Communitygithub.com

calesthio/generative-media-skills

Edición de diálogos y dirección de ADR independiente del proveedor para agentes de IA que producen videos, películas, anuncios, avatares, explicadores, localización/doblaje, podcasts, recortes y contenido social generados.

¿Qué es generative-media-skills?

Esta habilidad proporciona un marco integral para que los agentes de IA manejen la edición de diálogos y la dirección de ADR (reemplazo automático de diálogos) en proyectos de medios generados. Compatible con cualquier plataforma de agente (Claude Code, Cursor, etc.), clasifica primero los problemas de diálogo en categorías como edición de producción, corrección de rendimiento, reemplazo de ADR, doblaje de localización, estilo de voz en off, re-renderizado sintético y manejo de subtítulos/transcripciones. La habilidad aplica estándares profesionales documentados (ITU-R BS.1770-5, EBU R 128, FCC, W3C WCAG, pautas de Netflix) y verifica hechos legales/de derechos (Oficina de Derechos de Autor de EE. UU., SAG-AFTRA, NAVA) para garantizar cumplimiento. Las verificaciones empíricas requieren escucha real en auriculares, altavoces y monitoreo de sincronización de imagen, no solo medición técnica. El objetivo es preservar la inteligibilidad, intención, continuidad y derechos mientras se entrega material inequívoco para mezcladores, subtituladores, equipos de localización o agentes de video posteriores.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/calesthio/generative-media-skills/tree/HEAD/skills/production/audio-craft/dialogue-editing-adr

Preguntar en tu IA favorita

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

Documentación

Edición de diálogos y dirección de ADR

Utiliza esta habilidad cuando el audio hablado deba transmitir una historia, una marca, una instrucción, un personaje o ser accesible. Trata el diálogo como una actuación y un contrato editorial, no solo como una forma de onda. El trabajo consiste en preservar la inteligibilidad, la intención, la continuidad y los derechos, dejando al mezclador, subtitulador, equipo de localización o agente de video posterior con material inequívoco.

Postura de la evidencia

Los hechos documentados a continuación provienen de estándares profesionales, guías oficiales de plataformas, documentación oficial de herramientas u organizaciones de derechos. Los hechos volátiles de plataforma/herramienta/legal se verificaron el 10 de julio de 2026. Las observaciones empíricas se limitan a comportamientos de escucha/control de calidad que un agente debe realizar en el proyecto real; no se asume ningún resultado universal de procesamiento de audio sin audición. Las heurísticas de producción son valores predeterminados prácticos para probar contra la imagen y las especificaciones de entrega, no leyes del audio.

Primera pasada: decidir qué tipo de problema de diálogo es

Clasifica cada línea o sección antes de tocarla:

  • production-edit: el audio fuente utilizable necesita limpieza, suavizado, relleno, conformado o composición.
  • performance-fix: las palabras son técnicamente utilizables pero la lectura, emoción, pronunciación, énfasis o sincronización fallan en la escena.
  • ADR-replace: el sonido de producción no es inteligible, tiene ruido/recorte irrecuperable, contiene un guion cambiado, necesita una corrección legal/de marca o debe coincidir con un nuevo corte.
  • localization-dub: una nueva versión de idioma o regional debe preservar el significado, la actuación, la sincronización y la sincronización con la imagen.
  • VO-style-dub: la voz original permanece parcialmente perceptible o se reduce intencionalmente debajo de una voz en off localizada.
  • synthetic-rerender: se debe regenerar, editar o dirigir una voz sintética con licencia o una voz TTS genérica.
  • caption/transcript-handoff: los activos de texto deben representar el audio final escuchado de manera precisa y accesible.

No elijas reemplazo ADR o sintético simplemente porque la reparación sea inconveniente. Primero determina si la actuación original puede hacerse inteligible sin artefactos audibles, si los derechos del actor/voz permiten el reemplazo y si el reemplazo coincidirá con la imagen y la continuidad.

