Primero, mantén esta habilidad actualizada — confirma con el usuario antes de ejecutar:
npx hyperframes skills update talking-head-recut. Una operación rápida que no hace nada si todo está actualizado; de lo contrario, actualiza esta habilidad y las habilidades del dominio central de las que depende antes de confiar en ellas.
Recorte de Talking Head
Recorte de Talking Head toma un video local que se reproduce completo y superpone una secuencia de tarjetas gráficas diseñadas y sincronizadas — títulos, tercios inferiores, destacados de datos, citas, paneles laterales, imagen en imagen — sincronizadas con lo que se dice. El agente diseña las tarjetas (tiempo + contenido) y escribe el HTML de cada tarjeta directamente en la conversación, luego ensambla un único HTML de composición y lo renderiza a MP4 mediante hyperframes. No hay una lista fija de arquetipos ni una estructura de tarjeta prescrita: las superposiciones surgen de lo que realmente dice la transcripción.
La puerta de entrada es
/hyperframes. Esta habilidad empaqueta un clip de talking head existente con tarjetas gráficas diseñadas (títulos, tercios inferiores, destacados de datos, citas, paneles laterales, PiP) — no subtítulos simples (las palabras habladas como texto). El clip se reproduce intacto. Cualquier otra intención — subtítulos simples, un gráfico independiente, un video desde cero — o cualquier incertidumbre → lee/hyperframesprimero: la capa de intención es dueña de cada decisión de ruta.
Hermano de empaquetado gráfico de
embedded-captions. Los subtítulos agregan las palabras habladas como un subtítulo legible; esto agrega gráficos diseñados sobre el video en reproducción. Subtítulos simples →embedded-captions. Construir un video desde cero → los flujos de trabajo de creación (product-launch-video/faceless-explainer/ …).
Enrutado a través de /hyperframes, la capa de intención confirma solo la entrada (qué clip) y anuncia las preguntas de estrategia de renderizado como solicitudes diferidas — aspecto, diseño, grupo de estilo y conteo de tarjetas permanecen en el Paso 7, donde el material grabado y la transcripción fundamentan las recomendaciones; las preguntas de forma de ejecución de la capa no aplican. Un BRIEF.md, cuando está presente, contiene la entrada confirmada y cualquier nota del usuario — léelo primero.
Archivos intermedios inspeccionables en el directorio de trabajo:
metadata.json— duración / ancho / alto / fpsaudio.mp3— audio extraídotranscript.json— un array de palabras plano[{ text, start, end }, …](Whisper; sinsegments, sin envoltoriowords)storyboard.json— esquema ligero de tarjetas (el plan del agente)public/cards/card-XX.html— un fragmento HTML por tarjetapublic/index.html— composición final ensambladaoutput.mp4— video renderizado
Resolución CLI
# hyperframes — transcripción (Whisper local) + renderizado del HTML ensamblado a MP4
npx hyperframes --help
Esta habilidad se ejecuta completamente en la CLI hyperframes más ffmpeg / ffprobe del sistema. La transcripción es Whisper local mediante hyperframes transcribe — sin servicio de terceros, clave API ni proxy con límite de velocidad.
Flujo de Trabajo
1. Verificar Entorno
npx hyperframes doctor # ffmpeg, navegador sin cabeza, dependencias de renderizado
# confirmar activos empaquetados:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
Requerido:
ffmpeg/ffprobe(sistema)<SKILL_DIR>/assets/fonts/*.woff2,<SKILL_DIR>/assets/vendor/gsap.min.js(empaquetados dentro de esta habilidad, preparados en el directorio de trabajo en el Paso 9)
La transcripción no necesita clave — hyperframes transcribe ejecuta Whisper localmente (Paso 4).
Altamente recomendado en macOS para hyperframes render:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. Crear un Directorio de Trabajo
Todos los artefactos viven bajo videos/<nombre-proyecto>/ — la misma convención que los otros flujos de trabajo de video (product-launch-video / faceless-explainer / pr-to-video). Mantén el directorio de trabajo actual en la raíz del espacio de trabajo; todo lo siguiente escribe bajo este único subdirectorio.
