comfy-director

Comfy Director

Primero la historia, después las imágenes. Los films de IA con múltiples tomas fallan en la edición, no en la renderización: los beats que no se causan entre sí se leen como un montaje disfrazado de historia, por muy bueno que sea cada clip.

REQUISITO PREVIO: el skill comfy (mecánicas de CLI + la ruta de recetas — apply/capture/foreach — para grafos reutilizables de múltiples etapas). En caso de fallo de cualquier trabajo, comfy-debug.

Orden de operaciones

1. Concepto — una idea que un desconocido pueda recontar.
2. Guion — antes de tocar el pipeline. Entrégalo al usuario primero.
3. Lista de tomas — cada escena asignada a una estrategia de continuidad.
4. Diseño de audio — contra los beats emocionales del guion, no después de la imagen.
5. Producir → conformar → QC.

Saltarse el paso 2 e ir directamente a las renderizaciones es la causa principal de cortes eliminados.

Reglas del guion

• Un protagonista al que la cámara pueda seguir. Reconocible en cada toma.
• Prueba de causalidad: cada corte responde "y POR ESO…" — nunca "y luego, en otro lugar…". Si un beat se puede reordenar sin romper nada, aún no es una historia.
• Prueba del extraño: alguien sin contexto debe poder recontar la trama en dos oraciones ("X quería A, B se lo impidió, hizo C, así que D").
• Los beats llevan tiempos que suman a la duración objetivo.

Reglas del concepto

• La marca/producto se siente, no se nombra: defiende su filosofía; los chistes internos y referencias de la comunidad mostrados en pantalla se leen como fan-service.
• Una técnica que el cliente mencione ("transferencia de estilo", un nombre de modelo) es una chispa, no un mandato — úsala solo si la idea la necesita. Construir el film alrededor de una técnica es señal de un proveedor, no de un director.
• Lo extraño debe acumularse: sujeto Y objeto Y entorno sorprendentes. Un elemento extraño en un fotograma normal es decoración.

Generación de tomas

• Tomas fotorrealistas: solo lenguaje de cinematógrafo de acción real / película. Un nombre de ilustrador/anime/cómic en una prompt fotorrealista la envenena. Las referencias ilustradas pertenecen solo a tomas deliberadamente estilizadas.
• Las prompts de movimiento describen CÓMO se mueve la escena, no lo que contiene (consulta los gotchas de video del skill comfy — trampas de modelos t2v/i2v, SaveVideo, cableado de fps).

Kit de herramientas de continuidad

Elige por toma, en orden aproximado de fortaleza:

Estrategia	Usar para
Imagen de referencia de personaje/ubicación llevada a cada toma del grafo i2v	identidad del protagonista
Misma identidad, nuevos encuadres mediante edición de imagen de referencia (un héroe → N ángulos)	rostro reconocible entre cortes
Fotograma clave de la toma N siembra la toma N+1 (restilización o fotograma final referenciado por imagen)	acción contigua
Cabeza parlante alimentada con el AUDIO EXACTO que suena (KlingAvatar), cortada entre ángulos de la misma cabeza sincronizada con labios — nunca B-roll sobre la VO	diálogo que debe sentirse real
Líneas de vestuario/iluminación/lente repetidas textualmente en cada prompt	pegamento base barato

Si una toma no puede mantener la continuidad, reescribe el guion para que no necesite esa toma — no entregues la ruptura.

