¿Qué hace stable-video-cut?
Detecta y extrae automáticamente fragmentos "estables" de uno o varios vídeos grabados a mano, los corta, los ordena por estabilidad y los ensambla en un vídeo final con transiciones. Solo necesita ffmpeg + Python (numpy), sin ningún programa de edición de vídeo.
Cuándo usarlo
- "Busca fragmentos estables y córtalos / Hay demasiado movimiento, elige los más estables"
- "Combina estos clips en un solo vídeo y añade transiciones en las uniones"
- Vídeos de fábrica, demostraciones de productos o casos de estudio grabados con teléfono o a mano, donde se necesitan segmentos directamente utilizables
Dependencias del entorno
- ffmpeg / ffprobe: primero ejecuta
which ffmpeg ffprobe(owhere ffmpeg) para confirmar que están instalados. En Windows usa winget (winget install Gyan.FFmpeg) o descárgalo desde gyan.dev; en Mac,brew install ffmpeg. Los comandos siguientes usan los nombres ejecutablesffmpeg/ffprobe; si no están en PATH, exportaFF=/ruta/a/ffmpegyFP=/ruta/a/ffprobey luego usa"$FF"etc. - Python 3 + numpy (
python --version/python -c "import numpy"para confirmar; si falta,pip install numpy). - Pillow para los títulos de portada (
pip install pillow).
Flujo de trabajo
1. Explorar los materiales
Ejecuta ffprobe en cada vídeo para obtener resolución, FPS y duración:
ffprobe -v error -select_streams v:0 -show_entries stream=width,height,r_frame_rate,duration \
-show_entries format=duration -of default=noprint_wrappers=1 <archivo>
Anota las especificaciones de cada clip: deben unificarse antes del ensamblaje (paso 4).
2. Análisis de estabilidad + corte
Guarda el siguiente script en la carpeta de materiales (por ejemplo, _stability_cut.py) y ejecútalo. Realiza: análisis de diferencia entre fotogramas → umbral adaptativo para encontrar segmentos estables → corte a mp4 (con audio original) → genera stable_cuts/analysis_report.json.
Los parámetros clave están al inicio del archivo; ajústalos según sea necesario:
import subprocess, numpy as np, os, json, shutil
SRC = r"E:\tu_carpeta_de_materiales" # Cambia a la ruta real
OUT = os.path.join(SRC, "stable_cuts")
FF = shutil.which("ffmpeg") # Si no está en PATH, pon la ruta real
FPS = 5 # Fotogramas por segundo para el análisis: más alto = más preciso pero más lento
W = 160 # Ancho de la imagen en escala de grises para el análisis
MIN_SEC = 4.0 # Duración mínima de un segmento estable (segundos)
TOP_N = 4 # Número máximo de segmentos por vídeo original
THR_PCT = 45 # Percentil para el umbral adaptativo (menor = más estables pero menos segmentos)
def gray(path):
p = subprocess.run([FF,"-hide_banner","-loglevel","error","-i",path,
"-vf",f"scale={W}:-2,fps={FPS}","-f","rawvideo","-pix_fmt","gray","-"],
stdout=subprocess.PIPE)
fp = FF.replace("ffmpeg","ffprobe")
if shutil.which("ffprobe"):
fp = shutil.which("ffprobe")
pr = subprocess.run([fp,"-v","error",
"-select_streams","v:0","-show_entries","stream=width,height","-of","json",path],
capture_output=True,text=True)
w,h = json.loads(pr.stdout)["streams"][0]["width"], json.loads(pr.stdout)["streams"][0]["height"]
h = (h*W//w)//2*2
return np.frombuffer(p.stdout,np.uint8).reshape(-1,h,W).astype(np.float32)
def smooth(x,w=5):
k=np.ones(w)/w; return np.convolve(x,k,mode="same")
report={}
for name in sorted(f for f in os.listdir(SRC) if f.lower().endswith((".mp4",".mov",".m4v"))):
f = gray(os.path.join(SRC,name)); n=f.shape[0]
D = np.mean(np.abs(f[1:]-f[:-1]),axis=(1,2)) # Diferencia media entre fotogramas consecutivos = fluctuación
S = smooth(D)
