Communitygithub.com

Demo Video Creator — de URL de producto a film 16:9

Convierte la URL de un producto en un video de lanzamiento horizontal de unos 60 s: capturas reales de la interfaz, resultados reales, una locución continua, motion HyperFrames al ritmo, efectos de impacto y un mp4 a -14 LUFS. En inglés o coreano.

¿Qué es Demo Video Creator — de URL de producto a film 16:9?

Paso 1 de la receta Video Localization (el máster), de chacha95/demo-video-creator (publicado el 2026-10-07; el README trae el mismo film en inglés y en coreano). Con una URL de producto recorre: brief → especificación de referencia → SCRIPT.md con las líneas de voz → DESIGN.md → capturas reales de interfaz y resultados → locución de ElevenLabs en una sola toma → música → montaje HyperFrames guiado por la voz y anclado al ritmo → aceleración por re-render de fps → efectos de impacto y SFX por capas → QA (motion, tiras, tabla de sincronía, auditoría final) → un mp4 1920×1080 a -14 LUFS. Revisa claves y herramientas una sola vez al inicio, luego trabaja solo y anota sus decisiones en DECISIONS.md. No es para Shorts 9:16.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/chacha95/demo-video-creator/tree/HEAD/skills/demo-video-creator

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Creador de Videos Demo

Construye un vídeo promocional/de lanzamiento de producto en formato apaisado de aproximadamente 60 segundos, con la sensación de movimiento que el usuario aprobó. El entregable es un archivo mp4.

Por qué existe esta habilidad: el usuario iteró un largo camino para llegar a esta sensación, y casi todas las reglas a continuación son correcciones que hizo. Los agentes dejados solos vuelven a los mismos errores: intros sin gancho, capturas de pantalla de sitios web, locución cortada, subtítulos tardíos, recortes toscos y efectos de sonido de tráiler en cada palabra. Lee las notas "Por qué" para que puedas aplicar la intención a nuevos productos, no solo copiar Evals.

Referencias aprobadas en esta máquina (míralas antes de construir):

  • videos/evals-hype/renders/evals-ref2-short-fast2-impact.mp4 es la sensación de movimiento ("모션이 좋단다").
  • videos/evals-demo2/ contiene el gancho, la locución continua, la edición guiada por la locución y el pase de finalización. Sus SCRIPT.md, DESIGN.md y qa/finish.md muestran cómo se ve "terminado".
  • Si esas rutas no existen (una instalación nueva), usa en su lugar las películas de muestra publicadas: https://github.com/chacha95/demo-video-creator/tree/main/media (demo_en.mp4, demo_ko.mp4). references/examples/ tiene los documentos SCRIPT y DESIGN correspondientes.

Trabaja de forma autónoma. El usuario quiere pegar una solicitud y recibir un video de vuelta. Se frustró cuando una sesión se detuvo para pedir entradas ("인풋 요구해서 안되는데"). Toma decisiones razonables, regístralas en DECISIONS.md y continúa hasta que exista el mp4.

0. Incorporación: claves y herramientas (verificar una vez, antes del paso 1)

Este es el único momento en el que puedes detenerte y preguntar. Verifica todo en una sola pasada al inicio, informa cada brecha en un solo mensaje, luego ejecuta de forma autónoma una vez que esté solucionado. Nunca preguntes a mitad del proceso.

Verifica:

grep -q '^ELEVENLABS_API_KEY=.' .env 2>/dev/null || [ -n "$ELEVENLABS_API_KEY" ] && echo "key ok" || echo "ELEVENLABS_API_KEY missing"
H=$(mktemp); chmod 600 "$H"   # la clave va a través de un archivo de encabezado, nunca en la línea de comandos
printf 'xi-api-key: %s\n' "${ELEVENLABS_API_KEY:-$(grep '^ELEVENLABS_API_KEY=' .env | cut -d= -f2-)}" > "$H"
curl -s -o /dev/null -w "%{http_code}\n" -H @"$H" https://api.elevenlabs.io/v1/user; rm -f "$H"   # 200 = válido
which ffmpeg node npx whisper-cli; node -e "require.resolve('playwright')" && echo "playwright ok"

Nunca imprimas el valor de la clave en el chat o en los registros, y nunca lo pongas en un argumento de línea de comandos (usa -H @file como se indicó anteriormente).

