Вертикальные пояснительные видеоролики STEM, построенные из спецификации вместо генерируемого анимационного кода.

Восемь секунд от HTTP-объяснителя, построенного с помощью этого плагина: диаграмма последовательности, раздел Изменить, затем блок кода прошел через линию за линией. Повествование определяет сроки.*

** Посмотреть готовый: ** Что такое сверточная нейронная сеть? — полный объяснитель, опубликованный на YouTube Shorts, построенный с помощью этого конвейера.

*Основы из примера K-Means: кластерные графики, вычисленные из фактического набора данных, аннотированные призывы, сравнение квантования, а не иллюстрации этих идей.

##Разница

Большинство видеоинструментов LLM просят модель ** написать код анимации **, а затем запустить его и надеяться, что он будет работать. Соединяется во что-то, что выглядит правильно. Поэтому окружающая их экосистема полна петли рецензентов, которые читают журналы исполнения, и почему есть публичные таблицы лидеров, оценивающие, как Часто каждая модель создает рабочую анимацию.

stem-shorts просит модель ** заполнить спецификацию, которая проверяется **. Композиция является фиксированной Контракт, рендереры — это детерминированный Python, и спецификация проверяется до того, как что-либо будет выполнено. нарисован. Наихудший результат - график, который может быть красивее.

stem-shorts

Vertical STEM explainer videos, built from a spec instead of generated animation code.

Eight seconds from an HTTP explainer built with this plugin: a sequence diagram, a section change, then a code block walked through line by line. Narration drives the timing.

▶ Watch a finished one: What is a convolutional neural network? — a full explainer published to YouTube Shorts, built with this pipeline.

Frames from the bundled K-Means example: clustering plots computed from an actual dataset, annotated callouts, a quantization comparison — not illustrations of those ideas.

The difference

Most LLM video tools ask the model to write animation code, then run it and hope it compiles into something that looks right. That is why the ecosystem around them is full of reviewer loops that read execution logs, and why there are public leaderboards scoring how often each model produces a working animation.

stem-shorts asks the model to fill in a spec that gets validated. The layout is a fixed contract, the renderers are deterministic Python, and the spec is checked before anything is drawn. The worst outcome is a chart that could be prettier. It is never a broken video.

Three things follow from that, which the code-generation approach struggles to give you:

• Vertical 1080×1920 for TikTok, Reels and Shorts — not a 16:9 lecture recording.
• Timing derived from the real audio. Each line’s narration is measured with ffprobe after it is generated, and the animation is built around those durations. Nothing is estimated.
• No LaTeX distribution. Formulas render through MathJax, so there is no texlive to install and no 4 GB of dependencies.

Quickstart

# In Claude Code
/plugin marketplace add TUDONG05/stem-shorts
/plugin install stem-shorts@stem-shorts

Install the two external tools the pipeline shells out to, then ask for a video:

pip install edge-tts matplotlib numpy   # narration + renderer
# FFmpeg: apt install ffmpeg  /  brew install ffmpeg

Make a video comparing K-Means and Fuzzy C-Means

The skill scaffolds the project, confirms the script with you, generates the narration, renders the visuals and formulas, and assembles the composition. It stops for your approval at each decision point unless you set AUTO_CREATE_VIDEO=1.

To run the bundled example directly instead, see examples/.

Requirements