Montaje horizontal
A partir de una grabación de conversación en bruto produce un montaje preliminar cercano a la versión final. La división del trabajo es la siguiente:
- Herramientas miden el audio: eliminan pausas, repeticiones consecutivas y espacios en silencio, colocando el punto de corte en el fotograma más silencioso.
- Tú (Claude) lees la transcripción de principio a fin y eliminas lo que las herramientas no ven: reinicios, notas de edición como "aquí cortaré", correcciones de números o nombres mal dichos, partes que se desvían del tema. Escribes la justificación de cada corte.
- Verificación vuelve a analizar el audio cortado y busca palabras partidas o filtraciones en cada unión.
La salida es un mp4 (no un proyecto de edición no lineal). Color, música, subtítulos y gráficos no son responsabilidad de este skill.
Cuándo usarlo
- Cuando el usuario proporciona una grabación de conversación horizontal y dice "edita", "corta", "elimina pausas".
- Cuando la cámara y la grabación de pantalla son archivos separados y necesitan sincronizarse.
- No es para vídeo vertical (Reels/Shorts); allí el lienzo y los subtítulos son diferentes.
Preparación
ffmpegdebe estar en el PATH; las dependencias de Python se instalan conkur.shen la raíz del repositorio. En los comandos usa.venv/bin/python(Windows:.venv\Scripts\python).- El modelo Whisper se descarga en la primera ejecución (large-v3 ≈ 3 GB). Informa al usuario antes de descargar.
- El tiempo se consume principalmente en Whisper. Medición (M1 Pro 8 núcleos CPU, large-v3 int8, modo literal, con otro renderizado en segundo plano): una grabación de 4 minutos se procesó en 10 minutos (0,4 veces el tiempo real);
dogrulavuelve a analizar el audio cortado a la misma velocidad. El corte, la sincronización y el plan toman segundos; el renderizado, minutos. Para grabaciones largas, informa al usuario del tiempo desde el principio; para pruebas rápidas se puede usar--model mediumosmall(menos precisos; las reglas se midieron con large-v3); la verificación final se realiza con el modelo predeterminado. Si hay GPU NVIDIA,--cihaz autoselecciona CUDA automáticamente. - Cada trabajo tiene su propia carpeta:
calisma/<proyecto>/. No muevas, elimines ni sobrescribas los archivos originales del usuario; las herramientas solo los leen.
A continuación, H = .venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py, P = calisma/<proyecto>.
Ciclo
1. Transcripción. Extrae el audio, obtiene la transcripción literal y establece el plan inicial (sin lista de cortes).
H dokum P --video camara.mp4 [--ekran pantalla.mp4] [--terimler "términos específicos del vídeo"]
Proporciona nombres propios (productos, personas, nombres de juegos) con --terimler; Whisper los escribe correctamente.
2. Lee P/dokum.md de principio a fin. Lée completamente, en partes con Read. No hojees: los reinicios y las notas de edición suelen esconderse en medio de las frases. Mientras lees, busca:
- Reinicio: segundo intento de la misma idea. El último intento se queda, los anteriores se eliminan.
Las líneas
[ADAY]son pistas, pero la decisión es tuya. - Nota de edición y nota personal: "aquí cortaré", "repetimos esto", "corten", "perdón", "Repetir.", "que no sea así", "nota para …: pon aquí esto". El usuario puede dar instrucciones de corte verbalmente; esa es la señal más fiable.
- Números, nombres, unidades mal dichos y corregidos: el incorrecto se elimina.
- Palabras sueltas ("Sí. Ahora esto…"), murmullos ininteligibles, frases a medias.
- Partes que se desvían del tema o son innecesariamente largas. Esto es una decisión de contenido: pregunta al usuario antes de eliminar.
- Líneas
DÜŞTÜ: palabras perdidas por la medición de audio. La mayoría son invenciones de Whisper o respiraciones; si una palabra significativa se ha perdido, compruébalo conzarf.
3. Escribe P/atilacak.json. Con el segundo de origen y justificación para cada línea:
[
{"bas": 31.20, "son": 36.85, "gerekce": "reinicio: primer intento de la frase, el segundo se queda"},
{"bas": 102.40, "son": 104.10, "gerekce": "nota de edición: dijo 'aquí cortaré'"}
]
- Toma los límites de las líneas de
[inicio–fin]en la transcripción; la herramienta coloca el corte en el fotograma más silencioso dentro de ±0,2 s, no se necesita precisión exacta. Las palabras cuyo centro cae dentro del intervalo se eliminan: terminasonjusto ANTES de la marca de la primera palabra que se queda, sin solapamiento. - Si solo una parte de la línea debe eliminarse, usa
H zarf P 100 106para ver las marcas de palabras y el audio. - Si una repetición enfática intencionada ("paso a paso", "información información información") no debe eliminarse automáticamente, escribe su intervalo en
P/korunacak.jsoncon el mismo formato. - La repetición con contraste o anáfora no es repetición: "Aquí hay algo escrito. Aquí hay otra cosa escrita." ambas se quedan.
4. Bloques de imagen (opcional): P/bloques.json. Si no existe, toda la grabación es un solo bloque de cámara.
[
{"etiket": "introducción", "bas": 0, "son": 95.5, "goruntu": "kamera"},
{"etiket": "demo", "bas": 95.5, "son": 400, "goruntu": "ekran"},
{"etiket": "ejecutando prueba", "bas": 400, "son": 520, "goruntu": "ekran-hizli"}
]
kamera: grabación principal a pantalla completa; en los cortes se alterna un zoom de 1,00 / 1,06.ekran: grabación de pantalla a pantalla completa, con cámara pequeña redonda en la esquina. Para bloques donde no quieras la cámara en la esquina, usa"kose": false.ekran-hizli: no se eliminan silencios; las partes sin conversación de más de 2,4 s se aceleran 2× (más de 6 s se aceleran 4×), con un distintivo "2×" en la esquina superior izquierda. Se usa para mostrar algo en funcionamiento.- Coloca el límite del bloque entre frases. Si la persona no mira a la cámara (mira la pantalla mientras explica), esa sección debe ser
ekran; muestra el rostro solo cuando mira directamente a la cámara. Si no estás seguro, extrae unos fotogramas de ambas grabaciones para comprobarlo (ffmpeg -ss <s> -i camara.mp4 -frames:v 1 fotograma.jpg).
