Voz de lanzamiento
Manual de herramientas bajo
launch-film. Comienza enskills/launch-film/SKILL.md: contiene el núcleo, la plantilla de gancho+más cuerpo y las lecciones. Donde esta página difiera,launch-filmtiene prioridad.
En un vídeo de lanzamiento moderno, la voz guía y la imagen lo ilustra palabra por palabra: cuando la voz dice "etiquetado", algo se etiqueta. Eso solo funciona cuando cada palabra tiene una marca de tiempo.
Proveedores
- Predeterminado: Higgsfield en tu propia cuenta.
text2speech_v2(motoreselevenlabs,minimax,seed_speech, y otros por voz) para casting entre aproximadamente 100 voces predeterminadas, alrededor de 0.3 créditos por línea. Seed Audio para un narrador que diriges con un prompt y referencias de audio.scripts/hf_voice.pyenvuelve la CLI. - Voz de prueba gratuita:
scripts/scratch_voice.pygenera tomas de relleno consayde macOS (oespeak-ngen Linux). Construye y temporiza todo el vídeo con ella, etiqueta cada revisión como "voz de prueba", luego intercambia las tomas reales. - Clon local gratuito:
scripts/clone_local.py(Chatterbox, MIT) clona tu narrador aprobado a partir de 8 a 10 segundos de sus líneas. Un sustituto, no un maestro. Solo clona una voz sobre la que tengas los derechos. - Revisa las voces dentro de un vídeo completo, nunca como clips sueltos. Mantén una lista de voces rechazadas para que no se propongan nunca más.
Casting
python3 skills/launch-voice/scripts/hf_voice.py cast "<la línea de apertura del vídeo>" film/vo/auditionpronuncia la línea con cada voz predeterminada (aproximadamente 34 créditos por unas 110 voces), verifica cada toma con whisper y mide el ritmo y el movimiento tonal.ranking.mdlista primero las tomas exactas, las más cercanas a 2.5 palabras por segundo y alrededor de 2 semitonos de movimiento (conversacional, no anunciado).--only Nombre,Nombrevuelve a hacer casting de unas pocas.- Toma las 6 mejores aproximadamente de ambos géneros para el guion completo (
hf_voice.py lines), luego ajústalas (abajo). Una voz que necesita más del 12 % de aceleración para encajar es demasiado lenta para el guion: descártala o corta palabras. - Construye un vídeo completo por voz superviviente y deja que el propietario elija. ElevenLabs varía menos en ritmo y tono en las pruebas, por lo que es el motor predeterminado.
Longitud y ritmo
- Objetivo de 2.2 a 2.7 palabras habladas por segundo. Un lanzamiento de referencia sólido funcionó a 2.4 (151 palabras en 63 s).
- Un vídeo de 20 s lleva unas 45 palabras; 30 s unas 70; 60 s unas 140. Corta palabras antes de acelerar la voz.
- Una línea por fotograma del guion gráfico, de 6 a 20 palabras, redactada de modo que el sustantivo o verbo clave caiga en un tiempo fuerte.
Procedimiento para la plantilla de vídeo
- El guion vive en
film/film.jsonlines. Graba 1 archivo por línea enfilm/vo/body/line-<id>.wav: tomas reales conhf_voice.py lines(escribe las líneas como{"lines": [{"line": "02", "text": "..."}]}), o tomas de prueba conpython3 skills/launch-voice/scripts/scratch_voice.py film/film.json(añade--hook film/hooks/<nombre>para dar voz también a una línea de gancho). - Ejecuta
python3 skills/launch-voice/scripts/prep_lines.py film/film.json(--align forcepara insistir en la alineación forzada; conuvinstalado, descarga torch en la primera ejecución, unos 2 GB). Escribefilm/vo/body/lines.jsoncon la duración de cada línea y los tiempos de palabra: alineación forzada cuando torch está disponible, si no whisper.cpp, si no una estimación uniforme marcada comoestimate. film/build.pycoloca las líneas en la línea de tiempo del vídeo y cada señal visual sigue a su palabra. Una nueva toma es 1 ejecución de preparación más una reconstrucción.
