ادیت ویدیو با هوش مصنوعی | از صفر تا ساخت ویدئوی حرفه‌ای

ادیت ویدیو با هوش مصنوعی؛ روشی که تا همین چند وقت پیش تصور نمی‌کردیم بتوانیم به این سرعت به آن برسیم. برای یوتیوبرها و مدرس‌ها، سخت‌ترین بخش تولید محتوا معمولاً ضبط ویدیو نیست؛ بلکه ادیت ویدیو است. در یک ویدیوی آموزشی ۱۰ تا ۱۵ دقیقه‌ای، اضافه‌کردن لوگوی ابزارها، نمایش نکته‌های مهم روی صفحه و ساخت موشن‌گرافیک برای توضیح مفاهیم می‌تواند ساعت‌ها در نرم‌افزارهایی مثل Premiere Pro و After Effects زمان ببرد.

اما ادیت ویدیو با هوش مصنوعی این فرایند را ساده‌تر کرده است. با کمک ابزارهایی مثل Claude Code می‌توانید بخش‌هایی از فرایند تدوین را خودکار کنید؛ از نمایش لوگوی ابزارها و نوشتن نکته‌های آموزشی روی تصویر گرفته تا ساخت موشن‌گرافیک متناسب با محتوای صحبت‌های گوینده.

در این روش، Claude Code گفتار ویدیو را بررسی می‌کند، بخش‌هایی را که نیاز به توضیح تصویری دارند تشخیص می‌دهد و بر اساس آن‌ها موشن‌گرافیک تولید می‌کند. همچنین، هنگام اشاره به نام یک اپلیکیشن یا ابزار هوش مصنوعی، می‌تواند لوگوی آن را نمایش دهد و نکته‌های مهم را هم‌زمان با صحبت‌های گوینده روی تصویر قرار دهد.

در این مقاله، روش تدوین ویدیو با هوش مصنوعی را مرحله‌به‌مرحله بررسی می‌کنیم؛ از معرفی ابزارهای موردنیاز و نصب پیش‌نیازها گرفته تا اجرای فرایند ادیت با پرامپت‌های آماده. همچنین، سه پرامپت کاربردی در اختیارتان قرار می‌گیرد: یک پرامپت برای بررسی و نصب پیش‌نیازها و دو پرامپت برای دو سناریوی رایج ضبط ویدیو. در پایان نیز با محدودیت‌ها و نکته‌های مهم این روش آشنا می‌شوید تا بتوانید از آن برای تولید محتوای آموزشی و ویدیوهای یوتیوب استفاده کنید.

ادیت ویدیو با هوش مصنوعی یعنی چه و به چه درد می‌خورد؟

ادیت ویدیو با هوش مصنوعی در این مقاله یعنی هوش مصنوعی کار تدوینگر را روی ویدئویی انجام می‌دهد که خودتان ضبط کرده‌اید. منظور ساختن ویدئو از صفر با ابزارهایی مثل Sora یا Veo نیست؛ هوش مصنوعی گوش می‌دهد، تصمیم می‌گیرد کجا چه چیزی لازم است و گرافیک می‌سازد.

این روش روی ویدئوی شما این کارها را انجام می‌دهد:

• برش خودکار: سکوت‌های طولانی، «اِ… اوم»، شروع‌های اشتباه و جمله‌های تکراری را حذف می‌کند و از هر جمله‌ی تکراری فقط آخرین تیک را نگه می‌دارد.
• لوگوی برندها: هر جا اسم یک اپ یا هوش مصنوعی آمده، لوگویش دقیقاً روی همان کلمه ظاهر می‌شود.
• نکته روی صفحه: وقتی گوینده چیزی را لیست‌وار می‌گوید، آیتم‌ها با متن فارسی راست‌چین و هم‌زمان با صدا روی صفحه نوشته می‌شوند.
• موشن‌گرافیک توضیحی: هنگام توضیح یک مفهوم، مثلاً نحوه‌ی مصرف توکن در مدل‌های زبانی، صفحه از اسکرین‌رکورد به یک انیمیشن با دیاگرام و عدد سوییچ می‌کند؛ صدا ادامه پیدا می‌کند و تصویر گوینده در گوشه‌ی صفحه می‌ماند.
• بک‌گراند موشن: پشت گوینده می‌شود یک پس‌زمینه‌ی متحرک نیمه‌شفاف ساخت، مثلاً از لوگوی ابزارهایی که معرفی می‌کنید.
• افکت صوتی: ووش، پاپ و کلیک ملایم برای ورود موشن‌ها و آیتم‌ها، طوری که صدای گوینده را نپوشاند.

خروجی نهایی یک فایل MP4 است که مستقیم در یوتیوب یا هر پلتفرم دیگری آپلود می‌شود. این روش برای ویدئوهای آموزشی، بررسی نرم‌افزار و هر محتوایی که اسکرین‌رکورد و توضیح دارد مناسب است؛ برای ولاگ سینمایی یا تدوین داستانی طراحی نشده.

این روش یک دکمه‌ی جادویی نیست. هوش مصنوعی برنامه‌ی ادیت را پیشنهاد می‌دهد، شما تأیید یا اصلاح می‌کنید و بعد ساخته می‌شود. همین مرحله‌های تأیید نتیجه را قابل‌اعتماد می‌کند.

ادیت ویدیو با هوش مصنوعی Claude چطور کار می‌کند؟

Claude ویدئو را تماشا نمی‌کند؛ متن گفتار را همراه با زمان دقیق هر کلمه می‌خواند. بقیه‌ی کار را چهار ابزار انجام می‌دهند و Claude مثل یک کارگردان هدایتشان می‌کند:

1. Whisper (گوش): صدای ویدئو را به متن فارسی تبدیل می‌کند و برای هر کلمه زمان شروع و پایان می‌نویسد. نسخه‌ی faster-whisper با مدل large-v3 روی کامپیوتر خودتان و بدون اینترنت اجرا می‌شود.
2. Claude Code (مغز): متن را می‌خواند، تصمیم می‌گیرد کجا برش بزند، کجا لوگو بگذارد و کجا موشن بسازد، و جدولش را برای تأیید نشان می‌دهد. Claude Code روی کامپیوتر شما دستور اجرا می‌کند؛ چت معمولی Claude در مرورگر نمی‌تواند روی فایل‌های ویدئویی شما کار کند.
3. HyperFrames (قلم‌مو): HyperFrames فریم‌ورک متن‌باز HeyGen که ویدئو را با HTML و انیمیشن می‌سازد. چون هر صحنه مثل یک صفحه‌ی وب ساخته می‌شود، متن فارسی و راست‌به‌چپ بدون به‌هم‌ریختگی نمایش داده می‌شود. برای رندر، از یک Chrome مخصوص و بدون پنجره استفاده می‌کند که مستقل از Chrome معمولی شماست.
4. FFmpeg (قیچی و چسب): برش می‌زند، گرافیک‌ها را روی ویدئوی اصلی می‌گذارد و فایل نهایی را می‌سازد.

یک نکته‌ی مهم درباره‌ی کیفیت: اگر HyperFrames کل ویدئو را خودش رندر کند، کیفیت صورت گوینده و متن‌های ریز صفحه افت می‌کند. راه درست این است که HyperFrames فقط لایه‌ی گرافیک را به‌صورت تصویر شفاف بسازد و FFmpeg آن را روی فایل اصلی بگذارد. این‌طوری هر جا گرافیکی نیست، پیکسل‌ها از خود ویدئوی اصلی می‌آیند و فقط یک بار فشرده می‌شوند. پرامپت‌های این مقاله از اول همین روش را به کار می‌گیرند.

دو سناریوی رایج: یک فایل یا چند فایل جدا

بسته به اینکه چطور ضبط می‌کنید، برای ادیت ویدیو با هوش مصنوعی، یکی از این دو سناریو ادیت ویدیو با هوش مصنوعی مال شماست. پایپ‌لاین گرافیک در هر دو یکی است؛ فرقشان در کارهای قبل از آن است.

در سناریوی ۱ یک سؤال پیش می‌آید: وقتی تصویر شما و اسکرین‌رکورد در یک فایل پخته شده‌اند، موشن چطور جای اسکرین را می‌گیرد و صورت شما می‌ماند؟ جواب این است که موشن روی ویدئو می‌نشیند و اسکرین‌رکورد را می‌پوشاند، ولی دقیقاً روی جای تصویر شما یک سوراخ دایره‌ای شفاف دارد. بیننده موشن را می‌بیند و وسطش صورت زنده‌ی شما را. این روش فقط وقتی جواب می‌دهد که تصویر شما در طول ویدئو جابه‌جا نشود.

پیش‌نیازهای ادیت ویدیو با هوش مصنوعی

برای ادیت ویدیو با هوش مصنوعی به Claude Code (با یک پلن پولی Claude) و این ابزارها نیاز دارید:

کارت گرافیک اجباری نیست، ولی رونویسی را خیلی سریع‌تر می‌کند. در آزمایش ما روی یک لپ‌تاپ با RTX 3050، رونویسی یک ویدئوی ۱۲ دقیقه‌ای حدود ۳ دقیقه طول کشید، در حالی که تخمین روی CPU حدود ۲۰ دقیقه بود.

می‌شود نصب همه را به Claude سپرد، ولی بهتر است یک بار خودتان نصبشان کنید، یا دست‌کم نصب را با پرامپت جداگانه‌ی همین مقاله و با تأیید مرحله‌به‌مرحله انجام دهید:

• می‌دانید چه چیزی کجا نصب شده. مدل ۳ گیگابایتی و کش‌ها را خودتان در پوشه‌ی دلخواه می‌گذارید و درایو سیستم بی‌خبر پر نمی‌شود.
• پایتون سیستم دست نمی‌خورد. پکیج‌ها فقط داخل venv نصب می‌شوند؛ ایجنت‌ها گاهی برای سرعت روی پایتون اصلی سیستم نصب می‌کنند.
• دانلودهای سنگین دست خودتان است. دانلود مدل ممکن است نیم ساعت طول بکشد یا وسطش قطع شود. این مشکل‌ها را بهتر است خودتان حل کنید، نه ایجنتی که منتظر مانده.
• توکن و زمان هدر نمی‌رود. هر دقیقه که Claude منتظر دانلود یا خطای نصب است، از سهمیه‌ی پلن شما کم می‌شود.
• امنیت. ایجنت با دسترسی کامل به سیستم شما دستور اجرا می‌کند و نصب نرم‌افزار حساس‌ترین بخش آن است.
• یک بار و برای همیشه. پیش‌نیازها یک بار نصب می‌شوند و پرامپت هر ویدئو کوتاه‌تر و قابل‌اعتمادتر می‌ماند.

