Communitygithub.com

Podcast a Shorts, paso 3: subtítulos animados palabra a palabra

Graba subtítulos animados palabra a palabra en tus vídeos con Whisper para transcribir y pycaps para renderizar, con un estilo limpio por defecto, un tema futurista con brillo o tu propio CSS.

¿Qué es Podcast a Shorts, paso 3: subtítulos animados palabra a palabra?

Receta Podcast a Shorts, paso 3 (los subtítulos). El agente transcribe la voz con Whisper y renderiza subtítulos animados con pycaps, eligiendo el estilo minimalista por defecto, el tema incluido con brillo dorado y magenta o un archivo CSS propio, y también puede colocar textos fijos en tiempos concretos.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/FilippTrigub/abra/tree/HEAD/skills/video-captioner

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

video-captioner — Pipeline de Subtítulos Animados

Transcribe el habla con Whisper e incrusta subtítulos animados palabra por palabra en videos. No realiza corrección de color — para mejora visual usa primero el skill video-enhancer.

Pipeline

video de entrada → transcripción Whisper → renderizado de subtítulos pycaps → video de salida con subtítulos

Estilos de subtítulos

Tres opciones:

  1. Predeterminado (sin flag) — estilo minimalista integrado de pycaps: texto blanco plano, sin efectos.
  2. Futurista (incluido) — --css scripts/futuristic.css — subtítulos alternando oro/magenta con efecto brillo y fuente monoespaciada. Ideal para contenido tech, gaming o de alta energía.
  3. Personalizado — el usuario puede proporcionar cualquier ruta de archivo CSS mediante --css /ruta/a/personalizado.css.

Si el usuario no ha mencionado un estilo de subtítulos, pregunta si desea el aspecto predeterminado, el estilo futurista o un archivo CSS personalizado.

Subtítulos estáticos

Usa --caption para añadir texto predefinido en marcas de tiempo específicas en lugar de transcribir audio:

--caption "INICIO-FIN: TEXTO"

Formato:

  • Las horas usan formato M:SS o MM:SS (ej., 0:05 = 5 segundos, 1:30 = 90 segundos)
  • Múltiples subtítulos: usa --caption varias veces
  • Si se proporcionan tanto subtítulos estáticos como transcripción, los estáticos tienen prioridad

Ejemplo:

uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Hola mundo" \
  --caption "0:10-0:20: Esto es una demo" \
  --css scripts/futuristic.css

Estilizado de subtítulos

El estilizado se gestiona mediante archivos de configuración JSON. Al usar subtítulos estáticos, el estilo se aplica automáticamente.

Estilo predeterminado

Cuando no se especifica --style-config, se usa config.default.json:

  • Fondo: blanco (#FFFFFF)
  • Color de texto: azul (#0066FF)
  • Fuente: auto — usa primero una fuente de marca disponible etiquetada como caption, luego recurre a Courier New
  • Padding: 10px 15px
  • Margen: 0

Usando una configuración de estilo

Cambia estilos pasando un archivo de configuración:

# Usar estilo modo oscuro
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Hola" \
  --style-config config.dark-mode.json

Configuraciones incluidas:

  • config.default.json — fondo blanco, texto azul, Courier New (predeterminado)
  • config.dark-mode.json — fondo oscuro, texto blanco, fuente más grande

Creando configuraciones de estilo personalizadas

Copia config.default.json y modifica:

{
  "caption_bg_color": "#000000",
  "caption_color": "#FFFFFF",
  "caption_font": "auto",
  "caption_font_tag": "caption",
  "caption_padding": "20px 30px",
  "caption_margin": "10px",
  "caption_font_size": 48
}

Luego úsalo:

uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Texto" \
  --style-config mi-estilo-personalizado.json

Sobrescribiendo configuración con flags CLI

Los flags CLI tienen prioridad sobre los valores del archivo de configuración:

uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Hola" \
  --style-config config.dark-mode.json \
  --caption-color "#00FF00"  # Sobrescribe el color de texto de la configuración

Referencia de configuración de estilo

ClaveTipoDescripción
caption_bg_colorstringColor de fondo (hex o nombre de color CSS)
caption_colorstringColor de texto (hex o nombre de color CSS)
caption_fontstringauto, familia de fuente, o ruta a archivo .ttf, .otf, .woff, .woff2
caption_font_tagstring o nullEtiqueta de fuente de marca a preferir desde brand-manager (caption, body, heading, etc.)
caption_paddingstringPadding CSS (ej., "10px 15px")
caption_marginstringMargen CSS (ej., "0")
caption_font_sizeinteger o nullTamaño de fuente en píxeles (null = autoescalado)

Fuentes disponibles

Se pueden especificar fuentes del sistema por nombre:

  • DejaVu Sans / DejaVu Sans Bold / DejaVu Serif
  • Liberation Sans / Liberation Mono
  • Courier New
  • Ubuntu Mono
  • Cualquier ruta de archivo TTF: /ruta/a/fuente.ttf

O elegir entre fuentes de marca en skills/brand-manager/brand-assets/asset-manifest.json. Cuando caption_font es auto, el skill lee el manifiesto de marca (o CLAW_BRAND_ASSETS_DIR si está configurado) y usa la primera fuente disponible etiquetada por caption_font_tag; si no existe dicha fuente, prueba fuentes de marca etiquetadas como caption, body, heading o bold, luego recurre a Courier New. Si la fuente de marca resuelta es una ruta de archivo, el CSS generado incluye una regla @font-face para que pycaps pueda renderizarla.

