Communitygithub.com

JularDepick/Agent-Video-Driver.SKILL

Impulsa un video entregable desde cero con una cadena de herramientas scripteables, sin necesidad de ningún modelo de generación de video. Cubre andamiaje de prompts estructurados, verificación de contenido y edición de guion, diseño de storyboard, sincronización beat a beat, renderización programática de imágenes, síntesis programática de música, codificación y empaquetado con FFmpeg, y aceptación visual sin capacidad visual mediante gráficos de caracteres y métricas objetivas.

¿Qué es Agent-Video-Driver.SKILL?

Agent-Video-Driver es una habilidad completa para agentes de IA (como Claude Code, Cursor o Codex) que permite la creación autónoma de videos sin depender de modelos generativos de video, bibliotecas de素材 ni software de edición. Todo el contenido visual y musical se genera mediante código, y el video final se empaqueta con FFmpeg. El skill está diseñado para tareas como videos explicativos, promocionales, animaciones de datos, créditos e intros, y se estructura en ocho fases que van desde la detección del entorno hasta la entrega final, con dos ‘puertas de confirmación’ obligatorias que previenen el consumo excesivo de recursos y garantizan la aprobación del usuario antes de cualquier operación intensiva. Proporciona un extenso conjunto de scripts para detección de recursos, generación de storyboards, renderización de cuadros, síntesis musical (orquestal por defecto), verificación de calidad y más, todo dentro de una jerarquía de directorios estricta y un conjunto de reglas de ingeniería basadas en experiencias previas. El skill no impone un estilo visual fijo, sino que ofrece ocho estilos predefinidos y una biblioteca de referencia, priorizando la sincronización precisa con la música y la verificación objetiva mediante métricas como PSNR, LUFS y gráficos de caracteres para la revisión de composición.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JularDepick/Agent-Video-Driver.SKILL/tree/HEAD/skills/agent-video-driver

Preguntar en tu IA favorita

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

Documentación

Agent-Video-Driver (Conductor de Video con Agente)

No depende de ninguna biblioteca de素材 ni software de edición; tanto las imágenes como la música se generan mediante código y se empaquetan con FFmpeg. Esta habilidad solo define el método y la disciplina, no un estilo fijo. La biblioteca de estilos se encuentra en references/styles.md.

1. Dos puertas de confirmación (ninguna se puede omitir)

Puerta 1: Puerta de confirmación de inicio

Al recibir una tarea de video, primero informe al usuario sobre los costos y obtenga su consentimiento explícito antes de comenzar cualquier renderización:

Costo que debe informarMagnitud típica
Consumo de tokensUn video de 30s consume aproximadamente 5 a 10 mil tokens de salida; uno de 90s o más, segmentado, puede ser mayor; sesiones largas con caché activa pueden acumular hasta millones.
Imágenes de cuadros intermedios30s a 30fps son aproximadamente 900 PNG (~200MB en 1080p); más de 90s son alrededor de 3000 imágenes.
Tiempo de renderización1080p@30fps toma aproximadamente 0.08 a 0.12 segundos por cuadro; 3000 cuadros en un solo proceso toman unos 5 minutos.
Ocupación de la máquinaLa renderización completa y la codificación final consumen toda la CPU durante mucho tiempo; en una máquina de desarrollo se nota una ralentización significativa; ejecutar con límites puede aliviarlo.
Ocupación de la sesiónUna sola sesión solo debe realizar una tarea de video; insertar otras tareas a mitad de camino contaminará el contexto y ralentizará cada paso.

Al mismo tiempo, confirme cuatro cosas: duración y resolución, modo de confirmación (confirmación gradual o única), si se necesita créditos de autor (por defecto no se añade), y el nombre del archivo de entrega. La confirmación gradual es adecuada para temas donde el usuario necesita opinar sobre hechos y estética; la confirmación única es adecuada para temas con criterios objetivos. En ambos modos, nunca se omite el nodo de "mostrar los primeros 10 segundos primero". Hasta que el usuario confirme, solo se realiza detección del entorno y un borrador del storyboard; no se renderiza nada.

Puerta 2: Puerta de confirmación de composición (confirmar por separado antes de cada tarea pesada)

El consentimiento de la puerta 1 no cubre este paso. La renderización completa y la codificación final son las únicas dos acciones que mantienen la CPU al máximo durante mucho tiempo; cada una requiere una confirmación separada antes de comenzar:

  1. Primero, detecte los recursos locales y obtenga recomendaciones de límites y advertencias de riesgo:
python scripts/resources.py --for render --frames <número_de_cuadros>
python scripts/resources.py --for encode --frames <número_de_cuadros>
  1. Informe al usuario sobre el número de núcleos, la carga actual, la memoria disponible, el espacio restante en el disco de destino, el número de hilos y el preset de codificación recomendados, y si se sugiere bloquear la operación.
  2. Solo proceda después de que el usuario haya dado su consentimiento explícito; si no hay consentimiento, solo ejecute la detección, sin realizar ninguna codificación o renderización completa.
  3. Al ejecutar, siempre respete los límites dados por la detección; no utilice todos los núcleos.

