Sonido con intención
Identifica el video, fps, duración y biblioteca disponible. Esta skill no incluye audios. Usa la biblioteca autorizada del usuario y respeta las reglas del proyecto sobre su origen (por ejemplo, una carpeta o script obligatorio). No inventes rutas ni presupongas que existe un script.
- Fija primero eventos visuales y narrativos. Elige efectos por causa perceptible o intención narrativa; evita ruido por cada palabra. Un ambiente continuo puede ser intencional.
- Busca candidatos en el catálogo disponible. Nombres y etiquetas no prueban cómo suenan: preescucha antes de elegir. Si no puedes escuchar, presenta la selección como provisional.
- Copia solo los recursos usados a la carpeta del proyecto. Conserva la biblioteca original y documenta origen, licencia y cambios. No redistribuyas packs comprados por el hecho de tenerlos localmente.
- Alinea el ataque o pico del efecto con el impacto, no necesariamente el inicio del archivo. Calcula inicio = cuadro del impacto / fps − tiempo del pico. Si resulta negativo, ajusta el montaje o recorta una copia sin destruir el original. Respeta las colas y evita clics de corte.
- Mantén inteligible la voz; automatiza música y efectos en remates y pausas. Mide el conjunto, no solo pistas aisladas. En Remotion evita duplicar voz o montar un efecto fuera de su duración.
- Reproduce y mide el export final. Con FFmpeg,
ffmpeg -i video.mp4 -af ebur128=peak=true -f null -permite leer LUFS y true peak. Usa el objetivo del proyecto; si falta, propone uno como criterio de trabajo, no regla universal de plataforma. Un pico correcto no garantiza mezcla agradable.
Entrega archivos usados, eventos de sincronía, mediciones y pendientes reales. No afirmes haber escuchado si solo analizaste métricas. Descargar o generar nuevos recursos requiere que esté dentro del encargo; prioriza lo existente.
Sin biblioteca: síntesis propia
Si no hay biblioteca autorizada o el tema pide sobriedad, la cama y los efectos pueden sintetizarse por código (NumPy/SciPy): colchón cálido y bajo sin percusión para temas serios; tics, barridos, campanas suaves, golpes graves o un acorde de arranque para la entrada. Es material original sin licencias de terceros: documéntalo como síntesis. Cachea lo que tarde en generarse. Si piden un sonido «tipo» de una marca, resuélvelo con uno propio, no con una imitación reconocible.
Niveles que han funcionado
Son criterios de trabajo, no reglas de plataforma; el objetivo del proyecto manda.
- Voz a ≈ −18 dBFS RMS. Música unos 10 dB por debajo mientras se habla en piezas educativas o comerciales, y unos 18 dB en temas serios; sube 4–6 dB en pausas largas y en una entrada sin voz, para que no quede en silencio.
- Ducking con filtros de mínimo y promedio móvil (
scipy.ndimage.minimum_filter1d,uniform_filter1d).np.convolvesobre la señal completa se cuelga. - Efectos sutiles (≈ −18 a −20 dB) anclados a palabras o a frames en un archivo de datos (
sfx.json: frase + palabra o tiempo absoluto), para que sigan a la voz si cambia. - Limitador por pico real (sobremuestreo ×4): las voces de ElevenLabs traen picos entre muestras de hasta +1.4 dBTP aunque el pico de muestra parezca seguro.
- Normalización final con
loudnormen dos pasadas a −16 LUFS / −1.5 dBTP (LRA 11,linear=true) y AAC a 48 kHz. Si el LRA medido supera el objetivo (entrada y cierre sin voz), FFmpeg cambia a modo dinámico: anótalo. - Para comprobar que cada palabra tiene energía en la mezcla final, tolera ±60 ms por el retardo del codificador AAC (≈ 42 ms), y que en las pausas de la locución no aparezcan sonidos de voz.