وائس اوور تیار کریں۔
- کم لاگت کا کردار ٹیسٹ کلپ بنائیں: بڑے پیمانے پر معاوضہ جنریشن سے پہلے کردار کے اثر اور تکنیکی راستے کی تصدیق کریں۔
- مسلسل ڈیجیٹل ہیومن ماسٹر مواد تیار کریں: تصدیق شدہ وائس اوور اور کردار کی ترتیبات کے مطابق مرکزی مناظر بنائیں۔
- اسی آڈیو ٹائم لائن کے مطابق ایڈیٹنگ کریں: کردار کی ویڈیو، سب ٹائٹلز، شاٹس، کلیدی الفاظ اور ٹرانزیشنز کے لیے ایک ہی وقت کا معیار استعمال کریں۔
- سب ٹائٹلز، کلیدی الفاظ کے موشن ایفیکٹس اور کور شامل کریں: معلومات کو نمایاں کریں اور اشاعت کے لیے پیکیجنگ مکمل کریں۔
- معیار کی جانچ کریں: لپ سنک، کردار کی یکسانیت، آواز اور بصری معیار چیک کریں۔
- ڈیلیوری مکمل کریں: ماسٹر، شیئرنگ ورژن اور QA رپورٹ تیار کریں۔
مکمل وائس اوور ورک فلو کا اہم معیار ہے۔ پہلے آڈیو کو حتمی بنائیں، پھر اسی کے مطابق ویڈیو اور سب ٹائٹلز ترتیب دیں۔ اس سے لپ سنک میں بہاؤ اور مختلف حصوں کے درمیان جوڑ کے مسائل کم ہوتے ہیں۔
ڈیفالٹ آؤٹ پٹ سیٹنگز
اگر زیادہ مخصوص تقاضے فراہم نہ کیے جائیں تو ورک فلو درج ذیل ڈیفالٹ سمت اختیار کرتا ہے:
- عمودی ویڈیو
9:16، ریزولوشن1080×1920، فریم ریٹ30fps۔ - موضوع کی بنیاد پر تیار کی جانے والی ویڈیو عموماً 45 سے 75 سیکنڈ کی ہوتی ہے۔
- مجاز آواز کا نمونہ نہ ہونے پر مناسب اسٹاک آواز استعمال کی جاتی ہے۔
- ساخت میں عموماً واضح آغاز، 2 سے 4 مواد کے بیٹس اور مختصر اختتام شامل ہوتا ہے۔
- موسیقی اور تجارتی کال ٹو ایکشن ضرورت کے مطابق شامل کیے جاتے ہیں۔
- اشاعت کے لیے ہدف لاؤڈنس تقریباً
-16 LUFSہے۔
اگر ہدف افقی ویڈیو ہو تو گفتگو کی مثال کی طرح 16:9 واضح طور پر مقرر کریں۔ اگر مختصر ویڈیو پلیٹ فارم کے لیے مواد بنانا ہو تو ڈیفالٹ 9:16 برقرار رکھیں، یا ٹاسک شروع کرتے وقت --aspect 9:16 کے ذریعے اسے واضح طور پر مقرر کریں۔
جدید استعمال کی تجاویز
پہلے وائس اوور حتمی بنائیں، پھر تمام بصری عناصر ترتیب دیں
سب ٹائٹلز، شاٹس اور کردار کے کلپس کے لیے ایک دوسرے سے غیر متعلق ٹائم لائنز نہ بنائیں۔ پہلے مکمل وائس اوور تیار اور منظور کریں، پھر سب ٹائٹلز، کردار کی ویڈیو، کلیدی الفاظ کے موشن ایفیکٹس اور ٹرانزیشنز کو اسی آڈیو کے ساتھ ہم آہنگ کریں۔ اس سے مجموعی مطابقت بہتر ہوتی ہے۔
معاوضہ جنریشن سے پہلے ٹیسٹ کلپ بنائیں