نصب گام‌به‌گام روی ویندوز

دستورها برای cmd ویندوز نوشته شده‌اند و فقط یک بار لازم‌اند. قبل از شروع، دو پوشه را خودتان انتخاب کنید و بسازید:

در همه‌ی دستورها، اسکریپت‌ها و پرامپت‌های این مقاله، <TOOLS_DIR> و <PROJECT_DIR> را با مسیر واقعی پوشه‌های خودتان عوض کنید. اگر درایو سیستم جای کافی ندارد، پوشه‌ی ابزارها را روی درایو دیگری بسازید. مسیر بدون فاصله و بدون حروف فارسی دردسر کمتری برای ادیت ویدیو با هوش مصنوعی دارد.

mkdir "<TOOLS_DIR>"
mkdir "<PROJECT_DIR>"

۱. نصب Node.js و FFmpeg

winget install OpenJS.NodeJS.LTS
winget install Gyan.FFmpeg

ترمینال را کامل ببندید و دوباره باز کنید. بعد نسخه‌ها را چک کنید؛ Node باید ۲۲ یا بالاتر باشد:

node -v
ffmpeg -version

۲. ساخت محیط پایتون در پوشه‌ی پروژه

cd /d "<PROJECT_DIR>"
py -3.12 -m venv venv
venv\Scripts\python.exe -m pip install --upgrade pip
venv\Scripts\python.exe -m pip install -U faster-whisper huggingface_hub

از venv\Scripts\python.exe مستقیم استفاده کنید تا مطمئن باشید پکیج‌ها داخل محیط پروژه نصب می‌شوند، نه روی پایتون سیستم.

۳. دانلود مدل Whisper در پوشه‌ی ابزارها

یک فایل به اسم download_model.py در پوشه‌ی پروژه بسازید و خط اول آن را با مسیر پوشه‌ی ابزارهای خودتان عوض کنید:

import os

TOOLS_DIR = "C:/ai-tools"  # مسیر پوشه‌ی ابزارهای خودتان (با / بنویسید)

# کش و فایل‌های موقت هم در پوشه‌ی ابزارها بمانند (باید قبل از import باشد)
os.environ["HF_HOME"] = f"{TOOLS_DIR}/hf-cache"
os.environ["HF_HUB_CACHE"] = f"{TOOLS_DIR}/hf-cache/hub"

from huggingface_hub import snapshot_download

path = snapshot_download(
    "Systran/faster-whisper-large-v3",
    local_dir=f"{TOOLS_DIR}/models/faster-whisper-large-v3",
)
print("Model saved to:", path)

اجرایش کنید. حدود ۳ گیگابایت دانلود می‌شود و اگر وسطش قطع شد، همان دستور را دوباره بزنید تا ادامه دهد:

venv\Scripts\python.exe download_model.py

برای اطمینان از سالم بودن مدل (مسیر را با پوشه‌ی ابزارهای خودتان عوض کنید):

venv\Scripts\python.exe -c "from faster_whisper import WhisperModel; WhisperModel('<TOOLS_DIR>/models/faster-whisper-large-v3', device='cpu'); print('OK')"

۴. اختیاری: استفاده از کارت گرافیک NVIDIA

اگر کارت NVIDIA دارید، اول با nvidia-smi مطمئن شوید درایور نصب است. بعد این را بزنید:

venv\Scripts\python.exe -c "import ctranslate2; print(ctranslate2.get_cuda_device_count())"

اگر خروجی ۱ یا بیشتر بود، کارت دیده می‌شود. ولی ممکن است موقع اجرای واقعی خطای نبودن cublas64_12.dll بگیرید. در این صورت کتابخانه‌ی cuBLAS را فقط داخل همین venv نصب کنید (حدود ۵۰۰ مگابایت دانلود، حدود ۷۰۰ مگابایت بعد از نصب):

venv\Scripts\python.exe -m pip install nvidia-cublas-cu12 --no-cache-dir

اگر نسخه‌ی ctranslate2 شما با این نسخه‌ی CUDA سازگار نبود، نسخه‌ی مناسب را از مستندات خود ctranslate2 پیدا کنید. cuDNN نسخه‌ی ۹ همراه ctranslate2 نصب می‌شود و جداگانه لازم نیست. اسکریپت زیر مسیر DLLها را خودش اضافه می‌کند، پس لازم نیست PATH سیستم را تغییر دهید.

حافظه‌ی کارت: مدل large-v3 با float16 حدود ۴ تا ۵ گیگابایت VRAM می‌خواهد. اگر کارت شما کمتر دارد، در اسکریپت زیر مقدار COMPUTE_TYPE را int8_float16 بگذارید.

۵. اسکریپت تبدیل گفتار به متن برای ادیت ویدیو با هوش مصنوعی

فایل transcribe.py را در پوشه‌ی پروژه بسازید و مسیر ابزارها را در خط TOOLS_DIR درست کنید. این نسخه چند درس عملی را رعایت می‌کند: صدا را اول با FFmpeg به wav تک‌کاناله ۱۶ کیلوهرتز تبدیل می‌کند (خواندن مستقیم ویدئو گاهی خطا می‌دهد)، روی GPU تست می‌زند و اگر نشد به CPU برمی‌گردد، پیشرفت چاپ می‌کند و نتیجه‌ی جزئی را ذخیره می‌کند تا اگر وسط کار قطع شد چیزی از دست نرود، این موضوع برای ادیت ویدیو با هوش مصنوعی بسیار اهمیت دارد:

import os
import sys
import json
import time
import subprocess
import tempfile
from pathlib import Path

TOOLS_DIR = "C:/ai-tools"  # مسیر پوشه‌ی ابزارهای خودتان
MODEL_DIR = f"{TOOLS_DIR}/models/faster-whisper-large-v3"
COMPUTE_TYPE = "float16"   # اگر VRAM کمتر از حدود ۵ گیگ است: "int8_float16"
INITIAL_PROMPT = "Claude, Claude Code, HyperFrames, FFmpeg, Whisper, Python"  # اسم ابزارهای ویدئوی خودتان

os.environ["HF_HUB_OFFLINE"] = "1"
sys.stdout.reconfigure(encoding="utf-8")


def add_cuda_dll_dirs():
    """مسیر DLL های NVIDIA داخل venv را فقط برای همین پروسه اضافه می‌کند."""
    base = Path(sys.prefix) / "Lib" / "site-packages" / "nvidia"
    for bin_dir in base.glob("*/bin"):
        if hasattr(os, "add_dll_directory"):
            os.add_dll_directory(str(bin_dir))
        os.environ["PATH"] = str(bin_dir) + os.pathsep + os.environ.get("PATH", "")


add_cuda_dll_dirs()

import numpy as np
from faster_whisper import WhisperModel


def load_model():
    try:
        import ctranslate2
        if ctranslate2.get_cuda_device_count() > 0:
            model = WhisperModel(MODEL_DIR, device="cuda", compute_type=COMPUTE_TYPE)
            warm, _ = model.transcribe(np.zeros(16000, dtype="float32"), language="fa")
            list(warm)  # تست واقعی ۱ ثانیه‌ای روی GPU
            print("device: cuda", COMPUTE_TYPE, flush=True)
            return model
    except Exception as e:
        print(f"!! CUDA unavailable, falling back to CPU: {e}", flush=True)
    print("device: cpu int8 (slower)", flush=True)
    return WhisperModel(MODEL_DIR, device="cpu", compute_type="int8")


def to_wav(src: Path, dst: Path):
    subprocess.run(
        ["ffmpeg", "-y", "-i", str(src), "-vn", "-ac", "1", "-ar", "16000", str(dst)],
        check=True, capture_output=True,
    )


def save_atomic(path: Path, data):
    tmp = path.with_suffix(path.suffix + ".tmp")
    tmp.write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    os.replace(tmp, path)


if len(sys.argv) < 2:
    print("Usage: transcribe.py <video-or-audio> [output.json]")
    sys.exit(1)

src = Path(sys.argv[1])
out = Path(sys.argv[2]) if len(sys.argv) > 2 else src.with_suffix(".transcript.json")
out.parent.mkdir(parents=True, exist_ok=True)
partial = out.with_name(out.stem + ".partial.json")

model = load_model()

with tempfile.TemporaryDirectory() as tmp:
    wav = Path(tmp) / "audio.wav"
    to_wav(src, wav)

    segments, info = model.transcribe(
        str(wav), language="fa", word_timestamps=True, initial_prompt=INITIAL_PROMPT
    )
    total = info.duration
    words, t0 = [], time.time()

    for i, seg in enumerate(segments, 1):
        for w in seg.words:
            words.append({"start": round(w.start, 3), "end": round(w.end, 3),
                          "word": w.word.strip()})
        done = seg.end / total
        elapsed = time.time() - t0
        eta = elapsed / done - elapsed if done > 0 else 0
        print(f"[{int(seg.end // 60):02d}:{int(seg.end % 60):02d}/"
              f"{int(total // 60):02d}:{int(total % 60):02d} "
              f"{done * 100:.1f}% | ETA {int(eta // 60):02d}:{int(eta % 60):02d}]", flush=True)
        if i % 10 == 0:
            save_atomic(partial, words)

save_atomic(out, words)
print(f"{len(words)} words -> {out} in {time.time() - t0:.0f}s", flush=True)

نمونه‌ی اجرا:

venv\Scripts\python.exe transcribe.py final_cut.mp4 edit\transcript.json

نکته‌ها:

• متن فارسی در ترمینال ویندوز وارونه نشان داده می‌شود، برای همین اسکریپت فقط تایم‌کد و درصد پیشرفت چاپ می‌کند. نتیجه را از فایل JSON بخوانید.
• اسکریپت، متن را اصلاح نمی‌کند. Whisper گاهی اسم ابزارهای انگلیسی و اعداد را اشتباه می‌نویسد؛ INITIAL_PROMPT این خطاها را کم می‌کند ولی حذفشان نمی‌کند.
• بدون کارت گرافیک NVIDIA، رونویسی روی CPU انجام می‌شود و برای ویدئوی ۱۲ دقیقه‌ای چند ده دقیقه طول می‌کشد.