Cómo ejecutar

Instala dependencias (solo la primera ejecución):

cd "$SKILL_DIR" && uv sync

Nota: la primera ejecución será lenta (potencialmente varios minutos) porque pycaps descarga el modelo de reconocimiento de voz Whisper. Adviérteselo al usuario antes de comenzar.

Luego procesa videos:

cd "$SKILL_DIR" && uv run python scripts/caption_service.py \
  --input <ruta/de/entrada> \
  --output <ruta/de/salida> \
  [--css scripts/futuristic.css]

Invocaciones comunes

# Subtítulos minimalistas predeterminados (transcripción Whisper)
uv run python scripts/caption_service.py --input ./input --output ./output

# Estilo futurista
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --css scripts/futuristic.css

# CSS personalizado
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --css /ruta/a/mi.css

# Subtítulos estáticos con estilo predeterminado (fondo blanco, texto azul, Courier New)
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Suscríbete para más" \
  --caption "0:10-0:15: Síguenos en Instagram"

# Subtítulos estáticos con estilo modo oscuro
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Hola mundo" \
  --caption "0:10-0:20: Esto es una demo" \
  --style-config config.dark-mode.json

# Subtítulos estáticos con configuración de estilo personalizada
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Texto personalizado" \
  --style-config mi-estilo-personalizado.json

# Subtítulos estáticos con sobrescritura de flags CLI
uv run python scripts/caption_service.py \
  --input ./input --output ./output \
  --caption "0:01-0:05: Hola" \
  --style-config config.dark-mode.json \
  --caption-color "#00FF00"

# Modo vigilancia (sondea nuevos videos cada 10s)
uv run python scripts/caption_service.py --input ./input --output ./output --watch

Después de ejecutar

Informa al usuario:

  • Cuántos videos se procesaron correctamente y cuántos fallaron.
  • La ruta completa al directorio de salida.
  • Si algún video falló, nómbralos explícitamente.

Casos extremos

  • Si ffmpeg no está instalado: dile al usuario que lo instale (sudo pacman -S ffmpeg en Arch/CachyOS, brew install ffmpeg en macOS, sudo apt install ffmpeg en Ubuntu)
  • Si uv no está instalado: dirige a https://docs.astral.sh/uv/getting-started/installation/
  • Si el directorio de entrada está vacío: repórtalo claramente en lugar de salir silenciosamente
  • La primera ejecución descarga el modelo Whisper (~140 MB para tiny, ~1.5 GB para large) — esto es solo una vez

Transcripción Remota

Este skill ahora soporta transcripción remota opcional mientras mantiene el renderizado pycaps local.

  • El comportamiento predeterminado sigue siendo completamente local: transcripción Whisper dentro de pycaps + renderizado local
  • El modo remoto solo reemplaza el paso de transcripción
  • El renderizado de subtítulos, plantillas y manejo de CSS permanecen locales

Proveedores soportados

  • huggingface
  • replicate

Claves de configuración / CLI

ClaveValor por defectoNotas
transcription_providernullnull mantiene el flujo local Whisper-en-pycaps
remote_modelnullSobrescritura opcional del modelo de transcripción específico del proveedor
hf_token_envHF_TOKENNombre de variable de entorno para autenticación HuggingFace
replicate_api_key_envREPLICATE_API_TOKENNombre de variable de entorno para autenticación Replicate
remote_timeout_seconds300Timeout de llamada remota

Ejemplos

# Transcripción remota HuggingFace + renderizado pycaps local
export HF_TOKEN=hf_tu_token
uv run python scripts/caption_service.py --input ./input --output ./output --transcription-provider huggingface

# Transcripción remota Replicate + renderizado pycaps local
export REPLICATE_API_TOKEN=r8_tu_token
uv run python scripts/caption_service.py --input ./input --output ./output --transcription-provider replicate --remote-model <slug-del-modelo-replicate>

Notas

  • No hay retroceso silencioso al modo local si falta autenticación/configuración remota
  • El uso existente de CLI local sigue siendo válido
  • Si no configuras --transcription-provider, pycaps continúa usando su flujo Whisper integrado

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

FilippTrigub/abra

>- Animate a still image into a short video clip using fal.ai's LTX-2.3 Fast image-to-video model in the cloud. No GPU required - runs entirely on fal.ai serverless infrastructure.

FilippTrigub/abra

>- Auto-describe and caption images using a local vision-language model. Writes a JSON sidecar per image containing a one-sentence description, a suggested Instagram caption with hashtags, and detected content tags.

FilippTrigub/abra

>- Cut videos into segments, rearrange them, and produce an output video with a specific cuts-per-second rate. Uses MoviePy for video manipulation. Prioritizes audio transcription for timestamped cutting, falls back to adaptive scene detection.

FilippTrigub/abra

>- Edit a region of a video using a text prompt via Wan2.1-VACE inpainting. Supports two modes: background (auto-segment via rembg) or region (rectangle defined by fractions). Requires a CUDA GPU with at least 8 GB free VRAM.

FilippTrigub/abra

>- Video enhancement pipeline. Use this skill when the user wants to sharpen, colour grade, warm, or normalise the audio of videos — including presets for natural, cinematic, or vivid looks.

FilippTrigub/abra

Generate videos from text or images using Higgsfield's multi-model cloud platform. Supports kling, seedance, dop, and dop-preview models. Uses a small preset layer for common creative styles. Auto-detects text-to-video or image-to-video based on input. No GPU required.

FilippTrigub/abra

>- Remove the background from every frame of a video using AI (BiRefNet-general via rembg). Outputs transparent-background video or composites onto a solid colour or image. Requires a CUDA GPU with at least 3 GB free VRAM.

Skills relacionados