0xSero/video-edit

Edición de video (grabación de pantalla / OBS / charla)

Kit de scripts: scripts/ en esta skill (prep.sh, transcript_txt.py, ocr_scan.py, cam_flags.py, df_enhance.py, build_edl.py, render.py, verify_output.py, chapters.py, overview.py, job.example.json, selftest.sh). Ejecútalos desde una copia en <workdir>/scripts/ para que un trabajo nunca dependa del directorio de la skill. scripts/selftest.sh demuestra una instalación completa en un par de minutos.

Entradas

• <src>: la grabación, normalmente el más reciente ~/Desktop/*.mov (nomenclatura de OBS YYYY-MM-DD HH-MM-SS.mov). Si hay varias grabaciones recientes, confirma cuál ANTES de iniciar el largo pipeline; editar el video equivocado desperdicia una hora.
• <target_minutes>: pregunta si no se proporciona; normalmente 20-30 a partir de una fuente de 45-90 min.
• <workdir>: directorio temporal nuevo, ej. /tmp/<session>/edit.
• Cadena de herramientas: ffmpeg 6+, python3, mlx_whisper, DeepFilterNet3, Pillow/numpy/soundfile, Apple Vision (pyobjc-framework-Vision/-Quartz).

Pasos

1. Reconocimiento, nunca tocar la fuente. ffprobe <src> (resolución, fps, audio). Trabaja solo con copias/extracciones en <workdir>.
2. Preparación. prep.sh "<src>" $W: orig48.wav, mono16.wav, frames/ (1 cada 2 s), camall/ (recorte de webcam a 1 fps, geometría derivada automáticamente de la resolución), sheet_overview.jpg, silences_raw.txt (solo diagnóstico), y transcript.json (mlx_whisper large-v3-turbo, marcas de tiempo por palabra, ~4 min). Whisper sigue ejecutándose en segundo plano después de que prep regresa; inicia df_enhance.py orig48.wav df_enhanced.wav (DeepFilterNet3, ~6 min CPU) AHORA, es independiente.
3. Lee toda la transcripción (3 fragmentos mediante transcript_txt.py ... --from/--to). Escribe los rangos a conservar (segundos de la fuente) en job.json -> keep. El recorte de silencios es menor (~2 de 47 min); los minutos reales provienen de decisiones de contenido. Whisper se informa a sí mismo: una frase repetida 10+ veces o segmentos vacíos = tiempo muerto, córtalo.
4. Paso de estática visual. "No pasa nada" a menudo es estático visual, NO silencio. Diferencia de fotogramas en los frames a 0.5 fps: <1% de píxeles cambiados en una ventana de ~10 s = inactivo; fusiona ejecuciones separadas por destellos <=1 s; requiere >=4 s para cortar; 0.5 s de manejo. Cursores parpadeantes/spinners simulan actividad: enmascara o eleva el umbral; verifica fotogramas intermedios en busca de ráfagas de cambio-y-reversión. La escritura es ruido, no silencio: las compuertas usan RMS en la pista mejorada (pause.loud_db), nunca silencedetect en bruto.
5. Apertura. Corta todo antes del primer contenido real. Si el inicio es lento/aburrido, comienza con la demo más interesante; opcionalmente abre con 1-2 clips emocionantes y luego acelera la introducción. Nunca abras con fondo de pantalla/negro: unos primeros 30 s entrecortados se leen como basura.
6. Escaneo de filtraciones (se ejecuta mientras lees). ocr_scan.py scan después de run en frames/: IPv4/v6, *.ts.net, correos electrónicos, claves API, material SSH. Pase denso a 2 fps en cada rango de terminal/configuración densa (ocr_scan.py dense src.mov dense 600:60 ...). Texto estático -> boxes (relleno sólido); salida de terminal con desplazamiento -> desenfoca todo el panel (blur ventana + blur_regions, en píxeles de origen) para la ventana; las cajas por línea pierden texto entre muestras. 127.0.0.1/localhost están bien. Registra cada ventana en job.json.