۶. نصب اسکیل‌های HyperFrames برای ادیت ویدیو با هوش مصنوعی

cd /d "<PROJECT_DIR>"
npx skills add heygen-com/hyperframes

موقع نصب، در لیست ایجنت‌ها حتماً Claude Code را انتخاب کنید و دامنه را Project بگذارید. روی ویندوز ممکن است لینک اسکیل‌ها برای Claude Code ساخته نشود. چک کنید:

dir .claude\skills

اگر پوشه نبود یا خالی بود، اسکیل‌های لازم را دستی کپی کنید:

mkdir .claude\skills
for %s in (hyperframes hyperframes-core hyperframes-cli hyperframes-animation hyperframes-creative talking-head-recut embedded-captions motion-graphics media-use) do xcopy ".agents\skills\%s" ".claude\skills\%s\" /E /I /Y /Q

بعد claude را در پوشه‌ی پروژه باز کنید و دستور /skills را بزنید؛ اسکیل‌های بالا باید با برچسب project دیده شوند. از ۲۱ اسکیل HyperFrames همین ۹ تا برای ادیت ویدیوی آموزشی کافی است؛ توضیح هر اسکیل در هر جلسه چند صد توکن جا می‌گیرد، پس بقیه را نصب نکنید مگر لازمشان داشته باشید.

۷. تست HyperFrames

cd /d "<TOOLS_DIR>"
npx hyperframes init test-motion
cd test-motion
npx hyperframes preview

اگر پیش‌نمایش در مرورگر باز شد، همه چیز آماده است. Chrome مخصوص رندر در اولین رندر لازم می‌شود. این یک Chrome جدا و بدون پنجره است (حدود ۲۵۰ تا ۳۰۰ مگابایت)، نه Chrome معمولی شما و روی بوکمارک‌ها و تنظیمات شما اثری ندارد. پرامپت ۱ همین مقاله آن را با اجازه‌ی شما و در پوشه‌ی ابزارها نصب می‌کند.

۸. اختیاری: کش npm در پوشه‌ی ابزارها

npm config set cache "<TOOLS_DIR>\npm-cache"

پرامپت ۱: بررسی و نصب پیش‌نیازها با Claude

برای ادیت ویدیو با هوش مصنوعی اگر نمی‌خواهید همه را دستی نصب کنید، claude را در پوشه‌ی پروژه باز کنید و این پرامپت را بدهید. Claude اول فقط بررسی می‌کند، برای هر چیز ناقص قبل از نصب اجازه می‌گیرد و هیچ چیز روی درایو سیستم یا پایتون سیستم نصب نمی‌کند. اجازه‌ها را با دقت بدهید، به‌خصوص مسیر نصب تا مرحله اول ادیت ویدیو با هوش مصنوعی انجام شود.

می‌خوام پیش‌نیازهای ادیت ویدیو با هوش مصنوعی را روی این سیستم بررسی و در صورت نیاز نصب کنی. هر جا نوشته «منتظر تأیید بمان»، واقعاً بایست.

## تنظیمات
- PROJECT_DIR: همین پوشه‌ای که الان در آن هستی
- TOOLS_DIR (مدل Whisper، Chrome رندر و کش‌ها): {مسیر پوشه‌ی ابزارها، مثلاً C:\ai-tools}

## قوانین ثابت
1. پایتون فقط از venv داخل PROJECT_DIR. هیچ‌چیز روی پایتون سیستم نصب نکن؛ همیشه venv\Scripts\python.exe -m pip.
2. قبل از نصب یا دانلود هر چیز، اسم، روش، حجم و مقصدش را بگو و منتظر تأیید بمان. همه‌ی کش‌ها و مدل‌ها در TOOLS_DIR باشند، نه درایو سیستم.
3. هر چیزی که از قبل هست و سالم است دوباره نصب و دانلود نکن؛ فقط بگو که از موجود استفاده کردی.
4. ترمینال متن فارسی را وارونه نشان می‌دهد: جدول‌ها را در PROJECT_DIR\setup_report.md هم ذخیره کن.
5. فقط چیزی را گزارش کن که واقعاً اجرا و بررسی کرده‌ای. اگر چیزی را ندیده‌ای یا مطمئن نیستی، همین را بگو.
6. اگر دانلودی قطع شد یا خطای شبکه داد، متن خطا را بگو و منتظر بمان؛ خودت راه دیگری مثل آینه یا سایت متفرقه امتحان نکن.

## مرحله ۱: فقط بررسی (چیزی نصب نکن)
جدول بده (هست / نیست / نسخه):
- Node.js نسخه ۲۲ یا بالاتر، FFmpeg
- venv در PROJECT_DIR: import شدن faster_whisper و huggingface_hub
- مدل Whisper در TOOLS_DIR\models\faster-whisper-large-v3 (فایل model.bin حدود ۳ گیگ) و لود شدنش
- اسکیل‌های HyperFrames در .claude\skills (دست‌کم: hyperframes، hyperframes-core، hyperframes-cli، hyperframes-animation، hyperframes-creative، talking-head-recut، embedded-captions، motion-graphics، media-use)
- Chrome رندر HyperFrames در TOOLS_DIR\chrome
- کارت گرافیک انویدیا با nvidia-smi (مدل، درایور، VRAM آزاد) و اینکه ctranslate2.get_cuda_device_count() در venv آن را می‌بیند
- فضای خالی دیسک برای TOOLS_DIR و PROJECT_DIR
بعد برای هر مورد که نیست یا مشکل دارد، اسم، روش، حجم و مقصد را بگو و منتظر تأیید بمان.

## مرحله ۲: نصب (فقط موارد تأییدشده)
- Node.js و FFmpeg با winget (Node.js: OpenJS.NodeJS.LTS، FFmpeg: Gyan.FFmpeg).
- venv با py -3.12 -m venv venv، سپس pip install -U faster-whisper huggingface_hub.
- مدل Whisper فقط با huggingface_hub و snapshot_download از Systran/faster-whisper-large-v3. HF_HOME و HF_HUB_CACHE را قبل از import روی TOOLS_DIR\hf-cache بگذار و local_dir را TOOLS_DIR\models\faster-whisper-large-v3 بگذار. اگر دانلود قطع شد، همان دستور ادامه می‌دهد.
- اسکیل‌ها با npx skills add heygen-com/hyperframes (ایجنت Claude Code، دامنه‌ی Project). اگر روی ویندوز .claude\skills ساخته نشد یا خالی بود، اسکیل‌های بالا را از .agents\skills با xcopy کپی کن (نه symlink).
- کش npm: npm config set cache روی TOOLS_DIR\npm-cache.
- Chrome رندر HyperFrames: با دستور خود HyperFrames برای نصب مرورگر، مقصد TOOLS_DIR\chrome، و HYPERFRAMES_BROWSER_PATH را به آن وصل کن (چیزی روی درایو سیستم نرود). نسخه‌ی پین‌شده‌ی خود HyperFrames را بگیر، نه Chrome عادی سیستم، تا رندرها تکرارپذیر باشند.
- GPU: اگر ctranslate2 کارت را می‌بیند ولی تست واقعی با خطای نبودن cublas64_12.dll شکست خورد، فقط nvidia-cublas-cu12 با نسخه‌ی سازگار با ctranslate2 نصب‌شده را داخل همین venv نصب کن (قبلش نسخه و حجم را بگو؛ با --no-cache-dir یا کش در TOOLS_DIR). مسیر DLLها را داخل اسکریپت‌ها با os.add_dll_directory اضافه کن، نه به PATH سیستم.

## مرحله ۳: تست و گزارش
node -v، ffmpeg -version، لود شدن مدل (روی GPU با یک تست ۱ ثانیه‌ای؛ اگر شکست خورد، روی CPU با int8 و بگو کندتر است)، npx hyperframes --help و لیست اسکیل‌ها را اجرا کن. نتیجه را جدول کن و در setup_report.md بنویس.

سناریوی ۱: ادیت یک فایل یکپارچه با هوش مصنوعی

این سناریو برای ادیت ویدیو با هوش مصنوعی برای ویدئویی است که تصویر گوینده، اسکرین‌رکورد و صدا در یک فایل MP4 ادغام شده‌اند. ویدئو را در پوشه‌ی پروژه بگذارید، claude را در همان پوشه باز کنید و پرامپت زیر را بدهید. فقط بخش «تنظیمات این ویدئو» را پر کنید؛ هر جا مطمئن نیستید، بنویسید «خودت پیدا کن».

بعد از دادن پرامپت، Claude در چند نقطه می‌ایستد و منتظر تأیید شما می‌ماند:

1. نصب یا دانلود هر چیز جدید: اسم، حجم و مقصد را می‌گوید و اجازه می‌گیرد.
2. جدول منبع لوگوها و فونت: مطمئن شوید لوگوها واقعاً همان برند باشند.
3. جدول برش‌ها (فقط اگر فایل کات‌نخورده باشد): مطمئن شوید چیزی که می‌خواستید نگه دارید حذف نشده.
4. فایل brand.md و دو فریم نمونه: رنگ، فونت و ظاهر کلی موشن‌ها. این فریم‌ها را واقعاً باز کنید و نگاه کنید؛ ظاهر همه‌ی موشن‌ها از همین‌ها می‌آید.
5. جدول برنامه‌ی ادیت: هر لوگو، لیست و موشن با زمان دقیقش. این مهم‌ترین مرحله است؛ قبل از تأیید با دقت بخوانید، به‌خصوص اعدادی که روی صفحه می‌روند.
6. پیش‌نمایش: چند کلیپ کوتاه با کیفیت نهایی.
7. رندر کامل: فقط بعد از اینکه صریحاً بگویید شروع کن، و بعد از اینکه تخمین زمان و فضای دیسک را دیدید.

