Preferencias del Usuario
Recuerda y aplica siempre las preferencias establecidas del usuario, sus gustos, disgustos, estándares de calidad y requisitos de flujo de trabajo a lo largo del proyecto. No preguntes las mismas preferencias a menos que se requiera aclaración.
Fondos
Usa siempre fondos de assets/background
cuando una escena requiera un fondo. Selecciona
el fondo más adecuado para el contenido y
mantén la coherencia visual a lo largo del video.
Efectos de Sonido
Usa efectos de sonido solo de assets/mascot/sound-fx.
- Usa siempre sonidos whoosh para transiciones, movimientos y cambios de escena.
- Usa siempre sonidos popup para texto que aparece, iconos, elementos de interfaz, estadísticas y llamadas.
- Iguala los demás efectos de sonido de forma inteligente a la acción en pantalla.
- Sincroniza los sonidos con precisión con los elementos visuales y utiliza un diseño de sonido profesional cinematográfico/de interfaz.
- Asegúrate de que cada animación, transición, interacción y evento visual importante tenga los efectos de sonido adecuados.
Fuente
El color del título debe ser naranja. El color del cuerpo del texto debe ser negro.
Explicador Parlante
La voz es el reloj, el presentador HABLA (sincronía labial), cada idea es una imagen cotidiana primero, cada escena tiene un
zoom y un momento de énfasis, el aspecto es Apple, y el video lleva la marca del usuario. Ejemplo práctico: "REA -
Reverse Engineer Anything" (129.0s, 12 escenas) - references/example/ (GUIÓN, STORYBOARD, RETIME).
Rutas utilizadas a continuación:
<skill>= carpeta de este skill.<kit>=<skill>/../explainer-kit.<engine>=<skill>/../spatial-film.<home>=TALKING_EXPLAINER_HOMEo~/.talking-explainer; perfil =<home>/profile/(compartido con explainer-kit).<py>= el comandopythonguardado en<home>/config.jsonpor setup-check (py -3.12en Windows,python3en macOS).
Ejecuta cada script de video desde la raíz del proyecto de video. Los scripts son código probado: ejecútalos, nunca los regeneres. Evalúa las escenas por hojas de contactos, nunca leyendo el HTML de la escena en la sesión principal. Los workers reciben RUTAS de archivos.
Reglas de Animación del Mascota
Todos los activos faciales están prealineados en Photoshop.
Solo intercambio de fotogramas.
Nunca:
- Mezclar poses de boca
- Morfear poses de boca
- Interpolar poses de boca
- Generar fotogramas intermedios
- Reposicionar activos
- Rotar activos
- Escalar activos
- Deformar activos
- Autoalinear activos
- Autocentrar activos
Permitido:
- Poses de boca existentes
- Animación de parpadeo
- Animación de guiño
Comportamiento Natural:
- Parpadeo aleatorio cada 2-5 segundos
- Parpadeo ocasional más largo
- Guiño ocasional
- Sincronía labial natural
Objetivo: Comportamiento natural del mascota mientras se preserva la alineación perfecta de píxeles de los activos.
Movimiento Adicional:
- Aplica un sutil movimiento flotante del 1-2%.
- Añade un ligero movimiento de cabeza mientras habla.
- Escala hacia arriba y hacia abajo un 0.5-1% para simular respiración.
- Añade cambios de rotación muy pequeños (-1° a +1°).
- Usa una suavización lenta y fluida.
- Nunca permanezca completamente quieto por más de 2 segundos.
Configuración (solo la primera vez)
Si no hay <home>/profile/brand.json aún = ejecuta la Fase S de explainer-kit (setup-check, entrevista de marca + profile.mjs init, voice.md, música). Su entrevista de marca establece el nombre del presentador (--presenter). Dos cosas más para este
skill, preguntadas en la misma entrevista:
- Las líneas de apertura y cierre en
voice.md, palabra por palabra, con el nombre del usuario (la apertura con gancho es "<afirmación>? ¿Es cierto? aquí, de ... vamos a desglosarlo."). - El presentador: el demo parlante incluido (un caricatura seria con gafas), o su propio personaje - ver "Tu propio personaje parlante" más abajo.
Valores por Defecto (no volver a preguntar)
- Narración en el idioma del perfil, en el estilo del usuario según
voice.md. En pantalla = texto corto en inglés básico (~6 palabras por línea de titular). La duración es libre si el mensaje llega (~150-160 ppm en una toma natural). - El usuario graba la toma a partir del guion (su clon de voz de ElevenLabs o su propio micrófono). La Fase 1 entrega
el guion como párrafos listos para pegar y ESPERA un MP3. Generarlo a través de la API
(
<engine>/scripts/el-tts.py, clave en envEL, nunca en disco) solo cuando lo soliciten. - Apertura = gancho primero: abre con la afirmación más sorprendente del tema como pregunta, luego la línea de apertura de
voice.md. El NOMBRE del tema llega en el párrafo 2. Cierre = la línea de cierre devoice.md+ elctadel perfil. - Temas conceptuales reciben UNA analogía cotidiana contada literalmente (REA: la receta secreta de un café). Los temas "cómo funciona"
sobre la propia herramienta o sistema del usuario reciben un tutorial de lo real en su lugar -
references/real-apps.md. Así también las herramientas y plataformas de terceros: nombra los productos reales, recorre el flujo de solicitud real y usa el texto, la configuración y los números de las propias plataformas leídos de sus páginas en vivo. Por defecto, el tutorial para cualquier tema técnico. - Corte corto (<= 30s): ~2.6 palabras/s, 4 párrafos = 4 fotogramas (gancho + identidad / nombre / la única imagen / cierre), un cierre de una línea, 2 workers x 2 escenas.