پہلی مرتبہ معاوضہ جنریشن شروع کرنے سے پہلے اپ لوڈ ہونے والے مواد، جنریشن کا دورانیہ، قیمت کی بنیاد، ٹیسٹ کلپ کا منصوبہ اور دوبارہ کوششوں کی حد واضح کریں۔ کم لاگت کا ٹیسٹ کلپ کردار کی ظاہری شکل، لپ سنک یا ٹول کی مطابقت کے مسائل پہلے ظاہر کر سکتا ہے، جس سے مکمل ویڈیو کے ضیاع سے بچا جا سکتا ہے۔
تعطل کے بعد موجودہ ٹاسک بحال کریں
اگر ریموٹ ٹاسک میں تعطل آ جائے تو فوراً دوبارہ جمع نہ کریں۔ پہلے موجودہ ٹاسک ID تلاش کریں اور تصدیق کریں کہ ٹاسک اب بھی چل رہا ہے یا نتیجہ تیار ہو چکا ہے، تاکہ دوہری فیس سے بچا جا سکے۔ مسلسل تین معاوضہ امیدوار ناکام ہونے کے بعد مزید جنریشن روک دیں اور مسئلے کا خلاصہ تیار کریں۔
تکنیکی اور دستی جانچ میں فرق رکھیں
تکنیکی جانچ فائل اور میڈیا کی سطح کی خرابیوں کا احاطہ کر سکتی ہے، جبکہ دستی جانچ میں لپ سنک کی فطری کیفیت، کردار کی یکسانیت، آواز کی مناسبت، سب ٹائٹلز کی خواندگی اور اشاعت کے تقاضوں سے مطابقت پر توجہ دینی چاہیے۔ متعلقہ جانچ اور خرابی سے بحالی کے اصول references/qa-recovery.md میں موجود ہیں۔
ٹاسک ریکارڈ اور مواد کی رازداری محفوظ رکھیں
- API keys، access tokens یا دستخط شدہ ڈاؤن لوڈ URLs کو ریپوزٹری میں نہ لکھیں۔
- ٹاسک کی سطح کے درخواست ریکارڈ جمع کرنے سے پہلے credentials اور عارضی URLs ہٹا دیں۔
- پری فلائٹ اور ڈیلیوری رپورٹس میں صرف فائل کے نام رکھیں، ڈویلپر کی مشین کے مطلق راستے شامل نہ کریں۔
- ریموٹ اپ لوڈ سے پہلے کردار کی تصویر کے استعمال کے حقوق کی تصدیق کریں۔
- آواز کلون کرنے کی صلاحیت استعمال کرنے سے پہلے آواز کی اجازت کی تصدیق کریں۔
اختتامیہ
lanshu-create-ai-presenter-video ڈیجیٹل ہیومن ویڈیو سازی کو قابل جانچ اور قابل بحالی معیاری مراحل میں تقسیم کرتا ہے، جبکہ متحد وائس اوور ٹائم لائن کے ذریعے لپ سنک اور ایڈیٹنگ کے جوڑ کے مسائل کم کرتا ہے۔ Skill انسٹال کرنے کے بعد آپ Codex گفتگو میں براہ راست ٹاسک شروع کر سکتے ہیں، یا پہلے job.json کو ابتدائی طور پر تیار کر کے پری فلائٹ چلا سکتے ہیں، تاکہ اجازت، لاگت، جنریشن کے عمل اور حتمی معیار پر زیادہ سخت کنٹرول رکھا جا سکے۔
یہ پروجیکٹ MIT License کے تحت ہے، جس کے باعث اسے آزادانہ طور پر استعمال، تبدیل اور تقسیم کیا جا سکتا ہے۔ استعمال سے متعلق رائے GitHub Issue کے ذریعے جمع کرائی جا سکتی ہے، جبکہ ورک فلو، مطابقت اور معیار کی جانچ میں بہتری Pull Request کے ذریعے پیش کی جا سکتی ہے۔