Si la clave falta o no es 200, dile al usuario (en coreano si escribe en coreano) cómo obtenerla:

Se necesita la clave de la API de ElevenLabs (para la generación de narración + música de fondo)

  1. Inicia sesión en https://elevenlabs.io. La creación de música (Music) puede requerir un plan pago.
  2. Perfil inferior izquierdo → Developers / API Keys → Create API Key.
  3. En permisos, activa Text to Speech, Music, Voices (read) y créala. La clave se muestra solo una vez.
  4. Añade una línea en el archivo .env de la raíz del proyecto (si el archivo no existe, créalo): ELEVENLABS_API_KEY=aqui_tu_clave
  5. No pegues la clave en el chat. Solo avísame que la has guardado y continuaré.

.env está en gitignore. No lo confirmes ni copies la clave en ningún otro lugar.

Herramientas, si faltan: brew install ffmpeg whisper-cpp (whisper-cli cubre la verificación de Whisper localmente, no se necesita clave), Node 20+, luego npm i -D playwright && npx playwright install chromium.

Pipeline

brief → referencia SPEC → SCRIPT.md (+líneas de VO) → DESIGN.md → activos (UI real + resultados reales)
→ VO (una toma) → música → construcción (HyperFrames, guiado por VO, bloqueado al ritmo) → render a 30 fps/speedup
→ post (reajuste temporal, efectos de impacto, mezcla) → QA (movimiento, tiras, tabla de sincronización, auditoría de acabado) → renders/<nombre>.mp4

Proyecto: videos/<nombre>/ con SCRIPT.md DESIGN.md DECISIONS.md index.html build/ capture/ assets/ audio/ scripts/ qa/ renders/.

Notas sobre herramientas:

  • Renderizar: npx --yes [email protected] render -o <salida> --quiet --fps 95/4 desde el directorio del proyecto. Lee la habilidad hyperframes-core si el contrato de composición no te resulta familiar.
  • HTTP: usa curl. Python aquí no tiene certificados SSL.
  • Claves: .env en la raíz del repositorio (ELEVENLABS_API_KEY). Todas las rutas en esta habilidad son relativas a la raíz del repositorio. Consulta Incorporación a continuación.
  • Los ayudantes agrupados viven en scripts/ (listados al final).

1. Referencia → SPEC.md

Si el usuario proporciona un video de referencia, descárgalo (la habilidad watch o yt-dlp) y mídalo fotograma a fotograma. Si no, mide la película aprobada anteriormente. Registra:

  • fotogramas de corte, duración de las tomas, cortes por cada 10s
  • curvas de cámara y easing como la fracción de distancia restante cubierta por fotograma
  • velocidad de escritura, espaciado de revelación de palabras, duración de destellos de acento
  • coreografía de tarjetas y cambios entre claro↔oscuro
  • dónde se sitúa cada sonido en relación con su corte

Luego reconstruye con ese ritmo y cambia solo la marca, el texto, el diseño y los activos.

Por qué: la sensación vive en los números (easing por fotograma, pulsos por toma). Cuando los agentes trabajaban con adjetivos, el usuario decía "감도가 낮아" o "모션이 어색해". Cuando coincidían con números medidos, se aprobaba.

2. Guion

  • Gancho que se explica a sí mismo en 3 segundos. Abre con resultados reales de la misma indicación reproduciéndose lado a lado y haz la pregunta que el producto responde (para Evals: "¿Cuál es mejor?"). Voltea A/B/C/D en los pulsos, luego da el giro ("Misma indicación. Configuraciones diferentes.").
    • Por qué: un opener abstracto (una reunión de nombres de modelos y un contador de habilidades) obtuvo "뭐 어쩌라는건지 모르겠어". Un espectador tiene que ver el problema, no leer sobre él.
  • Una tarea real, seguida de principio a fin. Entrada → configurar → ejecutar → resultados lado a lado → elegir → prueba (registro/detalles) → agregar (tabla de clasificación/estadísticas) → comunidad → tarjeta final con la URL.
  • Muestra salidas en movimiento, no sitios web. Juegos, videos, escenas 3D y cortos se leen como espectáculo en una demo; las capturas de pantalla de páginas de aterrizaje se leen como aburridas ("웹사이트 보여주지 말고 영상이나 게임"). Si el producto solo hace páginas web, muéstralas en movimiento (desplazándose, interactuando), no como capturas estáticas.
  • Texto. Las líneas en pantalla son de 2 a 5 palabras. El guion de la locución tiene alrededor de 165–180 palabras para 60s (≈2.7 palabras/segundo) para que la voz nunca se quede en silencio.
  • Verdad. Solo muestra características, nombres y números que aparezcan en tus propias capturas. Sin semejanza con personas reales. Una demo que muestra algo que el producto no puede hacer es peor que ninguna demo.