thr = float(np.percentile(D,THR_PCT))
good = S<thr
runs,start=[],None
for i in range(len(good)):
if good[i] and start is None: start=i
if not good[i] and start is not None: runs.append((start,i)); start=None
if start is not None: runs.append((start,len(good)))
runs=[(a,b) for a,b in runs if (b-a)>=FPS*MIN_SEC]
runs.sort(key=lambda ab: float(S[ab[0]:ab[1]].mean())) # Ordenar por estabilidad
top=runs[:TOP_N]; top.sort(key=lambda ab:ab[0])
os.makedirs(OUT,exist_ok=True)
base=os.path.splitext(name)[0]
for i,(a,b) in enumerate(top,1):
outp=os.path.join(OUT,f"{base}_stable{i}_{a/FPS:05.1f}s-{b/FPS:05.1f}s.mp4")
subprocess.run([FF,"-hide_banner","-loglevel","error","-y","-ss",f"{a/FPS:.2f}",
"-i",os.path.join(SRC,name),"-t",f"{(b-a)/FPS:.2f}",
"-c:v","libx264","-preset","veryfast","-crf","20",
"-c:a","aac","-b:a","128k","-movflags","+faststart",outp],check=True)
report[name]=[{"segment":i,"start":a/FPS,"end":b/FPS,"duration_s":(b-a)/FPS,
"fluctuation":round(float(S[a:b].mean()),2)} for i,(a,b) in enumerate(top,1)]
print(name,"->",len(top),"segments", [(f"{a/FPS:.1f}-{b/FPS:.1f}s",round(float(S[a:b].mean()),1)) for a,b in top])
json.dump(report, open(os.path.join(OUT,"analysis_report.json"),"w",encoding="utf-8"), ensure_ascii=False, indent=2)
3. Tabla global de estabilidad
Compila todos los segmentos de todos los vídeos en una sola tabla ordenada ascendentemente por fluctuation (rango, vídeo original, intervalo de tiempo, duración, uso recomendado) y escríbela como stable_cuts/global_stability_ranking.md.
Consejos:
- Un valor de fluctuación más bajo indica mayor estabilidad, pero es relativo a cada vídeo. Sirve como referencia para ordenar, no como valor absoluto.
- "¿Qué clip usar principalmente?" suele ser el de menor fluctuación; el más largo y estable es ideal como toma principal.
- Si la mayoría de los segmentos estables son cortos (<4s), aumenta
THR_PCTa 55-60 y vuelve a ejecutar.
4. Unificar especificaciones + ensamblaje con transiciones
Primero normaliza todos los segmentos (resolución, FPS y parámetros de audio deben ser idénticos para que xfade funcione):
for f in segment*.mp4; do
ffmpeg -y -i "$f" -vf "scale=720:1280:force_original_aspect_ratio=decrease,pad=720:1280:(ow-iw)/2:(oh-ih)/2,setsar=1" \
-r 30 -c:v libx264 -crf 20 -pix_fmt yuv420p -c:a aac -b:a 128k -ar 44100 -ac 2 "_norm/$(printf '%02d' $i).mp4"
done
- Para material vertical usa
720:1280; horizontal1280:720; cuadrado1080:1080. - Si el original es más nítido que el destino,
force_original_aspect_ratio=decreaselo escala para que quepa dentro del marco, ypadagrega bordes negros centrados, sin deformar. - Los archivos normalizados deben tener nombres ASCII (01.mp4…) dentro de la subcarpeta
_norm/para evitar problemas con rutas con caracteres chinos en concat.
Ensamblaje con xfade con 12 segmentos y transiciones de 0.5s:
[0:v][1:v]xfade=transition=<T1>:duration=0.5:offset=<o1>[v1];
[v1][2:v]xfade=transition=<T2>:duration=0.5:offset=<o2>[v2]; ... -> [vout]
[0:a][1:a]acrossfade=d=0.5[a1]; [a1][2:a]acrossfade=d=0.5[a2]; ... -> [aout]
Fórmula para offset (con duración de transición d y duración de cada clip D1..Dn):
o1 = D1 - d
o2 = o1 + D2 - d
o3 = o2 + D3 - d # Acumulativo: duración del clip anterior - d
Obtén D con ffprobe exactamente (algunos dan valores como 16.400023, no uses 16.4 manualmente). Duración total = ΣDi - (n-1)·d.
Para el audio, usa acrossfade para fundir sincronizadamente y evitar clics en las uniones. Todo en un solo filter_complex, no uses concat demuxer (no permite transiciones).