7. Cortes de privacidad (webcam). cam_flags.py (mano cerca de la boca mediante Vision) + cam_flags.py --sheet S:DUR hojas ampliadas a 2 fps de cada grupo marcado. Corta los momentos que el usuario no publicaría: mano en la cara durante una pausa, salir del escritorio, otra persona en el encuadre, segmentos de rostro a pantalla completa. Las poses de pensamiento normales y los gestos pequeños están bien. NUNCA cortes a mitad de una frase por un gesto; salta al límite de oración más cercano y anota lo que se perdió.
8. Los cortes basados en marcas de tiempo del usuario son literales. "corta 0000 - 01:12" -> ponlo en job.cuts (o keep), aplícalo exactamente, luego vuelve a verificar el ritmo alrededor de la unión.
9. Maestría de audio. Sanidad: correlación mejorado-vs-original > 0.95 (df_enhance.py lo imprime). La audio_chain predeterminada es paso alto 75, cortes/refuerzos alrededor de 220 Hz / 3.2 kHz / 9 kHz, de-esser, compresor 3:1; elimina cualquier tono de ventilador persistente añadiendo un término equalizer; render.py hace la normalización de dos pasos loudnorm a -16 LUFS / -1.5 dBTP. El micrófono sin procesar se mantiene como pista de audio 2.
10. EDL + renderizado. build_edl.py -> segments.json (pausas >0.7 s dentro de los keep acortadas a 0.4 s; ajustadas a la velocidad de fotogramas probada; <0.3 s eliminadas). render.py: codificaciones h264_videotoolbox paralelas agrupadas, concat -c copy, multiplexa ambas pistas. Es reiniciable por grupo: si un grupo falla, arréglalo y vuelve a ejecutar, los grupos no modificados se saltan. Entrega 1080p a menos que se pida otra cosa (4K duplica el tiempo de renderizado para nada).
11. Verificar antes de entregar. verify_output.py sale con código distinto de cero a menos que el recuento de fotogramas coincida con el EDL, ambas pistas de audio coincidan con la duración del video, y el OCR de la salida a 4 fps en cada ventana de redacción encuentre cero filtraciones. También extrae fotogramas de salida en cada corte de privacidad y en 0:00-1:00 y MÍRALOS. Usa --full para un barrido completo de filtraciones cuando el material sea sensible.
12. Vuelve a transcribir el nuevo corte. La transcripción, los subtítulos y los capítulos deben coincidir con la línea de tiempo de SALIDA, no con la fuente: vuelve a ejecutar whisper en el corte (o chapters.py, que reasigna a través del EDL) antes de escribir SRT/capítulos. Nunca envíes tiempos de SRT tomados de la transcripción fuente.
13. Metadatos + entrega. Sin que te lo pidan dos veces: marcas de tiempo de capítulos (chapters.py, >=3, primero en 0:00), 2-3 opciones de título, ~30 etiquetas con menos de 500 caracteres (+2 variantes de etiqueta/descripción si se solicita), descripción, SRT por idioma (~42 caracteres/línea; multilingüe si se solicita), todo como texto plano. Miniatura mediante youtube-pack: lee las últimas 10 miniaturas del usuario para conocer el estilo; fondo blanco/crema por defecto + texto negro, sin rostro a menos que se solicite, logotipos/texto grandes y sin saturar. Luego mueve <output>.mp4 (y SRTs/metadatos) a ~/Descargas y open el archivo / abre la carpeta en la aplicación predeterminada.

Salidas

• <Topic> - YYYY-MM-DD - edit.mp4 (1080p, 2 pistas de audio) en ~/Descargas, abierto en la aplicación predeterminada.
• <workdir>: job.json, segments.json, group_bounds.json, vf_<n>.txt, registros de redacción/privacidad.
• ~/Descargas: SRTs, metadata.txt (títulos, descripción, etiquetas, capítulos).
• Opcional si se solicita: subvideos temáticos divididos de la misma fuente, cada uno con sus propios capítulos.

Se compone con

whisper/DFN3 (en kit) -> video-edit (mp4 verificado en ~/Descargas) -> youtube-pack (thumbnail.png) -> subida al navegador a YouTube Studio configurado como los otros videos del usuario.