زمان رندر کامل به سرعت سیستم و تعداد گرافیک‌ها بستگی دارد. عدد ثابتی نمی‌شود داد؛ Claude قبل از رندر کامل، زمان واقعی رندر کلیپ‌های پیش‌نمایش را اندازه می‌گیرد و بر اساس آن تخمین می‌دهد. فایل‌های موقت (تصاویر شفاف گرافیک‌ها) چند گیگابایت می‌شوند و فضای دیسک را هم قبل از شروع چک می‌کند.

می‌خوام روی ویدئوی آموزشی‌ام ادیت و موشن‌گرافیک و افکت اضافه کنی. با اسکیل‌های HyperFrames که توی پروژه هست کار کن. کار در هشت مرحله انجام می‌شود. هر جا نوشته «منتظر تأیید بمان»، واقعاً بایست.

مرحله‌ها: ۱ پیش‌نیازها، ۲ فایل و رونویسی، ۳ برش (اختیاری)، ۴ فونت و لوگو، ۵ استایل، ۶ برنامه‌ی ادیت، ۷ پیش‌نمایش، ۸ رندر کامل.

## تنظیمات این ویدئو (فقط این بخش برای هر ویدئو عوض می‌شود)
- PROJECT_DIR: همین پوشه‌ای که الان در آن هستی (venv، .claude\skills و ویدئو اینجا هستند)
- TOOLS_DIR (مدل Whisper، Chrome رندر و کش‌ها): {مسیر پوشه‌ی ابزارها، مثلاً C:\ai-tools}
- فایل ویدئو: {final_cut.mp4} داخل PROJECT_DIR، دقیقاً با همین اسم. اگر پیدا نشد، فهرست فایل‌های ویدئویی پوشه را بده و منتظر بمان؛ اسم دیگری حدس نزن.
- مدت: {حدود N دقیقه}
- پوشه‌ی این ویدئو: PROJECT_DIR\{نام-ویدئو} (اگر نبود بساز). همه‌ی خروجی‌های این ویدئو فقط داخل آن باشد. OUT = PROJECT_DIR\{نام-ویدئو}\edit
- محدوده‌ی ساخت: {کل ویدئو | فقط این بازه‌ها: 0:30-1:30، 2:56-3:16}
- وضعیت فایل: {کات‌خورده و آماده | سرهم و کات‌نخورده، اول باید برش بخورد}
- صدا: {از قبل پردازش‌شده است؛ دست نزن و جایگزین نکن | هنوز خام است؛ فقط اندازه بگیر و گزارش کن}
- تصویر من در فایل: {دایره‌ی ثابت پایین-راست، مرکز (x، y) و شعاع r پیکسل | مستطیل ثابت گوشه | تمام‌صفحه | ندارم | خودت پیدا کن}. اگر مختصات دادم، حتماً با چند فریم از اول و وسط و آخر راستی‌آزمایی کن و اگر فرق داشت، بگو و منتظر بمان.
- موضوع ویدئو: {یک خط}
- مفهوم‌هایی که حتماً موشن کامل می‌خواهند: {مثلاً مصرف توکن | خودت از رونویسی پیشنهاد بده و «اختیاری» علامت بزن}
- جایی که گرافیک نمی‌خواهم: {مثلاً صفحه‌ی پایانی | خودت پیدا کن و زمان شروعش را بگو}
- استایل: {از نو بساز | brand.md ویدئوی قبلی را کپی کن: مسیرش}
- جهت استایل (اختیاری): {مثلاً تیره و آرام، پس‌زمینه‌ی #0D111C و متن #ECEEF5، رنگ هایلایت فقط کهربایی برای اعداد، فونت Vazirmatn}
- بک‌گراند موشن لوگوها (اختیاری): {بازه‌ای که کل بک‌گراند باید با موشن لوگوها ساخته شود، مثلاً 1:00-2:00 | ندارم}
- ویدئوی قبلی (اختیاری): {مسیر پوشه‌ی قبلی؛ فقط خواندنی، برای کپی فونت و لوگو و brand.md | ندارم}

## قوانین ثابت (همیشه)
1. فایل ویدئوی اصلی را هرگز تغییر، کپی یا جابه‌جا نکن. همه‌ی خروجی‌ها در OUT باشد.
2. پایتون فقط از venv داخل همین پروژه. هیچ‌چیز روی پایتون سیستم نصب نکن.
3. قبل از نصب یا دانلود هر چیز، اسم، حجم و مقصدش را بگو و منتظر تأیید بمان. کش‌ها را در TOOLS_DIR بگذار. تنها استثنا فونت و لوگو است (مرحله‌ی ۴).
4. هر چیزی که از قبل هست (venv، مدل، اسکیل‌ها، Chrome، فونت، لوگو، استایل) دوباره نساز و دوباره دانلود نکن. بگو که از موجود استفاده کردی.
5. خروجی‌های ویدئوی قبلی را فقط بخوان و هرگز تغییر یا پاک نکن. اسکریپت‌های قبلی را کپی نکن، چون ممکن است مسیرهای قدیمی داشته باشند؛ نسخه‌ی جدید را در OUT از نو بنویس.
6. ترمینال متن فارسی را وارونه نشان می‌دهد: هر جدول و گزارش مهم را در یک فایل .md در OUT هم ذخیره کن.
7. فقط چیزی را گزارش کن که واقعاً اجرا و بررسی کرده‌ای. اگر چیزی را ندیده‌ای یا مطمئن نیستی، همین را بگو.

## مرحله ۱: پیش‌نیازها
فقط بررسی کن و جدول بده (هست / نیست / نسخه):
- Node.js نسخه ۲۲ یا بالاتر، FFmpeg
- venv پروژه: import شدن faster_whisper، و دیده شدن GPU (ctranslate2.get_cuda_device_count و وجود nvidia-cublas در venv)
- مدل Whisper در TOOLS_DIR\models\faster-whisper-large-v3 (model.bin) و لود شدنش
- اسکیل‌های HyperFrames در .claude\skills (دست‌کم: hyperframes، hyperframes-core، hyperframes-cli، hyperframes-animation، hyperframes-creative، talking-head-recut، embedded-captions، motion-graphics، media-use)
- Chrome رندر در TOOLS_DIR\chrome (و HYPERFRAMES_BROWSER_PATH)
- nvidia-smi: مدل کارت، درایور، VRAM آزاد
- فضای خالی دیسک برای OUT
اگر همه سالم بودند، چیزی نصب نکن. اگر چیزی نبود یا مشکل داشت، اسم، روش، حجم و مقصدش را بگو و منتظر بمان. اگر دانلودی قطع شد یا خطای شبکه داد، متن خطا را بگو و منتظر بمان؛ راه دیگری مثل آینه یا سایت متفرقه امتحان نکن.

## مرحله ۲: فایل و رونویسی
1. با ffprobe مشخصات فایل را بگیر: رزولوشن، fps (ثابت یا متغیر)، کدک، بیت‌ریت، فضای رنگی، نمونه‌برداری صدا، مدت. LUFS و true peak صدا را اندازه بگیر و گزارش کن.
2. جای تصویر من را از چند فریم راستی‌آزمایی (یا پیدا) کن و بگو در کل ویدئو ثابت است یا جابه‌جا می‌شود.
3. رونویسی کل ویدئو با transcribe.py جدید در OUT: زبان fa، کلمه‌به‌کلمه با start و end، مدل از مسیر محلی (HF_HUB_OFFLINE=1).
   - اول صدا را با ffmpeg به wav تک‌کاناله ۱۶ کیلوهرتز تبدیل کن و آن را رونویسی کن (خواندن مستقیم ویدئو ممکن است با PyAV خطا بدهد). خروجی کنسول را UTF-8 کن.
   - اگر کارت انویدیا هست از GPU استفاده کن (float16؛ اگر VRAM آزاد کمتر از حدود ۵ گیگ بود int8_float16). قبل از شروع یک تست ۱ ثانیه‌ای روی CUDA بزن؛ اگر شکست خورد، متن خطا را بگو و با پیام واضح به CPU (int8) برگرد و بگو کندتر است. مسیر DLLها را داخل خود اسکریپت با os.add_dll_directory اضافه کن، نه PATH سیستم. اگر کتابخانه‌ای باید نصب شود، قاعده‌ی ۳ را رعایت کن.
   - بعد از هر segment در یک خط چاپ کن: تایم‌کد، درصد پیشرفت و زمان باقی‌مانده (flush=True). هر ۱۰ segment خروجی جزئی را به‌صورت اتمیک (فایل موقت، بعد rename) در OUT\transcript.partial.json ذخیره کن.
   - اسم برندها و اصطلاح‌های انگلیسی ویدئو را به‌عنوان initial_prompt بده تا املایشان درست‌تر شود. فقط چیزی بگذار که واقعاً در ویدئو هست: {لیست حدسی برندها و اصطلاح‌ها}.
4. خروجی را در OUT\transcript.json بگذار (اگر فایل کات‌نخورده است، OUT\transcript_raw.json). بعد از اتمام، مدت رونویسی و مصرف VRAM را بگو.
5. هر اسم یا عددی که از تشخیص گفتار اشتباه است در مراحل بعد اصلاح می‌شود و با ✎ علامت می‌خورد. اعدادی که روی صفحه می‌روند را با تصویر ویدئو هم تطبیق بده.