Transiciones recomendadas (elige diferentes cada vez para evitar monotonía):
fade (fundido, la más segura), fadeblack (para cambios de sección/final), slideleft/slideright/smoothleft, circleopen, radial, hlslice, zoomin. Para 11 o más segmentos, coloca fadeblack en los puntos 4-5 y al final para agrupar.
ffmpeg -y -i _norm/01.mp4 ... -i _norm/12.mp4 -filter_complex "$FILTER" \
-map "[vout]" -map "[aout]" -c:v libx264 -crf 20 -preset veryfast -pix_fmt yuv420p \
-c:a aac -b:a 128k -movflags +faststart video_final.mp4
5. Título de portada + música de fondo (empaquetado final)
Truco clave: genera los textos del título como PNG transparente con PIL, no uses drawtext para chino – drawtext en Windows es muy propenso a errores con rutas y caracteres especiales (: requiere escapado \:, textfile no acepta espacios/chinos, filter_complex_script desapareció en ffmpeg 9). PIL funciona a la primera:
from PIL import Image, ImageDraw, ImageFont
F = "C:/Windows/Fonts/msyhbd.ttc" # Microsoft YaHei Bold, compatible con chino; en Linux/macOS usa Source Han Sans, etc.
img = Image.new("RGBA", (720, 1280), (0,0,0,0))
d = ImageDraw.Draw(img)
fnt = ImageFont.truetype(F, 62)
# Dibuja sombra primero, luego texto principal para asegurar legibilidad sobre fondos claros/oscuros
d.text((x+3, y+3), "宠物洗护流水线", font=fnt, fill=(0,0,0,160))
d.text((x, y), "宠物洗护流水线", font=fnt, fill=(255,255,255,255))
img.save("title.png")
Superpón en el vídeo (fade in/out durante los primeros 4.5s, PNG transparente con loop para 4.5s):
[1:v]loop=loop=449:size=1:start=0,fps=30,format=rgba,
fade=t=in:st=0:d=0.4:alpha=1,fade=t=out:st=3.8:d=0.7:alpha=1,
trim=duration=4.5,setpts=PTS-STARTPTS[ov];
[0:v][ov]overlay=0:0:eof_action=pass,format=yuv420p[vout]
Mezcla de BGM (volumen original reducido a 0.45, BGM a 0.9, fade in/out de 1-2s):
[0:a]volume=0.45[a1];
[1:a]atrim=0:<duration_total>,afade=t=in:d=1,afade=t=out:st=<duration_total-2>:d=2,volume=0.9[b1];
[a1][b1]amix=inputs=2:duration=first:normalize=0[aout]
- Prepara tu propio BGM: usa ffprobe para ver su duración; si es más corta que el vídeo, usa
-stream_loop -1para repetir. Asegúrate de usar música libre de derechos (ej. lofi/CC0). - Imagen de portada: toma el fotograma central del segmento más estable, superpón el mismo título con PIL, 720×1280, guarda como PNG/JPG.
6. Convenciones de salida
carpeta_materiales/stable_cuts/← segmentos estables +analysis_report.json+global_stability_ranking.md+video_final_title+BGM.mp4+cover_720x1280.png- Los archivos intermedios normalizados
_norm/y los PNG temporales se eliminan al finalizar.
Problemas comunes
- Concat demuxer + rutas con chino/espacios: ffmpeg da error
Illegal byte sequence. La solución son los archivos intermedios ASCII + concat.txt con rutas relativas como se explicó. - xfade exige que ambas entradas tengan exactamente las mismas especificaciones (resolución, FPS, formato de píxel, tasa de muestreo, número de canales; de lo contrario da error o resultados incorrectos): la normalización del paso 4 soluciona esto.
- En Bash de Windows, los caracteres chinos pueden aparecer como
o????: no afecta a los archivos de salida reales (los nombres son correctos), solo es un problema de visualización en la consola; no te alarmes, verifica conls. - El tiempo de análisis es lineal con la duración del vídeo. Para varios clips de 1-4 minutos grabados a mano, todo el proceso (análisis + corte + ensamblaje) toma unos 3-5 minutos.
- No uses drawtext para títulos en chino (ver paso 5), genera un PNG transparente con PIL y superponlo con overlay: es más fiable.