نحوه استفاده از Claude Code برای خودکارسازی پروژه‌های بازاریابی ویدیویی (راهنمای جامع)

آنچه که شما خودکار خواهید کرد (به طور خلاصه)

چرا Claude Code برای بازاریابی ویدیویی؟

معماری خودکارسازی

video-automation/
├─ config/
│ ├─ brand_voice.yaml
│ ├─ platforms.yaml
│ └─ prompts/
│ ├─ script_prompt.md
│ ├─ title_desc_prompt.md
│ └─ clip_rules.md
├─ data/
│ ├─ raw/
│ ├─ processed/
│ └─ captions/
├─ scripts/
│ ├─ generate_script.py
│ ├─ transcribe.py
│ ├─ autoclip.py
│ ├─ captions.py
│ ├─ repurpose.py
│ └─ schedule_upload.py
└─ Makefile

مرحله 1: بذرپاشی صدای برند و خلاصه‌های خلاقانه خود

brand:
persona: "مربی عمل‌گرا اما خوش‌بین"
audience: "بازاریابان {B2B SaaS} و سازندگان انفرادی"
pillars:
- "خودکارسازی عملی بر نظریه"
<a6>- "تصمیمات مبتنی بر داده"</a5>
- "نشان بده، نگو"
banned_phrases:
- "تغییردهنده بازی"
- "مخل"
style:
tone: "روشن، مختصر، دوستانه"
reading_level: "پایه 8–9"
ctas:
primary: "برای ساخت‌های خودکارسازی هفتگی مشترک شوید"
secondary: "قالب گردش کار را بگیرید"

شما یک بازاریاب ویدیویی ارشد و فیلمنامه‌نویس هستید. یک فیلمنامه 60–90 ثانیه‌ای بنویسید که:
- در 3 ثانیه با یک نقطه داده جذب کند
- 1 نکته عملی ارائه دهد
- از صدای برند در {brand_voice.yaml} استفاده کند
- یک لیست صحنه با مُهرهای زمانی، {B-roll} پیشنهادی و متن روی صفحه خروجی دهد

مرحله 2: تولید فیلمنامه با Claude + قالب‌های محلی

# استخراج صدا
ffmpeg -y -i data/raw/input.mp4 -vn -acodec pcm_s16le data/processed/audio.wav
# اجرای Whisper (مثال)
whisper data/processed/audio.wav \
--model medium \
--language en \
--task transcribe \
--output_dir data/captions

ffmpeg -i data/raw/input.mp4 -vf subtitles=data/captions/input.srt -c:a copy data/processed/captioned.mp4

مرحله 4: برش خودکار ویدیوهای طولانی به ویدیوهای کوتاه

# برش 00:02:10–00:02:40
ffmpeg -ss 00:02:10 -to 00:02:40 -i input.mp4 -c copy out_clip.mp4
# افکت {punch-in} (مقیاس + برش)
ffmpeg -i out_clip.mp4 -filter:v "scale=iw*1.08:ih*1.08, crop=iw:ih" -c:a copy out_clip_zoom.mp4

مرحله 5: تولید دسته‌ای زیرنویس‌ها، عناوین، توضیحات و هشتگ‌ها

مرحله 6: تصاویر بندانگشتی با انواع متن

مرحله 7: بارگذاری و زمان‌بندی

مرحله 8: سازماندهی با یک Makefile یا Task Runner

shorts: transcribe autoclip captions repurpose
@echo "ویدیوهای کوتاه ایجاد شده در data/processed/shorts"
longform: generate_script captions
upload:
python scripts/schedule_upload.py --platform youtube --input data/processed/shorts

مرحله 9: دروازه‌های کیفیت و تجزیه و تحلیل

نمونه جریان جامع

الگوهای درخواست عملی برای Claude Code

یادداشت‌های ابزار و نکات تنظیم

مثال: ابتکار عمل {Autoclip} حداقلی (پایتون)

import re
from typing import List, Tuple
HOOK_PATTERNS = [r"\bhere's the\b", r"\bthe mistake\b", r"\bdo this\b", r"\bin 30 seconds\b",
]
def score_line(line: str) -> int:
s = 0
if len(line) < 140: s += 10
if re.search(r"\b\d+%|\d+x|\b\d+ (seconds|minutes|steps)\b", line): s += 20
if any(re.search(p, line.lower) for p in HOOK_PATTERNS): s += 20
if line.endswith: s += 10
return min(s, 100)
def propose_clips(transcript: List[Tuple[float, float, str]], max_len=35):
clips = []
cur = []
cur_len = 0
for start, end, text in transcript:
cur.append((start, end, text))
cur_len += (end - start)
if cur_len >= max_len or score_line(text) > 40:
clips.append((cur[0][0], end))
cur, cur_len = [], 0
if cur:
clips.append((cur[0][0], cur[-1][1]))
return clips

مقیاس‌بندی سیستم

شایان ذکر است: استفاده از Sider برای تسریع درخواست و بررسی‌ها

اشتباهات رایج (و رفع‌ها)

مراحل بعدی شما

سوالات متداول