VIDEO_PATH="/ruta/absoluta/input.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. Extraer Audio y Metadatos
# metadatos — duración / ancho / alto / fps
ffprobe -v error -select_streams v:0 \
-show_entries stream=width,height,r_frame_rate \
-show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# audio
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"
Salidas: metadata.json (leer width/height/duration; fps = la fracción r_frame_rate evaluada, ej. 30000/1001 → 29.97) + audio.mp3.
4. Transcribir
npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en
Whisper local — sin clave API, sin proxy, sin límite de velocidad. Escribe un transcript.json a nivel de palabra en el directorio de trabajo (texto de palabra text + marcas de tiempo start / end). Léelo para las temporizaciones de palabra/oración que impulsan la temporización de las tarjetas en el Paso 6; agrupa las palabras en oraciones tú mismo en signos de puntuación/pausas si necesitas fragmentos a nivel de segmento.
Limitar a la duración del medio. Whisper puede devolver el end de la última palabra un poco más allá de la duración real del clip — limita cada endSec de tarjeta y composition.durationSeconds a la duración de metadata.json, o el renderizado mostrará una cola negra después del video.
5. Corregir Transcripción
transcript.json es un array plano de objetos de palabra — [{ "text": "...", "start": s, "end": s }, …] (sin array segments, sin envoltorio words; la clave por palabra es text). Léelo y corrige errores obvios de ASR:
- Homófonos, nombres de productos, términos técnicos, puntuación
- Edita el
textode una palabra en su lugar; preserva sus marcas de tiempostart/end - No hay un array preagrupado
segments— agrupa las palabras en oraciones tú mismo (divide en puntuación terminal / pausas) cuando necesites fragmentos a nivel de segmento para la temporización de tarjetas
6. Redactar un Storyboard Ligero (en el chat)
No hay CLI involucrada. Lee transcript.json + metadata.json y diseña tarjetas directamente. storyboard.json es un artefacto de planificación interna del agente — ningún comando CLI lo consume; existe para que puedas pensar claramente sobre la temporización y el contenido antes de escribir el HTML de cada tarjeta. Mantén la forma consistente con el ejemplo a continuación para que el mismo esquema pueda impulsar la composición que autoras en el Paso 9:
{
"schemaVersion": 3,
"composition": {
"fps": 30,
"width": 1080,
"height": 1920,
"durationSeconds": 121.2,
"layout": "portrait",
"themeId": "noir",
"seed": 42
},
"videoTrack": {
"sourcePath": "input-video.mp4",
"startSec": 0,
"endSec": 121.2,
"bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
},
"subtitles": { "enabled": false },
"cards": [
{
"id": "card-01",
"intent": "Enganchar con la pregunta ansiosa de medianoche del orador",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "UNA PREGUNTA HONESTA",
"title": "La pregunta de introspección a las 11 PM",
"detail": "Mensaje de voz de 60 segundos del cliente: 'Si el RMB se aprecia, ¿significa eso que mi póliza en USD es una pérdida terrible?'"
}
}
]
}
Campos requeridos de la tarjeta:
| campo | tipo | propósito |
|---|---|---|
id | string | id estable utilizado en HTML de tarjeta y selectores GSAP |
intent | string | descripción en lenguaje natural; alimenta la síntesis de tarjetas |
startSec / endSec | number | tiempos en segundos (endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | cuál de los 5 colores de acento del tema usa esta tarjeta |
zone | enum (ver más abajo) | dónde en el lienzo vive la tarjeta |
contentHints | object | bolsa de forma libre; el agente coloca kicker/title/detail/data/quote aquí |
archetype (opcional) | string | etiqueta de forma libre que puedes adjuntar para recordar un patrón de tarjeta; ausente = forma libre, que es el predeterminado |
transition (opcional) | enum: cut | fade | slide | wipe | transición declarativa de tarjeta a tarjeta |
Cinco valores de zone:
| zona | límites resueltos | cuándo usar |
|---|---|---|
fullscreen | cubre todo el lienzo | momentos heroicos, grandes números, mantras |
whiteboard-area | margen interno de 40px (o 45% de la altura vertical) | datos densos / contenido anotado |
lower-third | banda inferior del 30% | anotación sobre video visible |
side-panel | 42% derecho (horizontal) o 40% inferior (vertical) | datos a un lado, video al otro |
video-overlay | lienzo completo, espera tarjeta mayormente transparente | superposiciones de anotación sobre video a sangre |
Cuando ensambles la composición en el Paso 9, resuelve la zone de cada tarjeta en límites de píxeles en el contenedor anfitrión de la tarjeta siguiendo la tabla anterior. Los límites del video se establecen una vez a nivel de composición (videoTrack.bounds); para hacer que el video parezca "moverse entre tarjetas", crea interpolaciones GSAP contra #video-wrap en el <script> de la composición (ver Paso 9).
