Preprocesamiento de Medios HyperFrames
Tres comandos CLI que producen activos para composiciones: tts (voz), transcribe (marcas de tiempo) y remove-background (video transparente). Cada uno descarga un modelo en la primera ejecución y lo guarda en caché en ~/.cache/hyperframes/. Coloca la salida en el proyecto, luego haz referencia a ella desde el HTML de la composición; consulta la habilidad hyperframes para las convenciones de elementos de audio/video.
Texto a Voz (tts)
Genera audio de voz localmente con Kokoro-82M. Sin clave API.
npx hyperframes tts "Texto aquí" --voice af_nova --output narracion.wav
npx hyperframes tts script.txt --voice bf_emma --output narracion.wav
npx hyperframes tts --list # las 54 voces
Selección de Voz
Empareja la voz con el contenido. El valor predeterminado es af_heart.
| Tipo de contenido | Voz | Por qué |
|---|---|---|
| Demo de producto | af_heart/af_nova | Cálida, profesional |
| Tutorial / guía | am_adam/bf_emma | Neutral, fácil de seguir |
| Marketing / promoción | af_sky/am_michael | Enérgica o autoritaria |
| Documentación | bf_emma/bm_george | Inglés británico claro, formal |
| Informal / redes | af_heart/af_sky | Accesible, natural |
Multilingüe
Los IDs de voz codifican el idioma en la primera letra: a=Inglés americano, b=Inglés británico, e=Español, f=Francés, h=Hindi, i=Italiano, j=Japonés, p=Portugués brasileño, z=Mandarín. La CLI detecta automáticamente la configuración regional del fonetizador a partir del prefijo; no se necesita --lang cuando la voz coincide con el texto.
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
Usa --lang solo para anular la detección automática (acentos estilizados). Códigos válidos: en-us, en-gb, es, fr-fr, hi, it, pt-br, ja, zh. La fonetización en idiomas no ingleses requiere espeak-ng a nivel de sistema (brew install espeak-ng / apt-get install espeak-ng).
Velocidad
0.7-0.8— tutorial, contenido complejo, accesibilidad1.0— ritmo natural (predeterminado)1.1-1.2— intros, transiciones, contenido animado1.5+— raramente apropiado; probar con cuidado
Guiones Largos
Para más de unos pocos párrafos, escribe en un archivo .txt y pasa la ruta. Las entradas de más de ~5 minutos de voz pueden beneficiarse de dividirse en segmentos.
Requisitos
Python 3.8+ con kokoro-onnx y soundfile (pip install kokoro-onnx soundfile). La descarga del modelo ocurre en el primer uso (~311 MB + ~27 MB de voces, almacenado en caché en ~/.cache/hyperframes/tts/).
Transcripción (transcribe)
Produce un transcript.json normalizado con marcas de tiempo a nivel de palabra.
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # importar existente
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
Regla de Idioma (No Negociable)
Nunca uses modelos .en a menos que el usuario indique explícitamente que el audio está en inglés. Los modelos .en (small.en, medium.en) traducen el audio no inglés a inglés en lugar de transcribirlo. Esto destruye silenciosamente el idioma original.
- Idioma conocido y no inglés →
--model small --language <código>(sin sufijo.en) - Idioma conocido e inglés →
--model small.en - Idioma desconocido →
--model small(sin.en, sin--language) — whisper detecta automáticamente
El modelo predeterminado es small, no small.en.
Tamaños de Modelo
| Modelo | Tamaño | Velocidad | Cuándo usarlo |
|---|---|---|---|
tiny | 75 MB | Más rápido | Vistas previas rápidas, prueba de flujo |
base | 142 MB | Rápido | Clips cortos, audio claro |
small | 466 MB | Moderado | Predeterminado — la mayoría del contenido |
medium | 1.5 GB | Lento | Contenido importante, audio ruidoso, música |
large-v3 | 3.1 GB | Más lento | Calidad de producción |
Música con voces: empezar con medium como mínimo; las pistas producidas a menudo necesitan importación manual de SRT/VTT. Para comprobaciones de calidad de subtítulos (obligatorias después de cada transcripción), el JS de limpieza, reglas de reintento y la ruta de importación de API OpenAI/Groq, consulta hyperframes/references/transcript-guide.md.