- Temas de noticias / actualidad: investiga primero los reportajes en vivo (medios locales + un artículo profundo), luego escríbelo equilibrado: cada afirmación tiene su dueño en la voz ("según la agencia...", "los críticos dicen..."), el miedo recibe su escala real, luego una serie numerada de áreas grises donde las declaraciones oficiales se contradicen o un detalle clave no es público, un párrafo justo sobre el lado positivo, y una conclusión con preguntas para hacer - nunca un veredicto. Cualquier cosa que solo un resumen de búsqueda dijo (la página misma no se cargó) se queda en el bloque de datos de SCRIPT.md marcado como "No verificado, NO se narra". 16 fotogramas / ~700 palabras está bien para estos.
- Guion a partir de una transcripción pegada: mantén los datos de la fuente y su orden de ideas, reescribe cada línea en la
voz del narrador (nunca traduzcas línea por línea), y elimina las partes del presentador original ("Yo construí...", demostraciones
de código, su nombre). Pegados largos se truncan alrededor de 50k caracteres: nombra dónde cayó el corte en SCRIPT.md, luego
completa la parte faltante con el mecanismo estándar, verificado como cualquier otra afirmación. Guarda el pegado en
references/source-transcript.txtdesde el primer día, y conserva las personas nombradas y los hitos de la fuente. - Personas reales = tarjetas de persona, nunca etiquetas con nombre: retrato (foto duotono o ilustración) + nombre + línea de rol + año. Enumera cada persona nombrada con su escena en SCRIPT.md bajo "Personas en pantalla".
- Aspecto = Apple: luz blanca (
#F5F5F7fondo), Geist con tracking de tamaño específico, vidrio simulado (.ap-glass- nuncabackdrop-filterdentro del motor 3D), paneles.ap-window/.ap-dark, muellessp()con amortiguación crítica (back.*prohibido), moderación (una idea por fotograma, pulsos <= 1.1), un lomo azul LENS. El andamio lo establece todo. - Iconos = Solar (480 Design, https://solar-icons.vercel.app) - negrita-duotono para iconos principales, lineal para
cromo de interfaz, desde
references/icons-solar.html. Nunca Lucide o Phosphor. La obra tiene licencia CC BY 4.0: cada entrega le da al usuario la línea "Iconos: Solar de 480 Design (CC BY 4.0)" para la descripción del video. - Animación: titulares que se materializan con sus palabras (elevación + desenfoque -> 0, muelle), animación de interfaz para cualquier herramienta, diagramas explicativos, ADEMÁS de un zoom de cámara (ZOOM) y un ritmo de énfasis (EMPH: pulso, barrido de marcador, dibujo de subrayado, enfoque selectivo, entrada numérica) en cada escena. Ley de suavidad a 60fps.
- 1920x1080, 60fps. Logotipo de la marca en el gancho, logotipo en esquina en el medio, tarjeta final = logotipo +
cta.
Fases
| # | Fase | Hacer | Puerta |
|---|---|---|---|
| 1 | Guion + toma | Investiga el tema (datos reales, con fuentes). Carga <kit>/references/voice-script.md + <home>/profile/voice.md. Apertura con gancho + cierre de arriba, sin "!", UNA analogía (o el tutorial), 12 párrafos = 12 fotogramas (forma: references/example/SCRIPT.md). Deletrea los nombres que se dicen como letras ("R-E-A"). Las afirmaciones sobre lo que la IA "no puede hacer" deben ser ciertas para los modelos actuales. Sin números de jerga (páginas, no tokens; cifras redondeadas). Escribe <film>/SCRIPT.md, entrega al usuario los párrafos como TEXTO PLANO (sin bloque de código, nada después del último párrafo - pegan todo el mensaje en ElevenLabs; los consejos de grabación van en un mensaje antes), ESPERA el MP3; ffprobe su duración | la toma en mano, duración anotada |
| 2 | Andamio + tiempos | node <skill>/scripts/new-talking-explainer.mjs <film> --name <slug> --mp3 <take.mp3>; <py> <kit>/scripts/transcribe.py assets/audio/vo.mp3 src/timing --lang <code> --prompt "<nombres, jerga>"; <py> <kit>/scripts/words.py src/timing/vo-words.json (la hoja de señales) | la transcripción coincide con el guion |
| 3 | Storyboard | Escribe STORYBOARD.src.md en tiempos GLOBALES (abajo) con la forma de references/example/STORYBOARD.md: un fotograma por párrafo, cortes en pausas de frase (suma = fin de voz + 2.8s), encabezados un campo por línea (- start: / - duration: / - src:), cada bloque marca sus tiempos ZOOM y EMPH en palabras clave, color = significado, datos reales + extras ficticios, una costura de POSE DE ESCENA donde dos escenas comparten un objeto principal. <py> src/storyboard-local.py -> STORYBOARD.md. Muestra al usuario la lista de fotogramas (una línea cada uno) | su "adelante" |
