shaharsha/producción-de-episodios-animados

Producción de episodios animados

Resumen

Un episodio animado vertical, con voz, subtítulos y animación: arte de personajes, paneles, voces clonadas o de biblioteca, música, clips de imagen a video y sincronización labial, cortados por un motor que temporiza cada toma a partir del audio real del diálogo. Un único episode.json contiene todo el proyecto, y engine/episode.py ejecuta todas las fases desde él. Las habilidades hermanas realizan el trabajo de los proveedores.

Usa el motor; no escribas tus propios scripts de edición. La línea de tiempo, superposiciones, subtítulos, texto de derecha a izquierda, la mezcla, las duraciones y las uniones de sincronización labial ya están en engine/. Está probado al reconstruir un episodio real de 3.5 minutos: fotogramas idénticos, audio idéntico y la duración exacta que el original había fallado. Una edición hecha a mano redescubre cada error en references/troubleshooting.md.

El audio es el maestro. Las duraciones de las tomas, los tiempos de los subtítulos y las partes de sincronización labial provienen de los archivos de diálogo terminados. Nunca estimes un tiempo a partir del texto.

No puedes ver ni oír. Tú verificas fotogramas, duraciones y números. El ser humano juzga el parecido, las voces, la pronunciación, el ritmo y los chistes. Planifica sus puntos de control y mantenlos.

Requiere:

• Estas habilidades junto a esta: image-generation, elevenlabs-tts, generating-video-clips.
• Python 3 con pip install -r <directorio-de-esta-habilidad>/requirements.txt (Pillow compilado con RAQM, numpy; OpenCV opcional).
• ffmpeg 7 o más reciente.
• Fuentes: los estilos y subtítulos nombran claves de fuente (bold, hblack, black en el ejemplo) que fonts mapea a archivos .ttf instalados. Para hebreo y latín, Rubik y Heebo (gratuitas, Google Fonts) funcionan bien; check bloquea si falta alguna.
• Claves en variables de entorno, establecidas en cada shell que ejecute el motor: OPENAI_IMAGE_API_KEY, ELEVENLABS_API_KEY, GEMINI_API_KEY, FAL_KEY.

Para ver todo el pipeline funcionar sin llamadas a API, ejecuta python3 <directorio-de-esta-habilidad>/engine/episode.py /tmp demo, luego check y build el proyecto demo que crea.

El pipeline y sus puntos de control

Cada punto de control es una parada: envía el artefacto, pregunta, espera. Los comandos son python3 <directorio-de-esta-habilidad>/engine/episode.py PROYECTO <comando>. Costos medidos en 2026-10.

#	Fase	Comando	Punto de control (el humano)	Costo
1	Historia y guion	script.md desde templates/script.template.md	el guion, y cada tema sensible	-
2	Biblia de personajes	templates/characters.template.md, luego characters en episode.json	-	-
3	Rostros, tarjetas, promocionar	chars face, chars card key=face.png, chars final keys	parecido, en una hoja de todas las tarjetas	~$0.30 por personaje
4	Paneles	panels draft, luego panels final ids	cada panel, en una hoja	~$0.30 por panel
5	Voces	una muestra por voz (elevenlabs-tts)	cada voz, de oído, antes del lote	centavos
6	Líneas	lines	el conjunto de oído, con marcas de tiempo; nombres A/B	centavos a unos pocos $
7	Música y SFX	sound	la música	centavos
8	Animática	build (aún sin clips: fotos fijas con movimientos de cámara)	ritmo y orden, antes de cualquier gasto en video	gratis
9	Animación	animate, hojas, repeticiones con animate S --takes 2 + animate pick S K	movimiento, desde las hojas	~$0.10 por segundo de clip, por toma
10	Sincronización labial	lipsync prep, puntos faciales en configuración, lipsync run	verificar fotogramas al azar	~$0.13 por segundo
11	Editar y entregar	build, sheet, deliver	el humano ve el mp4	gratis

Comandos, entradas, salidas y manejo de fallos para cada fase: references/pipeline.md.

Escribir el guion

Reglas que se mantuvieron (detalles y un ejemplo práctico: references/script-writing.md):

• Un gancho en los primeros 3-4 segundos (una apertura en frío sobre el problema), luego el título. En menos de 30 segundos, pon el título y la tarjeta final como superposiciones en tomas de la historia y omite el montaje.
• Cada personaje recurrente habla al menos una vez. Un montaje de introducción, una palabra cada uno con su propia voz a aproximadamente 1.2-1.5 s por tarjeta, es económico y gusta.
• El texto en pantalla debe ser legible: aproximadamente 0.8 s más 0.06 s por carácter; 1.2-1.5 s para una tarjeta corta; 4-6 s para un título final. Asigna un mindur a las tarjetas.
• Planta pistas temprano y resuélvelas. Los guiños a chistes recurrentes reales del grupo impactan más.
• Los temas sensibles son decisión del usuario. Enumera cada detalle privado que te gustaría usar (salud, dinero, relaciones, familia, peleas), pregunta por cada uno y usa solo lo que confirmen.
• Líneas de 12 palabras o menos, números en palabras. El texto en pantalla mantiene la ortografía normal; las correcciones de pronunciación van en pronounce.
• Música y efectos de sonido, incluso para narración. Al menos una base musical y algunos efectos (silbidos en cortes, un golpe en la revelación); una base silenciosa suena inacabada.