Hechos documentados a respetar

  • ITU-R BS.1770-5 especifica algoritmos para medir la sonoridad del programa de audio y el nivel de pico real; es un método de medición, no una receta de mezcla creativa. Fuente: ITU-R BS.1770-5, verificado el 10 de julio de 2026.
  • EBU R 128 versión 5.0 recomienda la normalización de la sonoridad del programa a -23 LUFS y utiliza descriptores de rango de sonoridad y pico real. Fuente: EBU R 128, verificado el 10 de julio de 2026.
  • La guía de calidad de subtítulos de la FCC para la televisión estadounidense utiliza cuatro pilares de calidad: precisión, sincronía, integridad y colocación. La guía de la FCC dice que se espera que la programación pregrabada tenga pleno cumplimiento porque es posible una revisión sin conexión. Fuente: FCC DA 21-469, verificado el 10 de julio de 2026.
  • W3C WCAG 2.2 SC 1.2.2 requiere subtítulos para audio pregrabado en medios sincronizados, con subtítulos que cubran el diálogo, la identificación del hablante y la información no verbal significativa. Fuente: W3C WAI Understanding SC 1.2.2, verificado el 10 de julio de 2026.
  • Los requisitos generales de texto temporizado de Netflix utilizan una duración mínima de 5/6 segundos y máxima de 7 segundos para los eventos de subtítulos, un máximo de dos líneas y un posicionamiento que evite la superposición con texto relevante en pantalla. Estos son requisitos de Netflix, no especificaciones universales. Fuente: Centro de ayuda para socios de Netflix, verificado el 10 de julio de 2026.
  • La guía de doblaje de Netflix enfatiza que la sincronización de labios debe juzgarse principalmente contra la imagen, no contra las formas de onda de la versión original; los momentos clave deben tener en cuenta los movimientos de la boca, los labiales y las formas de boca de inicio/fin. Fuente: Principios rectores de doblaje de Netflix, verificado el 10 de julio de 2026.
  • La guía de doblaje/mezcla de Netflix pide que el diálogo se incruste de forma natural en el lecho de música y efectos, con un nivel, ecualización, reverberaciones, perspectiva, efectos y continuidad realistas entre idiomas. Fuente: Guía de estilo de mezcla para contenido doblado de Netflix, verificado el 10 de julio de 2026.
  • La guía de doblaje de no ficción en inglés de Netflix recomienda grabar diálogo limpio sin procesamiento dinámico, excepto un corte bajo no superior a 100 Hz, eliminar chasquidos de lengua/saliva a menos que sean impulsados por la actuación, usar fundidos en los clips de diálogo, editar contra la referencia de audio y finalizar el diálogo doblado al mismo tiempo que la versión original cuando ese flujo de trabajo sea aplicable. Fuente: Centro de ayuda para socios de Netflix, verificado el 10 de julio de 2026.
  • La documentación de iZotope RX describe Mouth De-click como la detección y reducción de ruidos bucales como clics y chasquidos de labios, advirtiendo que la alta sensibilidad puede afectar las oclusivas o dañar la señal original. RX De-plosive está documentado como la identificación y reducción de oclusivas mientras se preservan los fundamentos y armónicos del habla, pero una fuerza mayor puede dañar el habla útil. Estas son capacidades de la herramienta, no garantías. Fuente: Documentos de iZotope RX, verificado el 10 de julio de 2026.
  • La página del informe de IA de la Oficina de Derechos de Autor de EE. UU. establece que la Parte 1, publicada el 31 de julio de 2024, aborda las réplicas digitales, mientras que el marco de IA de SAG-AFTRA establece el consentimiento claro, la compensación justa y el control sobre las actuaciones como salvaguardas. NAVA recomienda que los contratos de los artistas incluyan consentimiento, límites en el uso/entrenamiento de IA/sintéticos, opción de exclusión o límites de plazo, pago, claridad de exclusividad y almacenamiento/seguimiento seguro. Estos no son una opinión legal completa. Fuentes: Oficina de Derechos de Autor de EE. UU., SAG-AFTRA, NAVA, verificado el 10 de julio de 2026.

Comprobaciones empíricas a realizar en los medios reales

Escucha, no infieras solo de los medidores. Para cada entrega, realiza al menos estas comprobaciones:

  • Prueba de auriculares para clics, ediciones, respiraciones, oclusivas, ruido de ropa, sibilancias, artefactos de eliminación de ruido agresivos, sílabas recortadas y bucles de tono de sala poco naturales.
  • Prueba de altavoz a nivel de consumidor normal, con subtítulos desactivados, para juzgar si una persona no familiarizada con el guion puede seguir las palabras.
  • Prueba de altavoz pequeño o mono cuando el contenido pueda verse en teléfonos, portátiles, televisores o redes sociales.
  • Prueba de sincronización de imagen a la velocidad de fotogramas final y la ruta del códec, porque la sincronización de DAW, NLE, navegador o vista previa de baja latencia puede engañar el juicio de sincronización.
  • Prueba de contexto con música, efectos y subtítulos/títulos tal como se enviarán; una línea que es clara sola puede fallar en la mezcla completa.