Procedimiento para un vídeo de forma libre
vo/script-lines.json({"lines": [{"line": "01", "text": "..."}]}), luego un archivo por línea:hf_voice.py lines vo/script-lines.json vo/takes/<voz> --voice <Nombre>. El texto, la voz, el motor y los IDs de trabajo quedan enlines.json.- Ajuste:
python3 skills/launch-voice/scripts/fit_lines.py vo/placement.plan.json vo/takes/<voz> vo/versions/<voz>. El plan da a cada línea su inicio más temprano, su espacio de respiración y, donde un fotograma debe terminar,end_by. Las pausas de más de 0.25 s dentro de una línea se reducen a 0.22 s; una secuencia de líneas que aún así se desborda se acelera como una sola, limitada al 12 %. Luego coser:python3 skills/launch-voice/scripts/stitch.py vo/versions/<voz>/placement.json vo/versions/<voz> vo/versions/<voz>/vo.wav. - Tiempos de palabra por línea. Para cualquier elemento visual que deba aterrizar, usa alineación forzada:
uv run -q --with torch --with torchaudio --with soundfile python skills/launch-voice/scripts/force_align.py line.wav "las palabras exactas". Para una lectura rápida,align_lines.pyejecuta whisper.cpp línea por línea. Los anclajes se resuelven en orden de habla (cada uno es la primera coincidencia después del anterior), así que cualquier voz re-temporiza el vídeo. Una sola pasada de whisper sobre todo el vídeo se desvía cerca de los finales de línea; las pasadas por línea no. - Entrega los tiempos de palabra a
launch-motion(ancla cada construcción a su palabra) ylaunch-sound(los eventos siguen a las palabras).
Narrador vintage
Para una apertura de archivo o documental: python3 skills/launch-voice/scripts/vintage.py IN.wav OUT.wav --crackle crackle.wav limita la banda a 150 Hz a 5.8 kHz, añade saturación de cinta, un lento "wow" y una base de crujido de vinilo real (genera 1 con Seed Audio). Seed Audio también puede pronunciar una línea directamente con una voz de narrador vintage ("un narrador documental cálido y profundo de los años 60 en un disco de vinilo antiguo... exactamente estas palabras:..."); lee lentamente y puede reformular ("gotta" se convirtió en "got to"), así que verifica con whisper.
Reglas de sincronización
- Una palabra clave aterriza con su visual dentro de 2 fotogramas. Inicia las construcciones en el primer fotograma de la palabra; si dejas que un visual adelante a su palabra, mantenlo por debajo de 4 fotogramas y hazlo en todas partes.
- Deja que la voz respire en los cambios de escena: de 0.25 a 0.5 s entre líneas.
- La última línea termina al menos 1 s antes del logotipo; el logotipo recibe su propio silencio cercano (corte de
launch-mix).
Cuando el proveedor de voz no está disponible
Construye con la voz de prueba, etiqueta cada revisión como de prueba, y mantén la imagen anclada a las palabras alineadas, de modo que intercambiar la voz real sea 1 ejecución de preparación más un renderizado. Nunca cambies de proveedor de voz ni de cuenta sin la autorización del propietario.
Correcciones
- Una línea se alarga menos del 5 %:
ffmpeg -af atempo=1.04. Más que eso: reescribe la línea. - Una palabra se pronuncia mal: reescríbela fonéticamente en el campo
sayde la línea (parahf_voice.py), nunca en el guion. - Whisper oye mal un final suave: usa alineación forzada o acorta el prefijo de anclaje; no regrabes.
- Dígitos: escríbelos en el texto que alineas ("veinticuatro", no "24").
- El modelo base de whisper oye mal los nombres de productos. Verifica las palabras finales con el modelo pequeño o más grande (
WHISPER_MODEL).