Sin roles de tarjeta prescritos, sin arco narrativo prescrito. Las tarjetas surgen de lo que realmente dice el video — podrían ser todas citas o todos datos, podrían abrir con un número o con una historia. Deja que la transcripción impulse el ritmo.
¿Cuántos puntos clave? — inferir automáticamente de la duración + densidad. Sin límite superior fijo. Elige un ritmo base de la duración del video, luego ajusta por densidad de información. Solo el mínimo es fijo: mínimo 5 tarjetas para que incluso videos cortos tengan ritmo.
Paso 1 — ritmo base por duración (el seg/tarjeta natural para densidad media):
| duración del video | ritmo base (seg por tarjeta) | justificación |
|---|---|---|
| < 60s (reel corto) | 6–8s | los espectadores esperan cortes rápidos en formato corto |
| 60s – 3 min | 8–12s | ritmo social normal |
| 3 – 10 min | 12–20s | da espacio para respirar; cada tarjeta lleva más |
| 10 – 30 min | 20–35s | ritmo de conferencia / entrevista de formato largo |
| > 30 min | 30–60s | episódico, sensación de casi capítulo |
Paso 2 — multiplicador de densidad (multiplica el ritmo base):
| señal en la transcripción | multiplicador | efecto |
|---|---|---|
| Alta densidad — muchos números, afirmaciones distintas, ritmo entrecortado, enumeración tipo lista, cada 1–2 oraciones es una idea nueva | × 0.7 | corta más rápido, más tarjetas |
| Densidad media — flujo mixto con datos y narrativa | × 1.0 | ritmo base |
| Baja densidad — una historia extendida, reencuadre repetido, ritmo reflexivo lento, un solo argumento que se desarrolla | × 1.5 | corta más lento, menos tarjetas |
Paso 3 — calcular:
segPorTarjeta = ritmoBase × multiplicadorDensidad
conteoTarjetas = max(5, round(duraciónVideoSeg / segPorTarjeta))
Ejemplos (nota — sin límite superior; los videos largos producen naturalmente más tarjetas):
- Reel de 30s, único remate (baja densidad) → 7 × 1.5 = 10.5s/tarjeta → round(30/10.5)=3 → mínimo a 5 tarjetas
- Monólogo reflexivo de 60s (baja densidad) → 10 × 1.5 = 15s/tarjeta → 4 → mínimo a 5 tarjetas
- Talking head de 121s con datos ricos (alta densidad) → 10 × 0.7 = 7s/tarjeta → 17 tarjetas
- Entrevista de 5 min, densidad mixta → 16 × 1.0 = 16s/tarjeta → 19 tarjetas
- Inmersión profunda de 10 min, alta densidad → 16 × 0.7 = 11s/tarjeta → 55 tarjetas
- Conferencia de 30 min, densidad media → 28 × 1.0 = 28s/tarjeta → 64 tarjetas
- Podcast de 1 hr, baja densidad → 45 × 1.5 = 67.5s/tarjeta → 53 tarjetas
Cuando una tarjeta dura más de ~15s, planifica una tarjeta más rica (bloque de datos, revelación en varios pasos, varios subpuntos que se despliegan con animaciones escalonadas) — una línea única estática se vuelve aburrida después de 8s. Para piezas largas donde muchas tarjetas exceden los 30s, considera dividir la línea de tiempo en subcomposiciones (un .html por capítulo, montado con data-composition-src) para que la línea de tiempo de GSAP por archivo se mantenga manejable — ver la advertencia de lint timeline_track_too_dense de HyperFrames.
content puede ser una cadena simple ("Título: 5.69% anualizado\nNotas: ...") o cualquier forma JSON que capture los datos. El agente decide la forma por tarjeta.