## مرحله ۳: برش (فقط وقتی وضعیت فایل «سرهم و کات‌نخورده» است؛ وگرنه برو مرحله ۴)
1. پیدا کن: سکوت‌های بیش از ۰.۶ ثانیه، «اِ / اوم» و شروع‌های اشتباه، جمله‌های تکراری (فقط آخرین تیک بماند)، جمله‌هایی که با «کات» یا «دوباره» شروع می‌شوند.
2. جمله‌هایی که با «مارکر:» شروع می‌شوند دستور ادیت من‌اند: در جدول ستون جدا بیاور، برای مرحله‌ی ۶ نگه دار و از ویدئو حذف کن.
3. جدول برش‌ها (زمان، متن، دلیل) را در OUT\cut_plan.md بده و منتظر تأیید بمان.
4. بعد از تأیید برش بزن: وسط کلمه برش نزن و روی هر کات ۳۰ میلی‌ثانیه فید صوتی بگذار. خروجی را بی‌افت (x264 با qp 0 یا FFV1) در OUT\work\cut.mkv ذخیره کن. حجم تقریبی را قبلش بگو.
5. فایل برش‌خورده را دوباره رونویسی کن (OUT\transcript.json). از اینجا به بعد همین مبنای کار است.
6. یک پیش‌نمایش کم‌حجم از برش بده و منتظر تأیید بمان.

## مرحله ۴: فونت و لوگو (دانلود بدون پرسیدن، با این شرط‌ها)
- فونت: Vazirmatn (Regular و Bold) از منبع رسمی (مخزن GitHub یا پکیج npm با نام vazirmatn) در OUT\fonts. مجوز (OFL) را گزارش کن. اگر ویدئوی قبلی هست و فونت دارد، همان را کپی کن.
- لوگو: از روی رونویسی، برندهایی که اسمشان آمده را دربیاور (در محدوده‌ی ساخت). اگر لوگوی آن برند در ویدئوی قبلی هست، کپی کن. برای بقیه فقط از منبع رسمی برند (brand/press kit یا سایت رسمی) یا Simple Icons، ترجیحاً SVG یا PNG شفاف، در OUT\logos با اسم انگلیسی کوچک.
- از سایت‌های متفرقه یا جست‌وجوی تصویر لوگو نگیر. اگر منبع رسمی دانلود را مسدود کرد (مثلاً خطای ۴۰۳)، دوباره و با راه دیگر تلاش نکن؛ آن برند را «لوگوی کم‌شده» حساب کن و فقط متن بگذار. خودت چیزی نساز.
- جدول بده: اسم فایل، منبع، فرمت، و اینکه لوگو را باز کرده‌ای و واقعاً همان برند است.

## مرحله ۵: استایل (brand.md)
- اگر «کپی از ویدئوی قبلی» است: brand.md را به OUT کپی کن، مسیر فونت و لوگوی داخلش را اصلاح کن و بگو چه چیزهایی را اصلاح کردی.
- اگر «از نو بساز» است: OUT\brand.md را با «جهت استایل» بساز. محتوا: رنگ‌ها، فونت، استایل چیپ لوگو، لیست و موشن، دو جای لیست (بالا-راست و پایین-چپ)، ناحیه‌ی ممنوع ۴۰ پیکسلی دور تصویر من، قاعده‌ی اعداد فارسی و نام برندهای لاتین.
- اگر «بک‌گراند موشن لوگوها» دارم، قاعده‌اش را هم اضافه کن (نیمه‌شفاف، حرکت آرام، پشت همه‌چیز، تصویر من و متن‌ها خوانا).
- دو فریم نمونه واقعی رندر کن (یکی لوگو و لیست روی ویدئو، یکی موشن) و فایل‌هایشان را نشانم بده.
- منتظر تأیید استایل بمان. تا تأیید نکرده‌ام، پیش‌نمایش نساز.

## مرحله ۶: برنامه‌ی ادیت (فقط جدول، چیزی نساز)
اگر «محدوده‌ی ساخت» چند بازه است، جدول فقط برای همان بازه‌ها باشد. جدول را بخش‌بخش (هر حدود ۵ دقیقه) در OUT\edit_plan.md بنویس. برای این انواع جدول زمان‌دار بساز (شروع، پایان، متنی که می‌گویم، چه چیزی و کجای صفحه):

الف) لوگو: هر جا اسم یک اپ، سایت یا هوش مصنوعی را می‌گویم، چیپ لوگوی آن برند با ورود نرم، روی همان کلمه، ۲ تا ۳ ثانیه، بعد محو. فقط از پوشه‌ی logos.

ب) لیست و نکته: هر جا چیزی را لیست‌وار می‌گویم یا نکته‌ی مهمی می‌گویم، آیتم‌ها با متن فارسی راست‌چین روی صفحه، هر آیتم دقیقاً هم‌زمان با گفتنش. حداکثر ۶ کلمه در هر آیتم، نه کپی جمله‌ام.

ج) موشن‌گرافیک توضیحی (مهم‌ترین مورد): هر جا مفهومی آموزشی را توضیح می‌دهم (به‌خصوص مفهوم‌های تنظیمات بالا)، موشن کامل‌صفحه با دیاگرام، فلش، عدد و متن فارسی متحرک. صدای اصلی بدون تغییر ادامه پیدا کند و موشن فقط در زمانی که درباره‌اش حرف می‌زنم بماند. تصویر من:
- اگر جای ثابت دارد: موشن یک سوراخ شفاف دقیقاً روی تصویر من دارد تا پیکسل‌های فایل اصلی دیده شوند.
- اگر تمام‌صفحه است: موشن را نیمه‌صفحه کن (من یک طرف، موشن طرف دیگر).
- اگر تصویری ندارم: موشن کل صفحه را بپوشاند.
برای هر موشن در یک جمله بگو چه چیزی را نشان می‌دهد.

د) افکت صوتی: ووش ملایم برای ورود و خروج موشن، پاپ برای لوگو، کلیک نرم برای آیتم لیست. اوج هر افکت حداکثر ۱۸٪ اوج صدای گفتار. اول از افکت‌های داخل پکیج HyperFrames استفاده کن (مجوزشان را گزارش کن). اگر لازم شد چیز دیگری دانلود شود، منبع و مجوز را بگو و منتظر تأیید بمان.

ه) بک‌گراند موشن لوگوها (فقط اگر در تنظیمات بازه داده‌ام): قبل از برنامه‌ریزی، فریم‌های آن بازه را ببین و بگو دقیقاً چه چیزی در بک‌گراند هست و تصویر من تمام‌صفحه است یا دایره. اگر جدا کردن من از بک‌گراند بدون ماسک ممکن نیست، همین را بگو و منتظر بمان؛ حدس نزن. لوگوها را از رونویسی همان بازه دربیاور.

قواعد جدول:
- ستون «نوع». شلوغ نباشد؛ مورد مشکوک را «اختیاری» علامت بزن.
- برای هر ردیف الف و ب، فریم همان لحظه را نگاه کن و جایی بگذار که روی متن، تیتر یا چیز مهم صفحه و روی تصویر من نیفتد.
- زمان‌ها را از transcript.json بردار و دوباره تطبیق بده؛ از حافظه ننویس.
- اسم یا عددی که از تشخیص گفتار اصلاح کرده‌ای را با ✎ علامت بزن و جایی که مطمئن نیستی ⚠ بگذار.
- دستورهای «مارکر:» (اگر در صدا هست) را اجرا کن.
- جدول را ذخیره کن و منتظر تأیید بمان.

## مرحله ۷: پیش‌نمایش
1. اگر «محدوده‌ی ساخت» چند بازه است، هر بازه یک کلیپ. وگرنه چند کلیپ کوتاه (هر کدام حداکثر ۶۰ ثانیه) پیشنهاد بده که روی هم هر نوع گرافیک را پوشش بدهند، از جمله یک کلیپ ۱۰ تا ۱۵ ثانیه‌ای از چیپ لوگو روی خود ویدئو. بازه‌ها را جدول کن و منتظر تأیید بمان.
2. کلیپ‌ها را با همان روش و کیفیت نهایی بساز (بخش «کیفیت رندر»).
3. از هر موشن و لوگو snapshot بگیر و چک کن: متن فارسی به‌هم چسبیده و راست‌چین، ترتیب فارسی و لاتین درست، چیزی بیرون از کادر یا روی تصویر من نیست.
4. با ffprobe و PSNR (جدا برای تصویر من و اسکرین، در بازه‌های بدون گرافیک) پیش‌نمایش را با فایل اصلی مقایسه کن، نتیجه را نشانم بده و منتظر نظرم بمان.
5. اگر محدوده‌ی ساخت چند بازه است، کار اینجا تمام می‌شود. رندر کامل نساز.

## مرحله ۸: رندر کامل (فقط اگر محدوده‌ی ساخت «کل ویدئو» است)
1. فضای دیسک را چک کن و حجم PNGهای شفاف را تخمین بزن. اگر از فضای خالی بیشتر بود، راه کم‌حجم‌تر ولی بی‌افت پیشنهاد بده و منتظر بمان.
2. همه‌ی ردیف‌های ساخته‌نشده را بساز و از هرکدام snapshot بگیر. بلوک‌های موشن کامل‌صفحه را به‌صورت کلیپ کامل نشانم بده.
3. زمان واقعی رندر کلیپ‌ها را اندازه بگیر و بر اساس آن، تخمین زمان رندر و انکود نهایی را بده. اگر انکود خیلی طولانی شد، گزینه‌ی سریع‌تر (مثلاً preset medium) را فقط پیشنهاد بده و خودت تغییر نده. منتظر تأیید صریح من بمان.
4. بعد از تأیید: فقط بازه‌هایی که گرافیک دارند را از HyperFrames رندر کن (نه کل ویدئو). رندر قطعه‌قطعه باشد (هر ردیف جدا) و قابل ادامه، تا اگر وسط کار قطع شد از اول شروع نشود. بعد کل ویدئو را با FFmpeg بساز.
5. بعد از پایان: یک contact sheet (فریم وسط هر ردیف) و فهرست ردیف‌های مشکوک بده.
6. بررسی نهایی: مدت فایل خروجی با اصل یکی باشد، هم‌زمانی صدا و تصویر، PSNR جدا برای تصویر من و اسکرین در بازه‌های بدون گرافیک، و صدای اصلی بیرون لحظه‌های افکت نمونه‌به‌نمونه با اصل یکی باشد.
7. فایل‌های موقت (PNGها و work) را فقط بعد از تأیید نهایی من پاک کن.

