vox-director: ein Agent-Skill, der aus einem Satz ein Paper-Collage-Video baut

Ein Thema, sieben Schritte, zwei Haltepunkte

Das Projekt adressiert einen konkreten Engpass: erklärende Kurzvideos im Stil moderner Redaktionsformate entstehen normalerweise in mehreren Werkzeugen. Storyboard, Bildmaterial, Animation, Sprechertext, Musik und Untertitel werden getrennt bearbeitet, und jede Übergabe kostet Zeit. vox-director bündelt diese Schritte hinter einer einzigen Beschreibung. Laut README genügt ein Satz als Eingabe, das Ergebnis ist eine mp4. Adressaten sind damit weniger Filmemacher als Teams, die regelmäßig erklärende Inhalte produzieren und dabei auf einen coding agent als Bedienoberfläche setzen. Der Skill ist ausdrücklich für Agenten wie Claude Code oder Codex gedacht, die einen Workflow lesen und Skripte ausführen können.

beats.json als einziger Zustandsträger

Die Architektur ist als Kette aus sechs Stufen beschrieben, die alle über eine Datei namens beats.json pro Projekt zusammengehalten werden. Zuerst wird eine Erzählstruktur gewählt und in Beats zerlegt. Danach folgt ein Style-Bake-off, bei dem derselbe Beat in drei bis vier Themes gerendert wird. Stufe drei erzeugt pro Beat ein Collage-Poster über google/nano-banana-2/text-to-image, Stufe vier animiert dieses Poster, Stufe fünf erzeugt Sprechertext über xai/tts-v1 und Musik über minimax/music-2.6, Stufe sechs fügt alles mit ffmpeg zusammen, inklusive Musik-Ducking unter der Stimme sowie eingebrannter Untertitel und Wasserzeichen. Bemerkenswert ist die Reihenfolge: Die gesamte Collage-Ästhetik, also Risskanten, Halbtonpunkte, Zeitungsausschnitte und die großen Schlagzeilen, entsteht bereits im Bildschritt. Die README formuliert das als eigene Designregel: Wenn das Poster keine reichhaltige Collage ist, rettet nichts in den nachfolgenden Stufen das Ergebnis. Bewegung kommt erst danach hinzu.

Drei Eingabemodi auf einer Engine

Neben dem Standardpfad, den die README B-roll nennt, beschreibt das Repository zwei weitere Modi, die dieselbe Engine wiederverwenden. Bei A-roll liegt bereits ein Talking-Head-Video vor. Dieses wird per ASR in Beats segmentiert und über google/gemini-omni-flash/video-edit in den Collage-Look überführt, wobei Gesicht, Lip-Sync und Gestik frame-genau erhalten bleiben sollen; schlägt das fehl, weicht die Pipeline laut README automatisch auf seedance-2.0/reference-to-video aus. Bei C-roll existiert nur ein Standbild. Die Person oder das Produkt wird als fotografischer Sticker freigestellt, nicht neu gezeichnet, und die Poster der einzelnen Beats werden über google/nano-banana-2/edit darum herum gebaut. Die Stimme kann in diesem Modus auf die Stimme der abgebildeten Person geklont werden, technisch über bytedance/seed-audio-1.0. Für echte Personen und Marken nennt die Modelltabelle außerdem kwaivgi/kling-video-o3-pro/image-to-video als Animationspfad, weil dort offenbar andere Filter- und Ähnlichkeitsanforderungen gelten.

Installation über den Skill-Ordner

Der Weg hinein ist bewusst schmal gehalten. Für Claude Code klont man das Repository direkt in den Skill-Ordner, in der README als git clone https://github.com/Alisa0808/vox-director.git ~/.claude/skills/vox-director angegeben. Alternativ lässt sich die mitgelieferte Datei vox-director.skill über die Skill-Oberfläche installieren. Danach muss ein Atlas-Cloud-Schlüssel als Umgebungsvariable gesetzt werden, im Beispiel export ATLASCLOUD_API_KEY="sk-...". Für andere Agenten verweist das Repository auf AGENTS.md als Einstieg und von dort auf SKILL.md. An Systemvoraussetzungen nennt die README einen coding agent, den API-Schlüssel, ffmpeg samt ffprobe (brew install ffmpeg) sowie Python 3 mit Pillow (pip install pillow) für die Untertitel- und Wasserzeichen-Overlays. Gestartet wird nicht über ein Kommandozeilenwerkzeug, sondern über eine Anfrage an den Agenten, etwa mit Thema, Sprache, Seitenverhältnis und Dauer.