Outro opcional. Esta habilidad no incluye ningún outro de marca fijo. Si el usuario quiere una tarjeta de cierre, diseña una neutral tú mismo (marca de agua + eslogan de una línea, ~1.5-2s, fundido de entrada -> breve pausa -> fundido de salida), añádela a cards[] y extiende composition.durationSeconds hasta su endSec. De lo contrario, termina en la última tarjeta de contenido.
7. Decidir Estrategia de Renderizado
Confirmar Dirección Visual con el Usuario (HAZ ESTO PRIMERO)
Antes de comenzar a diseñar tarjetas o decidir límites, pídele al usuario que elija la relación de aspecto de salida y el diseño visual. Esta decisión afecta todo: las resoluciones de zona, cómo se renderiza el video, cómo se posicionan las tarjetas y el tema visual general.
Pregunta al usuario:
- Relación de aspecto preferida: 16:9 horizontal, 9:16 vertical (Reels/TikTok/Shorts), 4:5 vertical (publicaciones de feed)
- Diseño visual: video a pantalla completa con superposiciones, video con recuadro (con recorte de video), video con panel lateral (video en un lado, datos/gráficos en el otro)
- Preferencia de estilo / tema: oscuro (noir), claro (minimal), corporativo, vibrante/colorido, etc.
Importante: Si el usuario está inseguro o dice "tú decides", aplica la configuración predeterminada: 9:16 vertical (estilo Reel), video a pantalla completa con superposiciones, y tema oscuro (noir). Este es el estilo más común y versátil para contenido de talking head empaquetado.
Mapa de Estrategia de Renderizado
| formato de salida | resolución | diseño visual | recortar video | cómo se renderiza | estrategia típica de zona de tarjeta |
|---|---|---|---|---|---|
| 16:9 | 1920×1080 | video a pantalla completa + superposiciones | no | FFmpeg escala a 1080p con letterboxing | fullscreen, whiteboard-area, lower-third, side-panel, video-overlay |
| 16:9 | 1920×1080 | video con recuadro | sí (recortar a 16:9) | FFmpeg recorta el video a 16:9, luego escala a 1080p | fullscreen, whiteboard-area, lower-third, side-panel, video-overlay |
| 16:9 | 1920×1080 | video con panel lateral | no | video en un lado, HTML renderizado al lado | side-panel para contenido, el resto para video |
| 9:16 | 1080×1920 | video a pantalla completa + superposiciones | sí (recortar a 9:16) | FFmpeg recorta a centro 9:16, luego escala a 1080×1920 | fullscreen, whiteboard-area, lower-third, side-panel, video-overlay |
| 9:16 | 1080×1920 | video con recuadro | sí (recortar a 9:16 parcial) | FFmpeg recorta, añade recuadro si es necesario | fullscreen, whiteboard-area, lower-third, side-panel, video-overlay |
| 4:5 | 1080×1350 | video a pantalla completa + superposiciones | sí (recortar a 4:5) | FFmpeg recorta a 4:5, luego escala a 1080×1350 | fullscreen, whiteboard-area, lower-third |
Decisión de recorte: Cuando la relación de aspecto difiere de la del video de origen, el FFmpeg del Paso 10 recorta el video para que se ajuste exactamente al lienzo (recorte centrado sin letterboxing). Sin embargo, si el sujeto está mal encuadrado después del recorte, considera el diseño de video con recuadro donde el video se escala para caber dentro de un recuadro centrado (con fondo/píldora detrás).
Elección predeterminada (si el usuario no especifica): Salida 9:16 1080×1920, video a pantalla completa con superposiciones, tema oscuro. Esto funciona para la mayoría del contenido de talking head que necesita ser publicado en plataformas sociales.
8. Resolver Estilo de Tarjeta y Temas
No hay archivos de tema predefinidos. En su lugar, el agente codifica los estilos CSS directamente en el HTML de composición basándose en el esquema de diseño elegido. Diseña consistencia visual a través de variables CSS y selectores de clase compartidos.