scripts/assemble.ps1 incorpora esta puerta en el propio script: sin -ConfirmAssembly, solo imprime la puerta de confirmación y sale con código de salida 3, que significa "esperando confirmación secundaria del usuario". -ProbeOnly solo detecta, no codifica. Si la detección encuentra espacio insuficiente o carga alta, el script se negará a comenzar; para forzar el inicio, se debe agregar explícitamente -Force.

2. Flujo de ocho fases

0 Detección del entorno -> 1 Briefing y prompts -> 2 Contenido y guion -> 3 Estilo y storyboard
  -> 4 Música primero -> 5 Renderización por segmentos -> 6 Codificación y empaquetado -> 7 Aceptación objetiva

Los detalles y los productos de cada fase se encuentran en references/workflow.md. Cada fase debe finalizar con un producto comprobable; no escriba todo de una vez y luego ejecute. Los prompts de las fases 1 a 3 deben completarse según los siete módulos de references/prompt-scaffolding.md, y mostrarse al usuario junto con los productos. Antes de comenzar las fases 5 y 6, cada una debe pasar por la puerta de confirmación de composición (ver sección 1, puerta 2).

3. Normas de directorio y archivos

<directorio_de_trabajo>/
├── .skill/<nombre_del_skill>/        # Cuerpo del skill, un directorio por skill
├── prompts/                # brief.md y prompts de cada fase
├── script.md               # Tabla de guion por pantalla, entrada para timing.py
├── storyboard.md           # Tabla de storyboard y puerta de confirmación de inicio
├── credits.md              # Créditos y licencias de materiales externos
├── temp/                   # Todos los productos intermedios: secuencias de cuadros, plan.json, pruebas de renderización, imágenes de verificación
├── <directorio_de_productos>/             # Solo archivos de entrega final y scripts fuente reutilizables
└── audio/                  # Música WAV (se puede fusionar con el directorio de productos)
  • Los cuadros intermedios deben ir en temp/; limpiar antes de la entrega; no dejar 3000 PNG en el directorio raíz.
  • Priorizar rutas relativas; no escribir rutas absolutas fijas en los scripts.
  • Usar un prefijo de nombre por video; el directorio de cuadros y el nombre del archivo final deben corresponderse para evitar superposiciones entre múltiples tareas.
  • Más convenciones en references/conventions.md.

4. Estilo no fijo, pero la música por defecto es orquestal

Este skill proporciona un motor, no una plantilla. Antes de empezar, primero seleccione un estilo, luego la paleta de colores y el timbre, y finalmente escriba el storyboard. references/styles.md proporciona ocho estilos listos para usar, que incluyen colores hexadecimales, fuentes, sintaxis de movimiento, timbres de música y temas adecuados:

Neón espacial / Documental frío / Sensación de papel cálido / Espacio blanco minimalista / Terminal retro / Gráficos académicos / Garabatos a mano / Película cinematográfica.

La música por defecto usa la biblioteca de timbres orquestales de scripts/orchestra.py. La razón es que satisface dos requisitos estrictos simultáneamente:

  • No es estridente: el timbre se basa en la acumulación de armónicos, no en ruido de banda ancha; medido, la región estridente (2 a 6 kHz) ocupa el 1.2%, centro espectral 418 Hz.
  • No es monótona: tabla de orquestación de diez secciones, variación de motivo y arco de dinámica; medido, la fluctuación RMS cada 10 segundos es 2.80 veces.

Solo cuando se necesita una sensación más ligera y moderna, se cambia a los timbres de teclado y electrónicos de scripts/music.py. Independientemente de cuál se use, no se permiten las siguientes tres situaciones: usar la misma configuración para todo el video, que las altas frecuencias superen la mitad, o que una voz continua tape los beats.