Der Preis der Automatisierung liegt in der Bildqualität

Die zentrale Einschränkung steckt in der Designregel selbst. Weil das gesamte Erscheinungsbild im Keyframe-Schritt entsteht und die Animation nur noch darauf aufsetzt, ist die Qualität des Posters der Flaschenhals der ganzen Kette. Ein Modell, das eine saubere, aber flache Illustration liefert, lässt sich in Stufe vier und fünf nicht mehr in eine überzeugende Collage verwandeln. Die README räumt das indirekt ein, wenn sie betont, dass nichts stromabwärts das Poster rettet. Ein zweiter Punkt betrifft die Reproduzierbarkeit: Die Modell-IDs können sich ändern, weshalb der Skill vor jedem Lauf die aktuelle Liste über GET https://api.atlascloud.ai/api/v1/models abruft. Wer auf identische Ergebnisse über Wochen hinweg angewiesen ist, arbeitet hier gegen eine sich bewegende Schnittstelle. Und wer die Komposition jedes einzelnen Beats selbst bestimmen will, wird von den zwei Freigabepunkten eher ausgebremst als unterstützt.

Was der lokale Keyframe-Pfad anders macht

Als Alternative zur Modellanimation beschreibt die README einen optionalen lokalen Keyframe-Engine, der das Poster in Einzelteile zerlegt und diese frame-genau bewegt. Der Unterschied zum Standardpfad ist grundsätzlicher Natur: Statt ein Videomodell das ganze Poster interpretieren zu lassen, wird hier Stück für Stück zusammengesetzt. Die README nennt zwei Gründe, wann das sinnvoll ist, nämlich wenn eine dramatische Montage gewünscht ist und wenn echte Personen im Bild vorkommen, weil der lokale Pfad ohne Inhaltsfilter arbeitet und pixelgenau bleibt. Das ist ein bewusster Tausch: mehr Kontrolle und weniger Modellwillkür gegen den Aufwand, Teile freizustellen und Bewegung selbst zu definieren. Für abstrakte Themen ohne Personen ist der Standardpfad der günstigere Weg.

Pflegeaufwand und Lizenzlage

Das Repository selbst steht unter MIT, was die Weitergabe und Anpassung des Skill-Codes erlaubt. Diese Lizenz deckt jedoch nicht die aufgerufenen Dienste ab. Die eigentliche Arbeit leisten Modelle auf Atlas Cloud, darunter google/nano-banana-2, google/gemini-omni-flash, xai/tts-v1, minimax/music-2.6 und bytedance/seed-audio-1.0 für das Voice-Cloning. Nutzungsbedingungen, Preise und Rechte an den erzeugten Inhalten hängen an diesen Anbietern, nicht am MIT-Text des Repositories. Wer Videos kommerziell einsetzt, muss diesen Punkt getrennt klären. Der Wartungsaufwand liegt entsprechend weniger im Python-Code als in der Modellliste: Ändern sich IDs oder Fähigkeiten, muss die Tabelle in der README nachgezogen werden. Ein Changelog oder Releases sind im vorliegenden Material nicht verzeichnet, was die Einschätzung erschwert, wie aktiv die Modellliste gepflegt wird.

Für wen sich der Einstieg lohnt

Der Skill passt zu Teams, die bereits einen Atlas-Cloud-Zugang betreiben, ffmpeg ohnehin installiert haben und kurze Erklärstücke in Serie produzieren wollen. Der Zwang, den Beat-Plan freizugeben, bevor Bilder entstehen, ist dabei kein Nachteil, sondern der einzige Punkt, an dem sich eine falsche Erzählrichtung noch günstig korrigieren lässt. Wer dagegen einzelne Szenen pixelgenau austarieren muss oder keine externen Bild- und Sprachmodelle einsetzen darf, sollte den lokalen Keyframe-Pfad prüfen oder gleich bei einem Schnittprogramm bleiben. Der erste konkrete Schritt vor jedem Projekt ist der Abgleich der Modell-IDs gegen die Live-Liste, denn die README selbst weist darauf hin, dass diese sich verschieben.

Redaktionelles Fazit

Wer regelmäßig erklärende Kurzvideos im Paper-Collage-Stil braucht und bereits einen Atlas-Cloud-Schlüssel sowie ffmpeg auf der Maschine hat, bekommt hier eine nachvollziehbare Kette mit zwei bewusst gesetzten Freigabepunkten. Wer die visuelle Kontrolle über jede Einstellung behalten will oder keinen API-Zugang einrichten möchte, ist mit einem klassischen Schnittprogramm besser bedient. Prüfen sollte man vor dem ersten Lauf, ob die Modell-IDs aus der README noch mit der Antwort von GET https://api.atlascloud.ai/api/v1/models übereinstimmen, und ob die Lizenz der erzeugten Musik- und Sprachmodelle den geplanten Einsatz erlaubt.

Offizielle Quellen

1. Alisa0808/vox-director on GitHub
2. Issues
3. License: MIT
4. README