3. Diseño

Escribe DESIGN.md una vez y haz que cada toma lo siga. Establece:

  • una familia sans-serif más una mono para pequeñas etiquetas
  • un acento por fotograma
  • titulares alineados a la izquierda en un margen fijo (por ejemplo, 120px) con el mismo espaciado etiqueta→titular en todas partes
  • UI real mostrada como tarjetas redondeadas (16–22px) con una sombra suave en capas
  • cambios de sección oscuro/claro

references/examples/ tiene dos sistemas completos: "Signal" (grafito/papel, azul) y "editorial" (crema/tinta, coral). Cuando el usuario solicite una nueva película, diseña un nuevo sistema en lugar de reutilizar uno, porque el usuario pidió explícitamente "시나리오랑 디자인만 다르게".

4. Activos (reales, frescos, nítidos)

  • UI: Capturas de Playwright a 4× DPR, por lo que ningún elemento se muestra nunca más grande que sus píxeles originales (las capturas a 2× se veían suaves). Recorta recortes que contengan solo elementos completos. Si un recorte necesita contexto, reconstruye el fondo de la tarjeta a partir del color de relleno de la propia interfaz de usuario en lugar de dejar filas vecinas.
  • Salidas:
    • scripts/rec_output.mjs <url> <salida.mp4> 7 game|orbit (captura de pantalla; presiona teclas u orbita para que la salida se mueva).
    • scripts/rec_scroll.mjs (una captura de pantalla por fotograma) cuando la captura de pantalla repite fotogramas.
    • Elimina los fotogramas duplicados antes de usarlos, porque los fotogramas repetidos se muestran como micro-tartamudeos y fallan en la QA de movimiento.
  • Resultados de la misma indicación: si la historia dice "N configuraciones", muestra N resultados de la misma indicación/ejecución. Si se necesita una ejecución real, ejecútala en el producto con el Chrome conectado del usuario. Mostrar salidas no relacionadas como resultados de una indicación obtuvo "결과가 다 다르잖아".
  • Logotipos: si se necesita un momento de logotipo de marca, usa logotipos SVG reales renderizados como 3D real (three.js SVGLoader → ExtrudeGeometry, material PBR, luz ambiental, alpha WebM). Las peleas de logotipos CSS planos se veían baratas ("짜친다").

5. Locución: una toma continua

  • Voz: Will bIHbv24MWmeRgasZH58o, eleven_v4, estabilidad 0.15, similitud 0.8, estilo 0.8, velocidad ~1.1.
  • Etiquetas de emoción en línea: [excited] [confident] [curious] [emphatic] [quick].
  • Por qué esta voz: el usuario rechazó el narrador predeterminado como "너무 아재 목소리". Querían algo moderno y enérgico (sensación Sam Altman / Elon), escucharon alternativas y eligieron esta configuración de máxima emoción.
  • Generar: scripts/vo3_gen.py (una llamada /with-timestamps). Escribe la toma, los segmentos por línea y las marcas de tiempo de las palabras.
  • Colócala completa. Pon la toma como una pieza continua desde aproximadamente 0.25s. No la cortes en frases, disperses las frases en los pulsos o estires temporalmente las piezas.
    • Por qué: el corte de frases filtró sílabas ("소리 짤려").
    • La dispersión dejó aire muerto ("목소리가 중간에 죽잖아 … 쭉 이어지게").
    • La resíntesis por línea varió en volumen.
    • Si una línea debe cambiar, regenera toda la toma.
  • Verifica:
    • Los espacios dentro de la locución son ≤0.35s.
    • Un pase de Whisper en la mezcla final no muestra palabras recortadas ni etiquetas habladas.
    • Si "Evals" suena como "evils", vuelve a escribirlo "E-vals".
  • Versión coreana: Choi ZNSVYmudV9pOqphY0x8C, mismas etiquetas y configuraciones. Mantén los términos de la interfaz de usuario en inglés del producto tanto en la locución como en el texto (Task, Setup, Battle, Model, Skill, Environment), porque el usuario quiere las propias palabras del sitio ("사이트에서 쓰이는 영어 용어는 그대로"). Usa Pretendard para cada glifo coreano.

6. Música

  • Qué hacer: una cama moderna y premium. Los risers EDM de stock y las vibraciones corporativas se leen como "촌스러".
  • Cómo: genera 2–3 candidatos con ElevenLabs Music usando una indicación como: "modern minimal tech launch, punchy kick, deep 808, crisp hats, glassy plucks, Apple/Linear keynote, no cheesy risers, no stock vibe, 120 BPM". Elige el más limpio (poca congestión en el rango medio bajo).
  • Ajuste:
    • scripts/beats.py / bars.py dan el BPM y el primer downbeat.
    • scripts/music_fit.py reorganiza la pista a nivel de compás para que sus roturas y caídas aterricen en los pulsos de la historia.