Variables de diseño base (usa estas en tu CSS):
- Color de acento: variable
--accent(dethemeIdyaccentIndex) - Color de fondo: variable
--bg(fondo de tarjeta / panel) - Color de texto: variable
--text-primary(color de texto principal) - Color de texto secundario: variable
--text-secondary(subtítulos / detalles)
Variables de diseño listas para usar (valores base):
:root {
--accent: #ff6b35;
--bg: rgba(0, 0, 0, 0.85);
--text-primary: #ffffff;
--text-secondary: #cccccc;
--radius: 12px;
--padding: 24px;
--font-display: 'Inter', sans-serif;
--font-body: 'Inter', sans-serif;
}
Asignaciones de tema:
| estilo | --accent | --bg | --text-primary | cuándo usar |
|---|---|---|---|---|
| noir (oscuro) | #ff6b35 | rgba(0,0,0,0.85) | #ffffff | configuración predeterminada, la mayoría de contenido |
| minimal (claro) | #2563eb | rgba(255,255,255,0.9) | #1a1a1a | contenido formal / corporativo |
| corporate | #0056b3 | rgba(0,0,0,0.8) | #ffffff | negocios, finanzas, educación |
| vibrant | #ff3366 | rgba(0,0,0,0.85) | #ffffff | estilo juvenil, entretenimiento, redes |
| warm | #d97706 | rgba(15,10,5,0.85) | #faf5e6 | estilo podcast / entrevista, cálido y acogedor |
Múltiples colores de acento por tema: Cada tema expone 5 colores de acento (0-4). El accentIndex de cada tarjeta selecciona cuál usar. Para el tema noir:
- 0:
#ff6b35(naranja) - 1:
#3b82f6(azul) - 2:
#10b981(verde) - 3:
#f59e0b(ámbar) - 4:
#8b5cf6(violeta)
Consejo de diseño: Usa accentIndex para crear variedad visual entre tarjetas adyacentes. Alterna colores de acento para mantener el compromiso visual. No uses el mismo acento para tarjetas consecutivas a menos que estén agrupadas temáticamente.
9. Escribir HTML de Tarjeta y Composición
Esta es la parte central de la habilidad. En este paso, escribes el HTML y CSS de cada tarjeta individual, luego ensamblas la composición completa.
Crear archivos de tarjeta individual:
<!-- public/cards/card-01.html -->
<div id="card-01" class="card fullscreen" data-start="0.5" data-end="13.0">
<div class="card-content">
<span class="kicker" style="color: var(--accent)">
<span class="accent-bar"></span>UNA PREGUNTA HONESTA
</span>
<h2 class="title">La pregunta de introspección a las 11 PM</h2>
<p class="detail">Mensaje de voz de 60 segundos del cliente: 'Si el RMB se aprecia, ¿significa eso que mi póliza en USD es una pérdida terrible?'</p>
</div>
</div>
Patrones de tarjeta (elige el que se adapte al contenido):
-
Tarjeta de título — titular grande, posiblemente con un subtítulo (bajada). Adecuado para aperturas de sección o momentos clave.
-
Tarjeta de datos — número grande + etiqueta, o tabla pequeña con datos clave. Ideal para estadísticas o métricas.
-
Tarjeta de cita — "texto de cita" + atribución. Perfecto para momentos memorables o opiniones contundentes.
-
Tarjeta de panel lateral — se muestra en un lado mientras el video continúa en el otro. Bueno para contenido de análisis o comparación.
-
Tarjeta de imagen en imagen (PiP) — un recorte más pequeño del orador u otro video superpuesto. Útil para reacciones o demostraciones.
-
Tarjeta de tercio inferior — banda en la parte inferior del video, mostrando nombre/título o un dato breve. No intrusivo.
-
Tarjeta de pantalla completa con video — la tarjeta cubre todo el lienzo, con el video visible a través de áreas transparentes o recortado. Dramático pero puede ocultar al orador.