Forma de Salida
Las composiciones consumen un arreglo plano de objetos de palabra. El campo id (w0, w1, ...) se añade durante la normalización para referencias estables en anulaciones de subtítulos; es opcional para compatibilidad hacia atrás.
[
{ "id": "w0", "text": "Hola", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "mundo.", "start": 0.6, "end": 1.2 }
]
Eliminación de Fondo (remove-background)
Elimina el fondo de un video o imagen para que el sujeto (típicamente una persona — avatar, presentador, cabeza parlante) se superponga como una capa transparente en una composición.
npx hyperframes remove-background sujeto.mp4 -o transparente.webm # predeterminado: VP9 alpha WebM
npx hyperframes remove-background sujeto.mp4 -o transparente.mov # ProRes 4444 (edición)
npx hyperframes remove-background retrato.jpg -o recorte.png # recorte de imagen única
npx hyperframes remove-background sujeto.mp4 -o sujeto.webm \
--background-output plato.webm # ambas capas en una sola pasada
npx hyperframes remove-background sujeto.mp4 -o transparente.webm --device cpu
npx hyperframes remove-background --info # proveedores detectados
Usa u2net_human_seg (MIT). La primera ejecución descarga ~168 MB de pesos en ~/.cache/hyperframes/background-removal/models/.
Separación de Capas (--background-output)
Pasa --background-output (o -b) para emitir un segundo video transparente junto con el recorte: mismo RGB de origen, alfa es 255 − máscara en lugar de máscara. El recorte es el sujeto con fondo transparente; el plato es el entorno original con un agujero transparente donde estaba el sujeto.
| Archivo | Alfa es… | Úsalo para |
|---|---|---|
-o sujeto.webm | La máscara — sujeto opaco, fondo transparente | Capa frontal, colócala encima |
--background-output plato.webm | Inversa — entorno opaco, región del sujeto transparente | Capa inferior; coloca texto o gráficos entre esta y el sujeto |
Ambas salidas comparten el mismo preajuste --quality y se ejecutan desde una sola pasada de inferencia — el costo de codificación se duplica aproximadamente, el costo de segmentación se mantiene igual. Solo válido para entradas de video y salidas .webm/.mov.
Plato con agujero, no un plato limpio con relleno. La región del sujeto en plato.webm es completamente transparente — compón algo opaco debajo para llenar el agujero. La prueba única para saber si --background-output es la herramienta correcta: ¿alguna vez será visible algo a través de la silueta del sujeto donde solía estar el sujeto?
| Caso de uso | Herramienta correcta |
|---|---|
| Texto/gráficos entre el recorte y el plato (la razón de existir de este comando) | Agujero (--background-output) |
| Sujeto sobre una escena no relacionada | Solo sujeto.webm; ignora el plato |
| Mostrar la habitación sin la persona, sola sobre ningún otro contenido | Plato limpio — necesita un rellenador (LaMa, ProPainter, E2FGVI). No este comando. |
| Reemplazar al sujeto con otro sujeto diferente | Plato limpio — igual que arriba |
Si un usuario pide "la habitación con la persona eliminada" y tiene la intención de mostrarla sola, no uses --background-output. Dile que necesita un rellenador.
Composición típica en capas (el caso de uso canónico de agujero):
<!-- z=1 el plato con alfa inversa llena todo excepto la región del sujeto -->
<video
src="plato.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 gráficos / texto viven entre las dos capas -->
<h1 id="titulo" style="z-index:2; ...">HACERLO EN HYPERFRAMES</h1>
<!-- z=3 el recorte flota al sujeto sobre el título -->
<div class="recorte-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="sujeto.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
Esto es funcionalmente equivalente al patrón de texto-detrás-del-sujeto a continuación, pero no necesitas el presentador.mp4 original en el proyecto: el plato lo reemplaza. Útil cuando quieres enviar solo las dos capas transparentes y permitir que el usuario coloque contenido arbitrario entre ellas.