7. Construcción (guiada por VO, bloqueada al ritmo)

  • Usa una línea de tiempo de GSAP en pausa, completamente determinista. Cada toma se ejecuta en su propio tiempo local.
  • La edición sigue a la voz. Cada cambio de toma se sitúa en el pulso en o justo antes de la primera palabra de su frase. Redondea antes, nunca después, para que la imagen esté lista cuando llegue la palabra.
  • Sincronización: cada palabra en pantalla aparece 0.05–0.20s antes de que se hable, impulsada por las marcas de tiempo de la palabra de la toma.
    • Por qué: el texto que va detrás de la voz se sentía "싱크가 안맞아". Un adelanto completo de 1s se sentía "너무 느린데", porque el texto y la voz se separaban.
    • Un pequeño adelanto se lee como perfectamente sincronizado.
    • Audita cada línea con scripts/sync_audit.mjs y mantén una tabla (text_on, voice_on, lead).
  • Gramática de movimiento: en references/MOTION_RULES.md. Léelo completamente. El corazón de esto:
    • una cámara que es una función pura del tiempo
    • solo easing rápido (≈25% de la distancia restante por fotograma) o flotante (≈12%)
    • las salidas aceleran hacia el corte y la siguiente toma hereda la velocidad
    • fustazos reales donde ambas tomas viajan juntas con desenfoque de velocidad
    • superposiciones bloqueadas a la pantalla
    • acción superpuesta
    • cada pausa se desvía 1–3%
    • sin paradas muertas, sin fotogramas congelados, sin dobles cortes
    • cortes en el pulso ±1 fotograma
  • Acerca en una dirección. No hagas zoom en un elemento y luego retrocedas ("줌 인 했다가 왜 다시 풀어"). Un empuje debe resolverse hacia adelante en la siguiente toma.
  • Los momentos de configuración deben moverse. Cuando la VO nombra ajustes (por ejemplo, "Model. Skill. Environment."), muestra los valores reales de la interfaz de usuario cambiando en cada palabra hablada y lleva la velocidad al siguiente golpe. Una tarjeta estática allí se leía como "감도가 낮아".

8–9. Renderizado y post

  • Velocidad mediante re-renderizado, no eliminación de fotogramas. Renderiza a --fps 95/4 (1.263×), o a 30/speedup elegido para que un pulso equivalga a un número entero de fotogramas. Reproduce a 30fps.
  • Post: copia scripts/post_template.py y establece NF, BIG, MED, FLASH, VO_OFF. Maneja:
    • reajuste temporal a 30fps
    • efectos de impacto en 4–6 grandes golpes: +8.5% de zoom punch (τ 0.09), 16px de sacudida a ~22Hz (τ 0.1), división RGB 16px→7px en 4 fotogramas, 1–2 fotogramas de destello blanco
    • una versión más ligera en cortes secundarios
    • la mezcla y el volumen
    • Por qué tan pocos golpes: el impacto en cada corte deja de leerse como impacto.
  • Mezcla:
    • VO alrededor de −16 LUFS, al frente.
    • La música se atenúa aproximadamente 4–6dB solo durante el habla, con una envolvente suave (≈50ms de ataque, 0.6s de liberación).
    • Bus de SFX aproximadamente 3dB por debajo de la música.
    • En los grandes golpes, superpone swell inverso + boom (HP 60Hz) + transitorio + glitch.
    • En otros lugares, pon SFX solo en acciones reales de la interfaz de usuario (escritura, clics, tics). Los golpes de tráiler en cada palabra fueron eliminados como "안어울리는거".
    • Maestro −14 LUFS, AAC 192k. Verifica con scripts/mixcheck3.py.