5. Establece el plan y vuelve a leer.
H kurgu P
dokum.md se reescribe. Verifica que las líneas ATILDI hayan capturado la frase correcta y que el texto restante se lea con fluidez. Si es necesario, repite los pasos 3-5; este paso toma segundos.
6. Sincronización (si hay grabación de pantalla).
H senkron P # pantalla_t = camara_t + desplazamiento + deslizamiento·camara_t -> P/senkron.json
El valor r de las ventanas debe ser superior a 0,5 y los desplazamientos deben ser consistentes en unos pocos ms. Si la grabación de pantalla no tiene micrófono, proporciona el desplazamiento manualmente: H senkron P --ofset 2.5.
7. Renderizar. Primero una pequeña prueba, luego el renderizado completo (las partes quedan en caché, la segunda renderización es rápida):
H cek P --bas 0 --bit 15 # primeras 16 partes -> P/cikti/kurgu-0-15.mp4
H cek P [--boyut 2560x1440] # completo -> P/cikti/kurgu.mp4
H temas P # un fotograma por bloque -> P/kontrol/temas.jpg (míralo con Read)
Revisa temas.jpg obligatoriamente. Si la cara en la cámara de la esquina es demasiado pequeña o está en el borde, ajusta el recorte con --kose-kirp 0.52,0.45,0.5 (centro x, centro y, borde/altura). Si hay franjas negras o barras del navegador en los bordes de la grabación de pantalla, recorta con --ekran-kirp 2468:1388:46:47 (ancho:alto:x:y, píxeles de origen); mantén la relación de aspecto 16:9.
8. Verificar y corregir.
H dogrula P # vuelve a analizar el audio cortado -> P/dogrula.md
H pencere P 104.10 212.75 # ±3 s alrededor de las uniones sospechosas (segundo de origen)
En dogrula.md, para cada sospechoso:
- FALTA (no se oye la palabra esperada): primero reproduce con
pencere. Whisper a menudo omite palabras cortas (y, de, esto) en el segundo análisis; la mayoría son falsas alarmas. Si realmente se ha cortado, ajusta el límiteatilacakcorrespondiente (amplíalo o redúcelo) o elimina el corte. - FILTRACIÓN (se oye una palabra eliminada): amplía el intervalo de eliminación para que cubra esa palabra.
- Antes de decir que un corte es incorrecto, verifica el audio con
zarf; no confíes en las marcas de tiempo.
Después de corregir, repite kurgu → cek → dogrula. Las partes que no cambian no se regeneran.
9. Informe al usuario. Breve y con números:
- duración: bruto → editado (ej. 4:00 → 2:48, 30% más corto), número de partes y bloques;
- tus cortes manuales, uno por uno con justificación (tiempo + una línea);
- número de repeticiones eliminadas automáticamente, intervalos acelerados;
- verificación: cuántas uniones, cuántas sospechosas, cuáles se corrigieron, cuáles resultaron falsas alarmas;
- nivel de audio (LUFS) y ruta del archivo de salida. Indica por separado los cortes de contenido (detalles innecesarios); si se solicitan, basta con eliminar una línea.
Reglas aprendidas (resumen)
- El audio decide. Un intervalo sin palabras no significa silencio: Whisper puede tragarse repeticiones.
El punto de corte se encuentra con
zarf; las palabras solo indican qué conservar. - La marca de tiempo de Whisper se desvía ~0,5 s (casi siempre temprano). No cortes por la marca, corta por el audio.
- No cortes en medio de una palabra. Los límites de las zonas se colocan donde termina el audio, más un margen de respiración: 0,28 s al final de la frase, 0,12 s dentro de la frase; comienzan 0,06 s antes.
- En contexto largo, Whisper se traga los titubeos; por eso la transcripción se divide en partes independientes de ≤10 s.
- El audio y el vídeo están en la misma cuadrícula de fotogramas (30 fps, parte = fotograma completo, audio = fotograma × 1600 muestras).
- No implementes un segundo paso de "acortar espacios"; se probó y se tragó palabras (detalles en kurallar.md).
Todas las reglas con mediciones: references/kurallar.md. Formatos de archivo y opciones de comandos: references/dosyalar.md.
Limitaciones conocidas
- Una sola grabación principal (audio + cámara). Si hay múltiples partes, combínalas primero con ffmpeg o haz cada parte como proyecto separado.
- El audio siempre proviene de la grabación principal; el audio de la grabación de pantalla solo se usa para sincronización.
- La cámara en la esquina tiene un recorte fijo, sin seguimiento facial.
- No hay efectos de transición en el bloque de cámara; los jump cuts se suavizan con zoom.
[ADAY]es ruidoso (~17 líneas en 4 minutos); la mayoría son repeticiones naturales como "necesito … necesito". Los reinicios reales los encuentras leyendo la transcripción; la lista de candidatos es solo una pista.- Las notas de edición ("pon aquí un tono de llamada", "saca una barra aquí") se eliminan pero no se aplican: los gráficos y efectos no son responsabilidad de este skill. En el informe, enuméralas por separado.