episode.json en una pantalla

templates/episode.example.json es un episodio pequeño completo; cada clave está en references/config-schema.md. Las partes que más editas:

• characters: nombre mostrado, color, voz y los campos de indicaciones de la biblia de personajes.
• speakers: voces que nunca se dibujan, como un narrador ({"display": null, "voice": "<id>"} da subtítulos sin nombre).
• lines: id, hablante, texto con etiquetas de audio; trim y level en líneas de una palabra.
• shots: imagen, líneas ("[email protected]" superpone la línea anterior), pads, mindur, cámara, fx, sfx, superposiciones, desplazamiento y velocidad del clip.
• music_cues: [cue, desde toma, hasta toma, volumen, desplazamiento]. El build advierte cuando un cue es más corto que su ventana.
• lipsync: qué tomas, qué líneas omitir, un punto facial por parte.
• prompts: anula char_style y panel_style para un estilo diferente (dibujo animado 3D, acuarela, fotorrealista).

Construir y revisar

• Agrupa las correcciones. Una compilación completa lleva minutos. Recoge todas las notas de una ronda de revisión (una toma de línea, un pad, un desplazamiento de clip), aplícalas todas y luego reconstruye una vez.
• Los segmentos se almacenan en caché y se rastrean. build re-renderiza exactamente las tomas cuyas entradas cambiaron: un clip nuevo o con sincronización labial, un panel promocionado, una línea editada, toma o estilo. build --only S05,S06 fuerza esas tomas; --force re-renderiza todo.
• Una toma con sincronización labial se rehace después de cualquier cambio en su clip, desplazamiento, velocidad o líneas: lipsync prep S05 && lipsync run S05. Hasta entonces, el build advierte que está obsoleto y usa el clip sin procesar.
• Regenerar un activo existente necesita --force (sound theme --force, animate S05 --force); sin él, los archivos existentes se conservan y solo se llenan los vacíos.
• Revisa con hojas. sheet pone 3 fotogramas por toma en una página. Cuando el humano nombra un momento por tiempo, extrae y lee esos fotogramas antes de responder (ffmpeg -ss T -i build/<output>.mp4 -frames:v 1 f.jpg).
• check antes de cada compilación: activos faltantes, claves, habilidades hermanas y texto de superposición más ancho que el fotograma.
• Las duraciones se verifican al final de cada compilación. El audio más corto que el video falla la compilación en lugar de cortar el final.
• Antes de enviar: references/qa-checklist.md.

Trabajar con el humano

• Envía cada artefacto con tu herramienta de envío de archivos y ofrece revelarlo en Finder; no te limites a imprimir una ruta. El paso final es deliver y enviar ese archivo.
• Para el audio, di qué escuchar y dónde ("en 0:41, ¿suena bien el nombre de Dani?"). Nunca digas que lo oíste.
• La pronunciación y las elecciones de voz son suyas: archivos A/B con marcas de tiempo (elevenlabs-tts).
• Antes de cada fase paga, da la estimación de costo; después, el total acumulado.

Cuando algo parece mal

Síntoma	Solución
Tarjetas o títulos demasiado rápidos para leer	aumenta mindur / post: ~1.2-1.5 s por tarjeta corta, 4-6 s para el título final
Un título recortado en ambos bordes	check advierte; reduce el size del estilo o añade wrap
La música se detiene antes de que termine la sección	el build advirtió: aumenta los seconds del cue, sound <cue> --force; o divide la sección en dos cues
El final se corta	no puede pasar con el motor (mezcla de duración exacta, verificación de duración); en muxes hechos a mano, consulta deck-to-video
Una línea queda sepultada bajo la música	level_clips.py --report en esa línea, luego una toma más firme; baja el volumen de ese cue
Un personaje señala o actúa antes de su línea	clip_off más allá de eso, o divide la toma y recorta la primera parte con clip_cam
Las bocas no se mueven con las palabras	fase de sincronización labial; si se mueve la boca incorrecta, corrige su punto facial
Una cara más grande en la toma grupal	instala OpenCV (las caras se igualan), o mirror una tarjeta cuyo accesorio cubre a un vecino
El hebreo se renderiza invertido o sin unir	Pillow sin RAQM: check dice cómo solucionarlo
Un nombre o préstamo mal pronunciado	una entrada pronounce, A/B de oído

Más, con causas: references/troubleshooting.md.

Habilidades relacionadas

• image-generation: tarjetas de personajes y paneles ("Personajes recurrentes y paneles de historia").
• elevenlabs-tts: voces, líneas de una palabra, pronunciación, música y SFX.
• generating-video-clips: clips, hojas de tomas, sincronización labial.
• deck-to-video: las mismas lecciones de ffmpeg para videos de diapositivas.