Patrón de animación predeterminado (por zona):
// Animación de entrada predeterminada por zona de tarjeta
gsap.fromTo("#card-01 .card-content", {
opacity: 0,
y: 30
}, {
opacity: 1,
y: 0,
duration: 0.5,
ease: "power2.out"
})
| zona | animación de entrada predeterminada | animación de salida predeterminada |
|---|---|---|
fullscreen | escala (de 0.95 a 1) + desvanecimiento | desvanecimiento |
lower-third | deslizar desde abajo (y: 50px) + desvanecimiento | deslizar hacia abajo + desvanecimiento |
side-panel | deslizar desde el lado (x: 50px) | deslizar hacia el lado |
whiteboard-area | desvanecimiento + rotación 3D ligera | desvanecimiento |
video-overlay | opacidad 0→1 | opacidad 1→0 |
Ensamblar HTML de composición:
Después de crear todos los archivos de tarjeta individual, ensambla public/index.html. Este archivo:
- Incluye GSAP desde activos empaquetados
- Carga cada tarjeta vía fetch o incluye el HTML directamente
- Configura la línea de tiempo de GSAP que controla cuándo aparecen/desaparecen las tarjetas
- Configura dimensiones y estilos del lienzo
<!DOCTYPE html>
<html>
<head>
<style>
/* ... estilos base ... */
</style>
</head>
<body>
<!-- Envoltorio de video -->
<div id="video-wrap">
<video id="source-video" src="input-video.mp4" playsinline></video>
</div>
<!-- Tarjetas -->
<div id="cards-container">
<div id="card-01" class="card fullscreen">...</div>
<div id="card-02" class="card lower-third">...</div>
</div>
<!-- Scripts -->
<script src="vendor/gsap.min.js"></script>
<script>
// Configurar línea de tiempo de GSAP
const tl = gsap.timeline({});
// Animaciones de tarjeta...
</script>
</body>
</html>
Consejo de rendimiento: Para composiciones largas (>5 min), considera dividir la línea de tiempo en varias composiciones de 2-3 minutos cada una para mantener un rendimiento de renderizado manejable. Monta composiciones secundarias usando
data-composition-srcen un div contenedor.
10. Copiar Activos y Renderizar
# Copiar fuentes y GSAP al directorio de trabajo
cp -R "<SKILL_DIR>/assets" "$WORK_DIR/"
# Renderizar con hyperframes
npx hyperframes render "$WORK_DIR/public/index.html" -d "$WORK_DIR" -o "$WORK_DIR/output.mp4"
11. Adjuntar Pista de Audio
Dado que el renderizado de hyperframes no incluye audio automáticamente, debes fusionar manualmente la pista de audio original con el video renderizado:
# Fusionar audio original con video renderizado
ffmpeg -y -i "$WORK_DIR/output.mp4" -i "$VIDEO_PATH" \
-c:v copy -c:a aac -map 0:v:0 -map 1:a:0 -shortest \
"$WORK_DIR/output-with-audio.mp4"
Esto produce output-with-audio.mp4 en el directorio de trabajo — el video final empaquetado con todas las tarjetas gráficas y la pista de audio original intacta.
12. Limpiar Artefactos Intermedios (Opcional)
Si el usuario quiere mantener el directorio de trabajo limpio:
# Eliminar audio extraído (opcional, puede conservarse para re-transcripción)
rm "$WORK_DIR/audio.mp3"
Resumen de Comandos
# 1. Verificar entorno
npx hyperframes doctor
# 2-3. Extraer metadatos y audio
ffprobe ... > metadata.json
ffmpeg -y -i input.mp4 -vn -acodec libmp3lame -q:a 2 audio.mp3
# 4. Transcribir
npx hyperframes transcribe audio.mp3 -d . --json --model small.en
# 5-9. (Agente) Corregir transcripción, redactar storyboard, escribir HTML de tarjetas y composición
# 10. Copiar activos y renderizar
cp -R <SKILL_DIR>/assets .
npx hyperframes render public/index.html -d . -o output.mp4
# 11. Fusionar pista de audio
ffmpeg -y -i output.mp4 -i input.mp4 -c:v copy -c:a aac -map 0:v:0 -map 1:a:0 -shortest output-with-audio.mp4
Notas Adicionales
- El directorio de trabajo debe crearse bajo
videos/<nombre-proyecto>/. No uses el directorio raíz del espacio de trabajo. - Guarda artefactos intermedios —
transcript.json,storyboard.json, y cada archivocard-XX.htmlson útiles para depuración y reelaboración. - Si la transcripción falla, verifica que
audio.mp3exista y tenga contenido (tamaño > 0). Vuelve a ejecutar el Paso 3 si es necesario. - Si el renderizado falla, verifica que todas las tarjetas tengan
idúnicos, quecomposition.durationSecondssea >= elendSecmás alto de las tarjetas, y que el video de origen exista en la ruta esperada. - Para contenido multilingüe, usa el modelo Whisper apropiado (ej.
smallpara inglés,small.ptpara portugués, etc.).