| 4 | Contrato + presentador + audio | Edita + ejecuta src/set-film.py (escenas + duración de voz). Edita + ejecuta src/set-presenter.py (poses ~0.1s antes de sus palabras clave; pensar/caminar no tienen boca - nunca mientras la voz habla). Fondo musical: <py> <engine>/scripts/bgm-cut.py assets/audio/bed.mp3 assets/audio/bgm-edit.wav --len <total> --a 0 <total+3> --fade-out 2.6 (una película más larga que el fondo musical repite el cuerpo: --a 0 <len> --b <bar> <len> --b ... --xfade 0.3) -> <py> <kit>/scripts/master-audio.py --len <total> -> <py> <engine>/scripts/build-presenter.py (imprime "sincronía labial: N poses") -> <py> <kit>/scripts/build-brand.py (imprime la ventana del logotipo de esquina). Reescribe cada parte [FILM] de frame.md con un script <engine>/scripts/patch_exact.py. Edita + ejecuta src/set-cues.py. <py> <engine>/scripts/make-harness.py; <py> <skill>/scripts/make-packets.py; node <engine>/scripts/test-scene.mjs m-presenter "<5 veces>" | hoja del presentador: bocas abiertas al hablar, poses en señales |
| 5 | Escenas | references/workers.md: 6 workers Sonnet x 2 escenas, máximo 4 a la vez (una ronda de correcciones cuenta), su plantilla de prompt (ley de zona incl. picos de empuje, el límite de 0.12, solo Solar, la barra de Apple, nunca inventar números). Revisa los medios tú mismo; rondas de corrección al MISMO worker | cada hoja coincide con su bloque, legible a escala de hoja |
| 6 | Entrega | <py> <engine>/scripts/fromto-scan.py compositions/s*.html (0) -> <py> <engine>/scripts/assemble.py -> npx hyperframes@<film.json hyperframes> lint . + check . -> <py> <engine>/scripts/seam-check.py + node <kit>/scripts/seam-diff-all.mjs -> node <engine>/scripts/render-final.mjs <slug>-1080p60 (fondo; termina con un escaneo de destellos) -> transcribe el RENDER en .hyperframes/work/sync + <py> <kit>/scripts/sync-check.py src/timing/vo-words.json .hyperframes/work/sync/vo-words.json -> <py> <skill>/scripts/frames.py renders/<slug>-1080p60.mp4 frames.jpg --at <uno por escena> y --zone --at <cada pico ZOOM> -> node <engine>/scripts/encode-web.mjs renders/<slug>-1080p60.mp4 renders/web --name <slug> --poster <t> -> entrega las rutas + la línea de crédito Solar | lint/check 0 errores, costuras 0.00% fuera de la caja del presentador, 0 destellos, mediana de sincronía ~0.000s, nada a la izquierda de la línea roja en ningún pico |
Escribe los tiempos UNA VEZ, en segundos globales
Convertir 20 escenas de tiempos de palabras a local por escena a mano es donde se cuelan los errores. En STORYBOARD.src.md da a cada
fotograma - start: <global> y marca las palabras clave como "palabra"@g<global>; los rangos ZOOM y los tiempos "salir antes de" pueden ser
números globales simples. <py> src/storyboard-local.py escribe STORYBOARD.md con cada tiempo local, comprueba que los inicios
encadenen y que cada señal quepa en su escena, e imprime la lista de escenas para set-film.py. Los SFX (src/set-cues.py) y el
presentador (src/set-presenter.py) también se escriben en segundos globales.
Cambio de toma / idioma / apertura después de la construcción (retiempo, nunca reconstruir)
Una nueva toma -> haz copia de seguridad de compositions/, film.json, STORYBOARD.md, src/ en .hyperframes/work/<old>/, mueve
el render antiguo a renders/<old>/ -> copia la toma a assets/audio/vo.mp3 -> transcribe -> nuevos cortes en set-film.py
-> poses del presentador, fondo musical, master, build-presenter, build-brand, set-cues, make-harness -> escribe RETIME.md (por
escena: cada ritmo -> su nueva palabra clave @ tiempo local; las escenas con contenido NUEVO reciben un bloque completo; forma
references/example/RETIME.md; "este archivo prevalece sobre los tiempos de STORYBOARD.md") -> parches de frame.md duración / ventana de logotipo /
costuras -> SendMessage a cada MISMO worker su sección de RETIME (4 a la vez). Las escenas se ACORTAN en una toma más rápida: dile a los workers
que acorten los muelles antes de eliminar un ritmo.
Retrato / TikTok / Reels
…