## کیفیت رندر (پیش‌نمایش و نهایی یکی است)
- ویدئوی اصلی نباید از Chrome عبور کند. HyperFrames فقط لایه‌ی گرافیک را به‌صورت PNG شفاف بی‌افت رندر کند و FFmpeg آن را روی فایل مبنا (فایل اصلی یا OUT\work\cut.mkv) بگذارد، بدون تبدیل رنگ.
- انکود نهایی: libx264، preset slow، CRF 12، پروفایل High، yuv420p، هم‌رزولوشن و هم‌fps فایل اصلی، تگ رنگی مثل فایل اصلی.
- صدا: AAC دست‌کم 192k. صدای اصلی بیرون لحظه‌های افکت باید با اصل یکی باشد.
- PNGهای شفاف در OUT\hf\renders بمانند تا تأیید نهایی من.
- حالت draft یا کیفیت پایین ممنوع.

## قواعد طراحی
- فونت Vazirmatn، متن راست‌چین، رنگ و استایل یک بار در brand.md و در همه‌ی موشن‌ها یکسان.
- هیچ متنی روی تصویر من و ۴۰ پیکسل اطرافش نیاید.
- اعداد فارسی (۹۴۸٬۵۷۶)؛ نام مدل‌ها و برندها لاتین (GPT-6).
- متن‌های ترکیبی فارسی و انگلیسی را بعد از رندر از نظر جهت و ترتیب کلمه‌ها چک کن.
- قبل از شروع شمارش عددی «—» نشان بده، نه «۰».
- انتقال بین ویدئو و موشن حدود ۰.۴ ثانیه و نرم.
- روی صفحه‌ی پایانی گرافیک نگذار. زیرنویس کامل نساز، مگر بخواهم.

## خروجی‌ها
- OUT\preview (کلیپ‌ها) و OUT\final.mp4 (فقط اگر محدوده‌ی ساخت «کل ویدئو» باشد)
- OUT\edit_plan.md، OUT\brand.md، OUT\transcript.json و در صورت برش OUT\cut_plan.md
- لیست لوگوهای کم‌شده و افکت‌های استفاده‌شده با منبع و مجوزشان

سناریوی ۲: ادیت فایل‌های جدا و هم‌گام‌سازی صدا و تصویر برای ادیت ویدیو با هوش مصنوعی

خیلی از تولیدکننده‌های محتوا صدا را جدا با میکروفون (مثلاً در Audition) ضبط می‌کنند، تصویرشان را با دوربین و جلوی پرده‌ی سبز، و صفحه را با یک نرم‌افزار دیگر. نتیجه سه فایل است که هیچ‌وقت دقیقاً هم‌زمان شروع نمی‌شوند. این سناریو اول این سه را هم‌گام می‌کند، بعد برش می‌زند و در آخر برای هر بخش ویدئو چیدمان جداگانه می‌سازد.

سه چیدمانی که Claude بین آن‌ها جابه‌جا می‌شود:

• دمو: اسکرین‌رکورد تمام‌صفحه و تصویر گوینده در یک دایره‌ی گوشه.
• گوینده: گوینده وسط کادر، روی یک پس‌زمینه‌ی متحرک.
• توضیح: گوینده یک طرف کادر و موشن‌گرافیک توضیحی طرف دیگر.

برای اینکه هم‌گام‌سازی خودکار و ادیت ویدیو با هوش مصنوعی جواب بدهد، موقع ضبط صدای خام دوربین و اسکرین‌رکورد را خاموش نکنید (حتی میکروفون لپ‌تاپ کافی است) و اول ضبط یک بار کف بزنید. Claude با مقایسه‌ی همین صداهای خام با صدای اصلی، اختلاف زمانی هر فایل را تا حد میلی‌ثانیه پیدا می‌کند.

این سناریو مرحله‌های بیشتری از سناریوی ۱ دارد؛ بار اول روی یک ویدئوی کوتاه امتحانش کنید. ریسک‌های اصلی‌اش جابه‌جا شدن تدریجی سینک در ضبط‌های طولانی، کیفیت لبه‌های پرده‌ی سبز و حجم بالای فایل‌های میانی است. نکته: این پرامپت به‌اندازه‌ی پرامپت سناریوی ۱ در ضبط واقعی آزمایش نشده است.

می‌خوام از ضبط‌های خام جدا (دوربین، اسکرین‌رکورد و صدا) یک ویدئوی آموزشی کامل بسازی: سینک، برش، چیدمان، موشن‌گرافیک و افکت. با اسکیل‌های HyperFrames که توی پروژه هست کار کن. کار در نه مرحله انجام می‌شود. هر جا نوشته «منتظر تأیید بمان»، واقعاً بایست.

مرحله‌ها: ۱ پیش‌نیازها، ۲ بررسی فایل‌ها و سینک، ۳ رونویسی و برش، ۴ تصویر من (کی)، ۵ فونت و لوگو، ۶ استایل، ۷ برنامه‌ی چیدمان و ادیت، ۸ پیش‌نمایش، ۹ رندر کامل.

## تنظیمات این ویدیو (فقط این بخش برای هر ویدئو عوض می‌شود)
- PROJECT_DIR: همین پوشه‌ای که الان در آن هستی
- TOOLS_DIR (مدل Whisper، Chrome رندر و کش‌ها): {مسیر پوشه‌ی ابزارها، مثلاً C:\ai-tools}
- پوشه‌ی این ویدئو: PROJECT_DIR\{نام-ویدئو}. OUT = PROJECT_DIR\{نام-ویدئو}\edit
- تصویر دوربین: {raw/cam.mp4} — روی پرده‌ی سبز؟ {بله | نه}
- اسکرین‌رکورد: {raw/screen.mp4}
- صدای اصلی: {raw/voice.wav} — {از قبل پردازش‌شده است؛ دست نزن | خام است}
- صدای خام دوربین و اسکرین ضبط شده؟ {بله | نه} — کف دست اول ضبط؟ {بله | نه}
- خروجی: {1920×1080، 30fps | مثل اسکرین‌رکورد}
- یادداشت موشن‌ها (اختیاری): {notes/beats.md | ندارم}
- موضوع ویدئو: {یک خط}
- مفهوم‌هایی که حتماً موشن کامل می‌خواهند: {...}
- جایی که گرافیک نمی‌خواهم: {مثلاً صفحه‌ی پایانی | خودت پیدا کن}
- محدوده‌ی ساخت: {کل ویدئو | فقط این بازه‌ها: ...}
- استایل: {از نو بساز | brand.md ویدئوی قبلی را کپی کن: مسیرش}
- ویدئوی قبلی (اختیاری): {مسیر پوشه‌ی قبلی؛ فقط خواندنی، برای کپی فونت و لوگو و brand.md | ندارم}

## قوانین ثابت (همیشه)
1. فایل‌های پوشه‌ی raw/ را هرگز تغییر، کپی یا جابه‌جا نکن. همه‌ی خروجی‌ها در OUT باشد.
2. پایتون فقط از venv داخل همین پروژه. هیچ‌چیز روی پایتون سیستم نصب نکن.
3. قبل از نصب یا دانلود هر چیز، اسم، حجم و مقصدش را بگو و منتظر تأیید بمان. کش‌ها را در TOOLS_DIR بگذار. تنها استثنا فونت و لوگو است (مرحله‌ی ۵).
4. هر چیزی که از قبل هست (venv، مدل، اسکیل‌ها، Chrome، فونت، لوگو، استایل) دوباره نساز و دوباره دانلود نکن. بگو که از موجود استفاده کردی.
5. خروجی‌های ویدئوی قبلی را فقط بخوان و هرگز تغییر یا پاک نکن. اسکریپت‌های قبلی را کپی نکن؛ نسخه‌ی جدید را در OUT از نو بنویس.
6. همه‌ی فایل‌های میانی (سینک، برش، کی) بی‌افت باشند (x264 با qp 0، FFV1 یا ProRes 4444 برای آلفا) تا فقط یک انکود نهایی داشته باشیم. قبل از ساخت هر کدام حجم تقریبی را بگو.
7. ترمینال متن فارسی را وارونه نشان می‌دهد: هر جدول و گزارش مهم را در یک فایل .md در OUT هم ذخیره کن.
8. فقط چیزی را گزارش کن که واقعاً اجرا و بررسی کرده‌ای. اگر چیزی را ندیده‌ای یا مطمئن نیستی، همین را بگو.

## مرحله ۱: پیش‌نیازها
فقط بررسی کن و جدول بده (هست / نیست / نسخه): Node.js ۲۲ یا بالاتر، FFmpeg، venv پروژه (import شدن faster_whisper و دیده شدن GPU با ctranslate2.get_cuda_device_count و وجود nvidia-cublas در venv)، مدل Whisper در TOOLS_DIR\models\faster-whisper-large-v3 و لود شدنش، اسکیل‌های HyperFrames در .claude\skills (دست‌کم: hyperframes، hyperframes-core، hyperframes-cli، hyperframes-animation، hyperframes-creative، talking-head-recut، embedded-captions، motion-graphics، media-use)، Chrome رندر در TOOLS_DIR\chrome (و HYPERFRAMES_BROWSER_PATH)، nvidia-smi (مدل، درایور، VRAM آزاد)، فضای خالی دیسک.
اگر همه سالم بودند، چیزی نصب نکن. اگر چیزی نبود، اسم، روش، حجم و مقصدش را بگو و منتظر تأیید بمان. اگر دانلودی قطع شد یا خطای شبکه داد، متن خطا را بگو و منتظر بمان؛ راه دیگری امتحان نکن.