10. QA antes de entregar

  1. python3 scripts/motion.py <mp4> <bpm> <primer_pulso>: cortes en el pulso, sin paradas muertas, sin pausas congeladas. Explica cualquier excepción que provenga del propio metraje.
  2. sh scripts/strip.sh <mp4> <t> <salida.png> (16 fotogramas consecutivos) en cada transición, y mira cada uno. Las hojas de contactos (un fotograma cada ~2s) se ven limpias incluso cuando el movimiento está roto, que es cómo el mal movimiento se envió antes.
  3. Tabla de sincronización para cada línea de VO: el adelanto debe ser 0.05–0.20s.
  4. Auditoría de acabado ("미감 높게 디테일한 마감"): extrae fotogramas fijos a resolución completa al inicio, medio y final de cada toma e inspecciona los bordes y esquinas. Registra cada problema y su solución en qa/finish.md. Busca:
    • iconos o texto cortados
    • filas o divisores de UI parciales en los bordes de las tarjetas
    • barras de desplazamiento
    • bandas grises de un escenario con demasiado zoom
    • etiquetas situadas en HUDs de metraje
    • ampliaciones borrosas
    • relleno desigual
    • texto tocando los bordes de las tarjetas
    • el margen del titular desplazándose entre tomas
    • El usuario detectó un icono de clip partido por la mitad y una línea divisoria en una esquina de la tarjeta en un solo fotograma, así que asume que lo verán todo.
  5. Ejecuta Whisper en la mezcla final una vez y confirma que el volumen es −14 LUFS ±0.5.

Cosas que el usuario ha rechazado (no reintroducir)

RechazadoPalabras del usuario
Subrayados / trazos subrayados"밑줄 긋는거 하지마"
Cuadros de resalte de color detrás de las palabras"백그라운드 컬러 넣어서 효과 주는거 빼줘"
Barras de verificación de filas"갈색 띠 없애줘"
Contornos, cuadros de borde fino, reglas, degradados baratos, emoji, maquetas de UI falsas—
Estroboscopias de metraje de 0.1s, metraje de pantalla completa repentino entre secciones"영상 막 쏟아져 나오는거", "갑자기 다른 화면"
Intros oscuros independientes separados de la película"짜친다"
Etiquetas de texto debajo de los logotipos"글씨는 없애줘"

Después de la entrega

  • Si el usuario solicita una velocidad de reproducción (1.05× / 1.1×), aplícala en el post en lugar de volver a renderizar, para preservar el perfil de movimiento bloqueado al ritmo.
  • Si la retroalimentación es "añadir más profundidad", agrega un plano de desenfoque en 3D con desplazamiento de paralaje en lugar de sombras o sobrecapas.
  • Si la retroalimentación es "배경음악이 거슬려", reproduce el video mudo o genera una nueva pista que esté aún más atenuada. El usuario prefiere silencio a una pista molesta.
  • Si la retroalimentación dice "더 긴박하게", acelera el ritmo de edición (cortes más cortos, transiciones más rápidas) en lugar de añadir capas o texto más denso.

Scripts de ayuda

ScriptPropósito
scripts/rec_output.mjs <url> <salida.mp4> <duración> <modo>Captura de pantalla de una salida animada (modos: game o orbit). Presiona teclas automáticamente si es un juego.
scripts/rec_scroll.mjs <url> <salida/pattern> <fotogramas> <desplazamiento>Captura una página en desplazamiento como N fotogramas (entrada para el kit de herramientas de movimiento).
scripts/vo3_gen.py <texto>Genera VO con marcas de tiempo de palabras. Escribe audio/vo_all.wav, audio/vo_segments.json, audio/vo_words.json.
scripts/beats.py <mp3>Informa BPM y el primer downbeat.
scripts/bars.py <mp3>Informa puntos de referencia de compás.
scripts/music_fit.py <pista_fuente> <bpm> <primer_downbeat> <anotaciones>Reorganiza la pista al nivel de compás para que coincida con los pulsos de la historia. Escribe audio/music_arranged.wav.
scripts/sync_audit.mjsLee audio/vo_words.json y la tabla de tiempo del JS de compilación; genera una tabla de adelanto de sincronización.
scripts/post_template.pyPlantilla de post que establece NF, BIG, MED, FLASH, VO_OFF. Ajusta los recuentos de fotogramas para los retoques de impacto.
scripts/motion.py <mp4> <bpm> <primer_pulso>Auditoría de adherencia al ritmo, paradas muertas, pausas congeladas.
scripts/strip.sh <mp4> <tiempo> <salida.png>Tira de 16 fotogramas consecutivos como una sola imagen.
scripts/dedup_frames.pyElimina fotogramas duplicados de las capturas de pantalla (las entradas de rec_scroll a menudo se repiten).
scripts/mixcheck3.py <mp4>Comprobación final: volumen, recorte, palabras recortadas, etiquetas, frecuencia de fotogramas.
scripts/timestamps2srt.pyConvierte las marcas de tiempo de la locución a SRT (para referencia, no para subtítulos que aparecen en pantalla).

Esta habilidad sustituye a spec2video. Los agentes que usen la anterior deben migrar.

Skills relacionados