5. Lista de scripts

ScriptFunción
scripts/check_env.pyDetecta ffmpeg, librerías Python, fuentes, disco, restricciones de sandbox, disponibilidad de rutas de renderización.
scripts/resources.pyDetección de recursos y recomendaciones de límites antes de tareas pesadas: núcleos, carga, memoria, disco, número de hilos y preset de codificación recomendados.
scripts/check_text.pyExamen de glifos: comparación de mapas de bits para encontrar caracteres que se convierten en cuadrados.
scripts/beats.pyDeduce BPM, beats, líneas de compás y cambios de volumen por compás a partir del audio.
scripts/timing.pyAjusta la tabla de guion por pantalla a la cuadrícula de beats, produce plan.json y la línea de tiempo para el storyboard.
scripts/canvas.pyMotor de imagen: lienzo sobremuestreado, easing, brillo, texto, componentes UI genéricos, controlador de renderización.
scripts/dsp.pyPrimitivas DSP compartidas: filtrado, reverberación, compresión de bus, masterización cálida, escritura WAV.
scripts/orchestra.pyMotor de música orquestal (recomendado por defecto).
scripts/music.pyMotor de música de teclado y electrónica (alternativa).
scripts/sfx.pyMezcla de pista de efectos de sonido: según una tabla de cues, mezcla los efectos de sonido proporcionados por el usuario en una pista.
scripts/check_audio.pyVerificación objetiva de la música: sincronización con beats, bandas de frecuencia, pulsos y monotonía, todo de una vez.
scripts/preview.pyAceptación visual sin capacidad visual: reduce la resolución de los cuadros a gráficos de caracteres en color, compatible con comparación entre cuadros anteriores y posteriores.
scripts/qa.pySegún plan.json, extrae cuadros por pantalla, compara cuadros antes y después de los puntos de anclaje, y genera una imagen de resumen.
scripts/tokens.pyEstadísticas de tokens y costos de esta sesión, para usar en los créditos finales.
scripts/assemble.ps1Codificación, mezcla, normalización de sonoridad, control de calidad.
templates/scene_module.pyEsqueleto del módulo de escena: disparo por beat, programación por segmentos, CLI de renderización por intervalos.
templates/storyboard.mdPlantilla de tabla de storyboard y puerta de confirmación.
templates/brief.mdPlantilla de briefing, único contexto de fondo para todo el video.
templates/stage-prompt.mdPlantilla de prompts de fase, siete módulos.
templates/screen-script.mdPlantilla de tabla de guion por pantalla, entrada para timing.py.

Las imágenes por defecto se renderizan cuadro a cuadro con Python + Pillow. La ruta de renderización con navegador no está disponible bajo sandboxes restringidos; las razones y cómo evitarlo se encuentran en references/pitfalls.md.

6. Límites de contenido (Must hold, cuatro no negociables)

  1. Los hechos tienen fuente: cada año, nombre, número y cita deben poder rastrearse hasta una fuente fiable y anotarse con un enlace en el directorio de trabajo; si no se puede rastrear, se elimina directamente; las estimaciones deben etiquetarse; las afirmaciones de segunda mano deben especificar de quién es la afirmación.
  2. El material es utilizable: al introducir imágenes externas, fuentes, efectos de sonido o música preexistente, verifique la licencia de cada uno y escriba los créditos en credits.md; también enumere los materiales candidatos no utilizados y explique por qué.
  3. No dibujar caras reales: no usar IA para generar caras de personas reales; si se usan imágenes generadas por IA, marque según los requisitos de la plataforma como "contenido generado por IA".
  4. Las imágenes solo dependen del tiempo: toda la aleatoriedad debe tener una semilla fija; el mismo cuadro debe renderizarse igual cada vez.

Las reglas de juicio, el formato de informe y la lista de verificación previa a la publicación se encuentran en references/content-and-rights.md.

7. Catorce reglas de ingeniería (todas basadas en errores cometidos)

  1. Primero haga la música, luego las imágenes; los puntos de corte de las imágenes deben coincidir con los puntos de corte de la música, no al revés.
  2. Todas las animaciones de entrada deben escribirse fijas en unidades de beat; prohibido usar segundos aproximados; un cuadro de diferencia en la sincronización es perceptible para el espectador.
  3. Las coordenadas unitarias y las coordenadas de píxeles deben estar explícitamente separadas; mezclarlas hará que toda la escena se desplace a la esquina superior izquierda.
  4. La programación de segmentos debe usar mapeo de intervalos; después de escribir, imprima el cuadro de inicio y fin de cada segmento para verificar; un segmento mal puesto desplaza todo el video.
  5. Las secuencias de cuadros no deben escribirse en el directorio raíz ni dejarse en el disco durante la noche; elimínelas antes de la entrega.
  6. Para la renderización paralela entre intervalos, abra procesos independientes que escriban cada uno en su propio archivo; no use colas compartidas; el sandbox bloqueará las tuberías con nombre.
  7. Antes de mezclar, primero mire la proporción de bandas de frecuencia; si las altas frecuencias superan la mitad, es estridente; si las bajas frecuencias superan la mitad, es turbio.
  8. La constante de tiempo de la compresión de bus no debe ser inferior a 0.3 segundos; de lo contrario, el compresor aplanará los propios beats.
  9. Cualquier voz que tenga una duración no menor a un compás y aparezca en cada compás se convertirá en un muro de sonido, tapando los beats.
  10. El texto debe pasar tres niveles de verificación de codificación; el motor de imagen ya implementa la retrocesión de glifos por carácter, pero los caracteres que la cadena de retrocesión no cubre se dibujarán silenciosamente como cuadrados; por lo tanto, después de cada renderización de segmento, debe ver el informe de auditoría de glifos; si faltan glifos, cambie la redacción o la fuente.
  11. Después de la codificación, siempre mida el PSNR; si es inferior a 45 dB, significa que la tasa de bits es demasiado baja.
  12. Sin capacidad visual, no entregue basándose en la imaginación; use gráficos de caracteres para verificar la composición cuadro por cuadro y luego use métricas objetivas como respaldo.
  13. En una sesión, solo haga un video; para un segundo video, abra otra sesión; de lo contrario, el caché y el contexto se descontrolarán.
  14. Antes de la renderización completa y la codificación final, primero detecte los recursos y ejecute según los límites; no use todos los núcleos; y cada uno de estos dos pasos requiere una nueva confirmación del usuario.