## مرحله ۲: بررسی فایل‌ها و سینک
1. با ffprobe هر سه فایل را جدول کن: مدت، رزولوشن، fps و ثابت یا متغیر بودنش، کدک، فضای رنگی، نمونه‌برداری صدا. LUFS و true peak voice.wav را اندازه بگیر و گزارش کن.
2. اگر fps متغیر است یا با خروجی فرق دارد، نسخه‌ی ثابت بی‌افت در OUT\work بساز.
3. اگر صدای خام دارند: صدای خام دوربین و اسکرین را با voice.wav هم‌بستگی متقابل (cross-correlation) بده و فاصله‌ی زمانی هر کدام را به میلی‌ثانیه گزارش کن. اگر صدای خام ندارند: از کف دست (قله‌ی صوتی و فریمی که دست‌ها به هم می‌خورند) استفاده کن و اگر مطمئن نیستی، از من بپرس.
4. رانش (drift) را چک کن: همین سنجش را در ابتدا، وسط و انتهای ضبط تکرار کن. اگر اختلاف بیش از یک فریم تغییر کرد، گزارش بده و راه اصلاح (کشیدن خیلی جزئی صدا) را پیشنهاد کن؛ بدون تأیید اعمال نکن.
5. هر سه را از نقطه‌ی شروع مشترک تا پایان مشترک بی‌افت در OUT\work بساز.
6. سه کلیپ ۱۰ ثانیه‌ای (ابتدا، وسط، انتها) با صدای اصلی و تصویر دوربین کنار اسکرین بساز تا سینک لب را خودم ببینم. نتیجه را در OUT\sync_report.md بنویس و منتظر تأیید بمان.

## مرحله ۳: رونویسی و برش
1. voice.wav سینک‌شده را رونویسی کن (OUT\transcript_raw.json) با transcribe.py جدید در OUT: زبان fa، کلمه‌به‌کلمه با start و end، مدل از مسیر محلی (HF_HUB_OFFLINE=1).
   - اول صدا را با ffmpeg به wav تک‌کاناله ۱۶ کیلوهرتز تبدیل کن. خروجی کنسول را UTF-8 کن.
   - اگر کارت انویدیا هست از GPU استفاده کن (float16؛ اگر VRAM آزاد کمتر از حدود ۵ گیگ بود int8_float16). قبل از شروع یک تست ۱ ثانیه‌ای روی CUDA بزن؛ اگر شکست خورد، متن خطا را بگو و با پیام واضح به CPU (int8) برگرد. مسیر DLLها را با os.add_dll_directory داخل اسکریپت اضافه کن، نه PATH سیستم.
   - بعد از هر segment در یک خط چاپ کن: تایم‌کد، درصد پیشرفت و زمان باقی‌مانده (flush=True). هر ۱۰ segment خروجی جزئی را اتمی (فایل موقت، بعد rename) در OUT\transcript.partial.json ذخیره کن.
   - اسم برندها و اصطلاح‌های انگلیسی ویدئو را به‌عنوان initial_prompt بده: {لیست حدسی؛ فقط آنچه واقعاً در ویدئو هست}.
2. پیدا کن: سکوت‌های بیش از ۰.۶ ثانیه، «اِ / اوم» و شروع‌های اشتباه، جمله‌های تکراری (فقط آخرین تیک بماند)، جمله‌هایی که با «کات» یا «دوباره» شروع می‌شوند. جمله‌هایی که با «مارکر:» شروع می‌شوند دستور ادیت من‌اند: ستون جدا، برای مرحله‌ی ۷ نگه دار و از ویدئو حذف کن.
3. جدول برش‌ها (زمان، متن، دلیل) را در OUT\cut_plan.md بده و منتظر تأیید بمان.
4. بعد از تأیید، همان برش‌ها را دقیقاً یکسان روی هر سه منبع اعمال کن (مثل مولتی‌کم). وسط کلمه برش نزن، روی هر کات ۳۰ میلی‌ثانیه فید صوتی بگذار. خروجی‌ها بی‌افت در OUT\work.
5. صدای برش‌خورده را دوباره رونویسی کن (OUT\transcript.json)؛ از این به بعد همین مبناست. اسم یا عدد اشتباه تشخیص‌داده‌شده را با ✎ علامت بزن.

## مرحله ۴: تصویر من
- اگر روی پرده‌ی سبز است: با chromakey و despill کی کن، خروجی بی‌افت با آلفا. سه فریم نمونه PNG بگیر و لبه‌ها، مو و سایه را بررسی و گزارش کن.
- اگر پرده‌ی سبز نیست: فقط برش دایره‌ای یا مستطیلی از تصویر دوربین.
- نتیجه را نشانم بده و منتظر تأیید بمان.

## مرحله ۵: فونت و لوگو (دانلود بدون پرسیدن، با این شرط‌ها)
- فونت: Vazirmatn (Regular و Bold) از منبع رسمی (مخزن GitHub یا پکیج npm با نام vazirmatn) در OUT\fonts. مجوز (OFL) را گزارش کن. اگر در ویدئوی قبلی هست، کپی کن.
- لوگو: از روی رونویسی، برندهایی که اسمشان آمده را دربیاور. اگر در ویدئوی قبلی هست، کپی کن. برای بقیه فقط از منبع رسمی برند یا Simple Icons، ترجیحاً SVG یا PNG شفاف، در OUT\logos با اسم انگلیسی کوچک.
- از سایت‌های متفرقه یا جست‌وجوی تصویر لوگو نگیر. اگر منبع رسمی دانلود را مسدود کرد، دوباره تلاش نکن؛ آن برند «لوگوی کم‌شده» است و فقط متن می‌گذاری. خودت چیزی نساز.
- جدول بده: اسم فایل، منبع، فرمت، و اینکه لوگو را باز کرده‌ای و واقعاً همان برند است.

## مرحله ۶: استایل (brand.md)
- اگر «کپی از ویدئوی قبلی» است: کپی کن، مسیرها را اصلاح کن و بگو چه چیزهایی را اصلاح کردی. اگر «از نو بساز» است: OUT\brand.md را بساز (رنگ، فونت، پس‌زمینه‌ی متحرک چیدمان «گوینده»، استایل دایره‌ی تصویر و حلقه‌اش، چیپ لوگو، لیست، موشن، دو جای لیست، ناحیه‌ی ممنوع ۴۰ پیکسلی دور تصویر من).
- یک فریم نمونه واقعی از هر سه چیدمان رندر کن و نشانم بده.
- منتظر تأیید بمان. تا تأیید نکرده‌ام، پیش‌نمایش نساز.

## مرحله ۷: برنامه‌ی چیدمان و ادیت (فقط جدول، چیزی نساز)
برای هر بازه یکی از سه چیدمان:
- دمو: اسکرین‌رکورد تمام‌صفحه + تصویر من در دایره‌ی پایین-راست.
- گوینده: من وسط کادر روی پس‌زمینه‌ی متحرک برند (ساخته‌ی HyperFrames).
- توضیح: من یک طرف کادر، طرف دیگر موشن‌گرافیک توضیحی هم‌زمان با گفتارم.
قاعده: هر جا اسکرین چیز مهمی نشان می‌دهد → دمو؛ هر جا مفهومی را توضیح می‌دهم → توضیح؛ مقدمه و جمع‌بندی و بخش‌های بدون اسکرین مهم → گوینده. اگر beats.md یا دستور «مارکر:» هست، اول همان‌ها.

روی هر چیدمان، این چهار نوع گرافیک:
الف) لوگو: هر جا اسم یک اپ، سایت یا هوش مصنوعی را می‌گویم، چیپ لوگو روی همان کلمه، ۲ تا ۳ ثانیه. فقط از پوشه‌ی logos.
ب) لیست و نکته: آیتم‌ها با متن فارسی راست‌چین، هر آیتم هم‌زمان با گفتنش، حداکثر ۶ کلمه، نه کپی جمله‌ام.
ج) موشن توضیحی: در چیدمان «توضیح»، دیاگرام، فلش، عدد و متن فارسی متحرک. برای هر موشن در یک جمله بگو چه چیزی را نشان می‌دهد.
د) افکت صوتی: ووش ملایم برای تغییر چیدمان، پاپ برای لوگو، کلیک نرم برای آیتم لیست. اوج هر افکت حداکثر ۱۸٪ اوج صدای گفتار. اول از افکت‌های داخل پکیج HyperFrames استفاده کن (مجوزشان را گزارش کن)؛ برای هر دانلود دیگر منبع و مجوز را بگو و منتظر تأیید بمان.

قواعد جدول:
- ستون‌ها: شروع، پایان، چیدمان، نوع گرافیک، متنی که می‌گویم، چه چیزی و کجای صفحه. جدول را بخش‌بخش (هر حدود ۵ دقیقه) در OUT\edit_plan.md بنویس.
- شلوغ نباشد؛ مورد مشکوک را «اختیاری» علامت بزن.
- برای الف و ب در چیدمان دمو، فریم اسکرین همان لحظه را نگاه کن و جایی بگذار که روی محتوای مهم و تصویر من نیفتد (بالا-راست یا پایین-چپ).
- زمان‌ها را از transcript.json بردار و دوباره تطبیق بده؛ از حافظه ننویس. اسم یا عدد اصلاح‌شده را با ✎ و مورد نامطمئن را با ⚠ علامت بزن.
- جدول را ذخیره کن و منتظر تأیید بمان.

## مرحله ۸: پیش‌نمایش
1. بازه‌های پیشنهادی را جدول کن و منتظر تأیید بمان: چند کلیپ کوتاه (هر کدام حداکثر ۶۰ ثانیه) که هر سه چیدمان، دست‌کم یک تغییر چیدمان و هر چهار نوع گرافیک را پوشش بدهند.
2. کلیپ‌ها را با روش و کیفیت نهایی بساز (بخش «کیفیت رندر»). snapshot بگیر و چک کن: متن فارسی و ترتیب فارسی و لاتین درست، لبه‌های کی تمیز، سینک لب درست، چیزی روی صورتم نیست.
3. زمان واقعی رندر کلیپ‌ها را اندازه بگیر و نتیجه را نشانم بده و منتظر نظرم بمان. اگر محدوده‌ی ساخت چند بازه است، کار اینجا تمام می‌شود.