Formato de Salida
| Formato | Cuándo |
|---|---|
.webm (VP9 + alfa) | Predeterminado. Las composiciones reproducen esto directamente mediante <video>. |
.mov (ProRes 4444) | Edición en DaVinci/Premiere/FCP. Archivos grandes. |
.png | Recorte de imagen única (sujeto estático, superpuesto sobre un fondo). |
Chrome decodifica VP9 alfa de forma nativa, por lo que el .webm se conecta a una composición como cualquier otro video con reproducción automática silenciada; consulta la habilidad hyperframes para las convenciones de pista <video>.
Preajustes de Calidad
--quality fast|balanced|best controla solo el CRF del codificador VP9: la calidad de segmentación es fija.
| Preajuste | CRF | Cuándo |
|---|---|---|
fast | 30 | Iterando, archivo más pequeño, coincidencia de color suelta |
balanced | 18 | Predeterminado. Visualmente idéntico para la mayoría de usos |
best | 12 | Maestro / entrega final. Archivo más grande, coincidencia más precisa |
Patrones de Composición — elige el correcto
El webm del recorte es una copia recodificada del RGB del mp4 de origen. Esa elección tiene consecuencias dependiendo de lo que coloques detrás:
| Patrón | Qué hay detrás del recorte | Resultado |
|---|---|---|
| Recorte sobre una escena diferente (más común) | Imagen estática, degradado o video no relacionado | Se ve genial. El RGB del recorte es la única fuente del sujeto: sin duplicación, sin halo de borde. Para esto está diseñado remove-background. |
| Recorte sobre su propio mp4 de origen (texto detrás del sujeto) | El mismo mp4 del que se generó el recorte | Dos fuentes RGB para la misma persona. En el valor predeterminado --quality balanced (crf 18) la duplicación es apenas visible; en --quality fast (crf 30) verás un sutil cambio de color / halo de borde. Usa --quality best (crf 12) para masters. |
| Recorte sobre una toma diferente de la misma persona | Metraje del mismo sujeto | Se verá como dos personas separadas superpuestas. No hagas esto. |
Texto detrás del sujeto (título detrás del presentador):
<video
src="presentador.mp4"
id="fondo"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="titulo" style="z-index:2; ...">HACERLO EN HYPERFRAMES</h1>
<div class="recorte-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presentador.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
Dos reglas clave:
- Envuelve el video del recorte en un
<div>sin temporización y anima la opacidad del envoltorio, no la del elemento de video. El marco fuerza opacidad:1 en clips activos (cualquier elemento condata-start/data-duration), por lo que animar la opacidad del video directamente se anula silenciosamente. El envoltorio no tiene atributosdata-*, por lo que es propiedad de tu CSS/GSAP. - Ambos videos usan
data-start="0"ydata-media-start="0"para que el marco los decodifique sincronizados desde t=0. Montar el recorte tarde (data-start=3.3) introduce una búsqueda + calentamiento que aterriza un fotograma fuera del mp4 base — visible como un fotograma de desalineación en el corte.
Luego invierte la opacidad del envoltorio con GSAP en el corte: tl.set(recorteWrap, { opacity: 1 }, 3.3).
TTS → Transcribir → Subtítulos
Cuando no hay voz en off pregrabada, genera una y transcríbela para obtener marcas de tiempo a nivel de palabra para subtítulos:
npx hyperframes tts script.txt --voice af_heart --output narracion.wav
npx hyperframes transcribe narracion.wav # → transcript.json
Ventajas
- Sin latencia de red: todo se ejecuta en local.
- Sin costos de API: Kokoro y Whisper son modelos abiertos.
- Bucle de iteración rápido: generar, transcribir, ajustar voz/velocidad, regresar.