La tabla completa de errores y las condiciones para reproducirlos se encuentran en references/pitfalls.md; la codificación de texto, en references/text-and-encoding.md.

8. Estándares de aceptación (todo debe estar en verde antes de la entrega)

ÍtemCriterio
DuraciónPrecisión al cuadro; un video de 30s debe durar exactamente 30.000s.
SincronizaciónEl pico de diferencia entre cuadros debe caer dentro de +/- 1 cuadro de la línea de compás; y el pico de diferencia entre cuadros antes y después del punto de anclaje debe caer en el cuadro de corte.
SonoridadSonoridad integrada de -16 a -14 LUFS; pico verdadero no superior a -1.0 dBFS.
Calidad de imagenPSNR entre la imagen codificada y el cuadro fuente superior a 45 dB.
ComposiciónAl menos 2 cuadros por segmento para verificar con gráficos de caracteres; al menos 1 cuadro por pantalla en la imagen de resumen.
Tamaño1080p cada 30s debe estar por debajo de 15 MB (CRF 18 a 20).
GlifosNo debe haber elementos en el informe de auditoría de glifos que indiquen "no se encuentra el glifo en la cadena de retrocesión".
ContenidoCada línea de texto en pantalla debe poder rastrearse hasta una fuente verificada en el contenido.

Métodos en references/verification.md.

9. Estrategia de créditos

  • Los videos no incluyen créditos de autor por defecto; el flujo de trabajo pregunta una vez en la puerta de confirmación de inicio; solo se añaden si el usuario lo solicita.
  • Si el usuario solicita créditos, solo aparecen en la tarjeta final, y se proporciona una ubicación constante reemplazable.
  • El autor de este skill es JularDepick; la versión se encuentra en los metadatos del frontmatter.

10. Índice de documentos de referencia (en orden de lectura recomendado)

OrdenDocumentoContenidoCuándo leerlo
1references/workflow.mdFlujo de ocho fases, productos de cada fase, valores empíricos por segmento.Primero al recibir una tarea.
2references/prompt-scaffolding.mdSiete módulos del briefing y los prompts de fase, roles, traspaso entre subagentes.Al empezar a escribir prompts.
3references/narrative.mdSintaxis de apertura, número de palabras por pantalla y velocidad de lectura, hilo narrativo y ritmo.Al escribir el guion.
4references/content-and-rights.mdDeterminación de fuentes de hechos, licencias de material, créditos, lista de verificación previa a la publicación.Al investigar material e imágenes.
5references/styles.mdOcho estilos y música correspondiente, cuatro métodos para elegir estilo.Al decidir el estilo.
6references/beat-sync.mdAlineación de tres niveles, escritura de eventos dentro del segmento, verificación de sincronización.Antes de escribir el storyboard.
7references/audio-engine.mdDos motores de música, bibliotecas de timbres, esqueleto de orquestación, criterios objetivos.Al hacer la música.
8references/visual-engine.mdAPI del motor de imagen, componentes genéricos, recetas gráficas, rendimiento.Al escribir escenas.
9references/text-and-encoding.mdTres niveles de verificación de codificación y examen de glifos.Antes de escribir cualquier texto en pantalla.
10references/verification.mdVarios métodos de aceptación y lista de autoverificación previa a la entrega.Antes de la entrega.
11references/pitfalls.mdFenómenos, causas y cómo evitar errores.Al encontrar problemas o al revisar.
12references/conventions.mdNormas de directorio, nombres, código, documentación, colaboración.Al crear la estructura del proyecto.

El orden solo lo asume esta tabla; los nombres de archivo no llevan números de orden. Al añadir un nuevo documento de referencia, simplemente inserte una fila en la tabla; no es necesario renombrar ningún archivo existente. Los nuevos scripts se colocan en scripts/, los nuevos esqueletos en templates/, y se añade una fila tanto en esta tabla como en la lista de scripts.

Skills relacionados