## مرحله ۹: رندر کامل (فقط اگر محدوده‌ی ساخت «کل ویدئو» است)
1. فضای دیسک را چک کن و حجم فایل‌های میانی را تخمین بزن؛ اگر کم بود، بگو و منتظر بمان.
2. بر اساس زمان واقعی رندر کلیپ‌ها، تخمین زمان رندر و انکود نهایی را بده و منتظر تأیید صریح من بمان.
3. بعد از تأیید: فقط لایه‌های گرافیک و پس‌زمینه را از HyperFrames رندر کن، قطعه‌قطعه (هر ردیف جدا) و قابل ادامه تا اگر وسط کار قطع شد از اول شروع نشود. ترکیب نهایی را با FFmpeg از فایل‌های میانی بی‌افت بساز.
4. بعد از پایان: contact sheet و فهرست ردیف‌های مشکوک بده. بررسی نهایی: مدت خروجی، هم‌زمانی صدا و تصویر، و سنجش جدا برای تصویر من و اسکرین در بازه‌های بدون گرافیک.
5. فایل‌های میانی و PNGها را فقط بعد از تأیید نهایی من پاک کن.

## کیفیت رندر
- هیچ ویدئوی خامی از Chrome عبور نکند. HyperFrames فقط لایه‌های گرافیک و پس‌زمینه را بی‌افت (PNG شفاف یا بی‌افت ویدئویی) رندر کند. ترکیب اسکرین، تصویر من و گرافیک‌ها فقط با FFmpeg.
- انکود نهایی یک بار: libx264، preset slow، CRF 12، پروفایل High، yuv420p، تگ رنگی BT.709.
- صدا: voice.wav برش‌خورده + افکت‌ها، AAC دست‌کم 192k. نرمال‌سازی بلندی روی ‎-14 LUFS برای یوتیوب (اگر صدا از قبل پردازش‌شده است، دست نزن).
- حالت draft یا کیفیت پایین ممنوع.

## قواعد طراحی
- فونت Vazirmatn، متن راست‌چین، رنگ و استایل یک بار در brand.md و در همه‌ی بخش‌ها یکسان.
- هیچ متنی روی تصویر من و ۴۰ پیکسل اطرافش نیاید.
- اعداد فارسی؛ نام مدل‌ها و برندها لاتین.
- متن‌های ترکیبی فارسی و انگلیسی را بعد از رندر از نظر جهت و ترتیب کلمه‌ها چک کن.
- قبل از شروع شمارش عددی «—» نشان بده، نه «۰».
- انتقال بین چیدمان‌ها و بین ویدئو و موشن حدود ۰.۴ ثانیه و نرم.
- روی صفحه‌ی پایانی گرافیک نگذار. زیرنویس کامل نساز، مگر بخواهم.

## خروجی‌ها
- OUT\final.mp4 (فقط بعد از مرحله‌ی ۹)
- OUT\cut_plan.md، OUT\edit_plan.md (با ستون چیدمان)، OUT\brand.md، OUT\sync_report.md
- لیست لوگوهای کم‌شده و افکت‌ها با منبع و مجوزشان

محدودیت‌ها و نکته‌های مهم در ادیت ویدیو با هوش مصنوعی

ادیت ویدیو با هوش مصنوعی برای ویدئوهای آموزشی خوب کار می‌کند، ولی جای چشم شما را نمی‌گیرد. این نکته‌ها از رایج‌ترین مشکل‌های این روش‌اند:

• اعداد و اسم‌ها را خودتان چک کنید. Whisper گاهی اسم ابزارها و اعداد را اشتباه می‌نویسد، حتی با initial_prompt. Claude این‌ها را اصلاح و با ✎ علامت می‌زند و موارد نامطمئن را با ⚠، ولی هر عددی که روی صفحه می‌رود را قبل از تأیید با خود ویدئو تطبیق دهید. عدد غلط روی صفحه بدتر از هر خطای دیگری است.
• کیفیت تصویر: اگر HyperFrames کل ویدئو را رندر کند، صورت گوینده و متن‌های ریز صفحه نرم می‌شوند. جدا کردن لایه‌ی گرافیک و ترکیبش با FFmpeg این مشکل را حل می‌کند و پرامپت‌های این مقاله از اول همین کار را می‌کنند. اگر پیش‌نمایش را کم‌کیفیت دیدید، اول بپرسید با چه رزولوشن، کدک و CRF رندر شده؛ حالت draft را در پرامپت ممنوع کرده‌ایم.
• زمان‌های جدول: Claude گاهی زمان یک ردیف را اشتباه گزارش می‌کند. جدول برنامه‌ی ادیت را قبل از رندر کامل با دقت بخوانید.
• جای لوگو و لیست: چیپ لوگو ممکن است روی محتوای مهم صفحه بیفتد. به همین خاطر در پرامپت خواسته شده قبل از گذاشتن هر لوگو، فریم همان لحظه بررسی شود.
• لوگوهای بدون منبع رسمی: بعضی برندها دانلود لوگو را مسدود می‌کنند (مثلاً خطای ۴۰۳ از سایت رسمی). پرامپت‌ها در این حالت چیزی نمی‌سازند و فقط متن می‌گذارند. اگر لوگو می‌خواهید، فایل رسمی را خودتان در پوشه‌ی logos بگذارید.
• متن فارسی در ترمینال: Claude Code متن فارسی را در ترمینال وارونه نشان می‌دهد. برای خواندن جدول‌ها فایل‌های .md را باز کنید؛ در خود ویدئو مشکلی نیست.
• اسکیل‌ها روی ویندوز: نصب‌کننده ممکن است لینک اسکیل‌ها را برای Claude Code نسازد و کپی دستی لازم شود.
• زمان رندر: عدد ثابتی نمی‌شود گفت؛ به سرعت سیستم، تعداد گرافیک‌ها و طول ویدئو بستگی دارد. Claude بعد از رندر واقعی کلیپ‌های پیش‌نمایش تخمین می‌دهد. لپ‌تاپ را به برق بزنید و حالت sleep را غیرفعال کنید.
• رندر قطعه‌قطعه: برای ویدئوهای طولانی (مثلاً ۲۵ دقیقه)، رندر هر ردیف جدا و قابل‌ادامه است تا اگر وسط کار قطع شد، از اول شروع نشود.

تصمیم‌های خلاقانه هنوز با شماست: ریتم ویدئو، لحن و اینکه کدام لحظه واقعاً ارزش موشن دارد. هوش مصنوعی پیشنهاد می‌دهد و شما تأیید می‌کنید.

سؤالات متداول درباره‌ی ادیت ویدیو با هوش مصنوعی

ادیت ویدیو با هوش مصنوعی Claude رایگان است؟
ابزارهای جانبی رایگان و متن‌بازند: HyperFrames، FFmpeg و Whisper. ولی Claude Code به یک پلن پولی Claude نیاز دارد؛ این روش با پلن Pro هم قابل اجراست.

با اپلیکیشن چت معمولی Claude هم می‌شود ویدئو ادیت کرد؟
نه. چت معمولی نمی‌تواند روی فایل‌های ویدئویی کامپیوتر شما FFmpeg و رندر اجرا کند. باید از Claude Code استفاده کنید؛ در ترمینال یا تب Code در اپ دسکتاپ Claude.

آیا Whisper گفتار فارسی را درست تشخیص می‌دهد؟
مدل large-v3 فارسی را خوب تشخیص می‌دهد، ولی گاهی اسم ابزارهای انگلیسی و اعداد را اشتباه می‌نویسد. دادن اسم ابزارها در initial_prompt کمک می‌کند ولی تضمین نیست. Claude موقع ساختن جدول این اشتباه‌ها را اصلاح و با علامت ✎ مشخص می‌کند تا آن‌ها را چک کنید.

برای ادیت ویدیو با هوش مصنوعی کارت گرافیک لازم است؟
نه. همه چیز روی CPU هم اجرا می‌شود، فقط کندتر. کارت گرافیک NVIDIA مخصوصاً سرعت رونویسی را چند برابر می‌کند (در آزمایش ما، یک ویدئوی ۱۲ دقیقه‌ای روی RTX 3050 حدود ۳ دقیقه، در برابر تخمین حدود ۲۰ دقیقه روی CPU) و به یک کتابخانه‌ی CUDA اضافه‌ی حدود ۷۰۰ مگابایتی داخل venv نیاز دارد. رندر HyperFrames بیشترش کار CPU و Chrome است و با کارت گرافیک تغییر زیادی نمی‌کند.

Chrome رندر HyperFrames همان Google Chrome من است؟
نه. یک نسخه‌ی جدا و بدون پنجره از Chromium است که فقط HyperFrames برای رندر استفاده می‌کند. در پوشه‌ی ابزارها نصب می‌شود و به Chrome معمولی، بوکمارک‌ها و تنظیمات شما کاری ندارد.

با Codex یا ChatGPT هم کار می‌کند؟
اسکیل‌های HyperFrames برای Codex هم نصب می‌شوند و منطق پرامپت‌ها عمومی است، ولی این ترکیب در این راهنما بررسی نشده است.

می‌شود خروجی را در Premiere ادامه داد؟
پرامپت‌های این مقاله یک MP4 نهایی می‌سازند. برای ادامه‌ی کار در Premiere می‌توانید از Claude بخواهید گرافیک‌ها را جدا و با پس‌زمینه‌ی شفاف خروجی بگیرد تا روی تایم‌لاین بگذارید؛ این حالت در این راهنما پوشش داده نشده است.

جمع‌بندی

ادیت ویدیو با هوش مصنوعی دیگر فقط حذف سکوت و ساختن زیرنویس نیست. با ترکیب Claude Code، Whisper، HyperFrames و FFmpeg می‌توانید روی ویدئوی آموزشی خودتان لوگو، نکته‌ی روی صفحه، موشن‌گرافیک توضیحی، بک‌گراند متحرک و افکت صوتی بگذارید؛ با متن فارسی درست و کیفیتی نزدیک به فایل اصلی.

برای شروع، پیش‌نیازها را یک بار نصب کنید (دستی یا با پرامپت ۱)، سناریوی ۱ را اول روی یک بازه‌ی کوتاه از ویدئو امتحان کنید و هر جدول و فریم نمونه را قبل از تأیید با دقت ببینید. وقتی به نتیجه اعتماد کردید، سراغ کل ویدئو و بعد سناریوی ۲ و ضبط‌های جدا بروید.