Audio

• Partitura = pistas cortas diseñadas unidas en los pivotes de la historia; una sola generación larga no seguirá un arco dinámico (se invierte justo donde necesitas el pico).
• Coloca la VO por cálculo: duración del tallo vs ventana del beat, antes de mezclar.
• Atenúa la partitura bajo la VO; normaliza la sonoridad de la mezcla final (~-14 LUFS).
• El diálogo debe sincronizarse con los labios por construcción. Impulsa la boca desde el audio exacto que suena (sound_file de KlingAvatar) y corta entre ángulos de la misma cabeza sincronizada con labios — el B-roll sobre una VO continua se lee como montaje, y las bocas inventadas por i2v se desvían. "Sin sincronía labial / no se siente real" es el rechazo clásico. (Genera el audio en el grafo — LoadAudio en la nube no puede ver subidas; consulta los gotchas de audio de comfy.)
• Bloquea la voz y el casting de OÍDO antes de las renderizaciones costosas. La voz/acento es subjetivo e ilegible desde una forma de onda — renderiza unas pocas tomas TTS baratas de una línea, deja que el usuario elija, LUEGO hornea la ganadora en las tomas costosas de avatar/sincronía labial propensas a transient_auth. Re-renderizar todas por una voz rechazada es la quema evitable. Misma lógica para el aspecto del protagonista: aprueba la imagen fija del héroe antes de generar cada toma a partir de ella.
• Verifica la mezcla por medición, no por fe. No puedes oír la renderización — ffmpeg volumedetect cada sección: un final de "silencio muerto" o una línea enterrada aparece como una ventana cerca de -91 dB. Confirma que cada beat está presente a nivel antes de declararlo terminado.

Operaciones de producción

• Añade CADA envío — tomas, fotogramas clave, tallos de audio, reenvíos — a job_ids.txt (<nombre_del_trabajo> <prompt_id>) en el momento del envío. Solo añadir: un reenvío obtiene una nueva línea (shot_s3_resubmit <id>), nunca una sobrescritura, así que los prompt_id muertos mantienen su identidad de toma.

• Mantén LOG.md en la raíz del proyecto: un registro de eventos de solo añadir, escrito en el momento del evento, no al final de la sesión — una línea por envío/reenvío (+ código de fallo), por veredicto de QC (+ motivo de repetición), y por decisión que invalide trabajo anterior: cambios de reparto, cambios de prompt, qué imagen de referencia o tallo es ahora canónico. Los hallazgos fotograma a fotograma viven en qc/QC_LOG.md; LOG.md los indexa.

  17:36 ERROR shot_s3 transient_auth -> RESUBMIT 27dd45b4 (mismo flujo de trabajo, sin reiniciar sesión)
  17:44 QC shot_s2 FONDO fondo-arrastrarse -> re-roll (mismo kf, nueva semilla); recortar beat si falla el 2do
  17:50 DECISIÓN recastear protagonista -> ref_ray.png canónico; vo2, vo6 obsoletos, regenerar
  

• Contrato de recuperación: un agente sucesor sin memoria debe poder retomar desde el disco solo: LOG.md (qué pasó, por qué) → job_ids.txt (qué trabajos) → comfy jobs status (sus estados). Una decisión no en LOG.md muere con la sesión — los trabajos completados pero obsoletos (tallos de VO de un reparto anterior) parecen idénticos a los buenos.

• ffprobe cada clip descargado; normaliza duraciones/dimensiones fuera de especificación antes del conformado.

• QC un fotograma de cada clip contra el guion antes de editar.

• Duración exacta: recorta/reaplica tiempo por beat en ffmpeg, no esperes.

Errores comunes (cada uno ha matado un corte real)

Error	Resultado
Renderizaciones antes del guion	"Ocho beats atractivos que no se causan entre sí"
Referencias de la comunidad en pantalla	"Demasiado directo, fan-service"
Técnica mencionada por el cliente como concepto	"Lo dije para generar ideas"
Sin plan de continuidad	El protagonista cambia de cara en cada corte
Una generación de música de 40s	El arco se invierte en el clímax
B-roll sobre una VO continua	"Parece un montaje / el audio no coincide"
Hornear la voz en N tomas antes de que el usuario la oiga	Re-renderizar todo cuando la rechacen
Unir tomas de cabezas parlantes sin transición	La voz se desincroniza (el avatar alarga el video más allá del audio)