Reglas

• Nunca modifiques la grabación fuente.
• La duración objetivo es un objetivo; si el contenido no se reduce sin desvirtuar la charla, entrega ligeramente por encima y nombra los dos siguientes cortes.
• Corta digresiones completas antes de recortar más pausas; mantén la charla técnica, las demos en vivo, las salvedades honestas, el resumen.
• Termina siempre con: mover a ~/Descargas + abrir.
• Informa fielmente: no puedes oír el resultado, dilo y señala la pista 2.
• El audio grabado por separado (Discord/Craig) normalmente no existe; revisa Escritorio/Descargas/iCloud/Notas de Voz, si no está, usa el micrófono de OBS y dilo.
• Cuando te pidan liberar espacio: elimina borradores/variantes antiguos no aceptados, conserva la fuente y el final.
• Podcasts con varias personas: encuentra las pistas de audio CORRECTAS (normalmente 2 de muchas), asigna el audio al orador correcto, alterna el video con la persona que habla, transiciones limpias.
• Nunca afirmes que la edición está completa porque el renderizado terminó; solo verify_output.py + fotogramas revisados visualmente lo confirman.

Verificación

• verify_output.py imprime PASS (recuento de fotogramas, dos pistas de audio, sin filtraciones en ventanas) y sale con 0.
• Fotogramas revisados visualmente en 0:00-1:00 y en cada corte de privacidad (verify_output.py --sheet 0:60).
• Verificación puntual de la re-transcripción SRT contra el corte.
• ffprobe del archivo entregado: duración, resolución, fps, 2 flujos de audio.

Fallos conocidos

• Video equivocado editado -> confirma que el más reciente/tema coincida antes del pipeline.
• Subtítulos/capítulos en la línea de tiempo fuente -> vuelve a transcribir después del corte (paso 12).
• Nombre de host visible en la salida -> texto desplazándose entre muestras de OCR; desenfoca todo el panel, amplía la ventana, luego OCR del lado de la salida.
• Silencedetect corta la escritura/reproducción de video -> compuerta basada en RMS de audio mejorado (pause.loud_db), no solo silencio.
• Apertura negra entrecortada -> verifica fotogramas de salida 0:00-1:00, abre con contenido real.
• cp -i solicita sobrescritura / el sandbox TCC bloquea ~/Descargas -> usa /bin/cp con sandbox desactivado.
• El filtro ffmpeg muere ("Cannot allocate memory") pasadas ~100 cláusulas between() -> menos render_groups.
• El cursor parpadeante cuenta como actividad en la diferencia de fotogramas -> enmascara/ajusta el umbral, verifica fotogramas intermedios.
• render.py desajuste de fotogramas -> se niega a concatenar; lee render_<n>.log (-ss antes de un keyframe, decodificador roto).
• Whisper aún se ejecuta cuando lees transcript.json -> transcript_txt.py reporta segmentos vacíos; espera a que whisper.log termine.

Ejemplos

• Charla del 2026-09-02, 47 min -> 26 min: 32 rangos keep, 2 cortes de privacidad (9:52-9:58, 26:08-26:14), 2 ventanas blur + 1 box para un nombre de host *.ts.net, renderizado ~2 h de reloj, filtración detectada solo por OCR del lado de la salida.
• Sesión de enseñanza OBS del 2026-09-24: el usuario rechazó el primer corte ("ruido de fondo, escritura, comienzo muy aburrido") -> se eliminó el ruido de escritura, se eligió una mejor apertura, se rehicieron las transcripciones, luego corte literal de cabeza 0:00-1:12, escaneo de filtraciones, miniatura blanca/crema con logotipos más grandes, 2 variantes de metadatos, se movió a Descargas.
• Podcast (2026-09-18): 1h40m de video + 5 archivos de audio candidatos -> se identificaron las 2 pistas correctas por orador, se mapeó la voz al video, 1080p, recorte de cabeza, SRT + traducciones ES/AR/HI, marcas de tiempo de capítulos, miniatura con ambos oradores, texto en la parte superior, sin fondo negro.