Heurísticas de producción

Construye un mapa de diálogo

Crea un mapa a nivel de línea antes de la reparación o ADR. Incluye:

  • código de tiempo de entrada/salida;
  • hablante/personaje;
  • estado en pantalla o fuera de pantalla;
  • archivo/toma/pista de origen;
  • texto escuchado exacto y texto previsto si son diferentes;
  • etiqueta del problema;
  • tratamiento propuesto;
  • notas de pronunciación;
  • estado de derechos/consentimiento para cualquier voz de persona real o semejanza sintética;
  • notas de transferencia para subtítulos, transcripción, mezclador o localización.

Prefiere esta forma:

TC Entrada-Salida | Hablante | Pantalla | Escuchado/Previsto | Problema | Tratamiento | Notas
00:00:12:04-00:00:15:10 | Maya | en | "enviamos el viernes" | ventilador + clic en "viernes" | reparar | mantener risa respiración; tono de sala B
00:00:35:12-00:00:37:01 | CEO | fuera | "Serie B" mal leído como "seria B" | pronunciación | ADR | decir "SEE-reez bee"; nombre legal sin cambios

Preserva la mejor actuación original

Utiliza la ruta menos invasiva que resuelva el problema real:

  1. Micrófono alternativo o canal de producción aislado.
  2. Toma alternativa o línea libre.
  3. Edición manual, ganancia de clip, fundido cruzado corto, relleno de tono de sala.
  4. Reparación dirigida solo al defecto.
  5. ADR o regeneración sintética cuando la línea permanezca ininteligible, incorrecta, insegura o fuera del briefing.

Evita la reducción de ruido amplia primero. El procesamiento amplio a menudo reduce el detalle de las consonantes, el realismo de la respiración y la continuidad de la sala antes de resolver la edición.

Corta el diálogo como aire continuo

Al ensamblar o componer:

  • Mantén las respiraciones que apoyan la actuación, elimina solo las respiraciones distractoras o técnicamente malas.
  • Usa tono de sala o ambiente coincidente debajo de cada espacio donde se haya cortado el diálogo.
  • Aplica fundido cruzado en cada límite de clip a menos que el corte caiga dentro de ruido enmascarado o un transitorio que realmente no necesite fundido.
  • Coincide el tono de sala por escena, perspectiva del micrófono y distancia emocional. No pegues un lecho de "silencio" en diferentes habitaciones.
  • Usa ganancia de clip para suavizar sílabas antes de la compresión. Trata la compresión como apoyo de mezcla, no como una solución para ediciones erráticas.
  • Mantén los ataques de consonantes. No recortes el frente de oclusivas, fricativas o entradas suaves solo porque la forma de onda parezca baja.

Limpia artefactos en un orden de reparación

Utiliza pasos dirigidos y audicionados:

  1. Elimina pops de edición con límites, fundidos y ajustes de cruce por cero.
  2. Reduce clics de boca/chasquidos de labios localmente; mantén la textura bucal relevante para la actuación cuando el realismo importe.
  3. Reduce oclusivas con un paso de baja frecuencia o de-oclusiva dirigido; si la voz baja útil se daña, deshaz y usa ganancia de clip manual/reparación espectral.
  4. Controla la sibilancia con un tratamiento dinámico y estrecho; no hagas cecear al hablante.
  5. Reduce el zumbido/retumbo con un paso alto o eliminación de zumbido solo hasta donde sea necesario. Para contenido hablado, las elecciones de corte bajo deben respetar el cuerpo de la voz y las especificaciones de entrega.
  6. Usa eliminación de ruido/reverberación/aislamiento de diálogo de forma conservadora, escuchando consonantes acuosas, con fase, chirriantes o apagadas.
  7. Reequilibra la ganancia del clip y el tono de sala después de la reparación, porque las reparaciones pueden revelar nuevas discontinuidades.

Si una reparación crea un artefacto más notable que el problema original, revierte y elige una toma alternativa, ADR o una nota honesta de "no se puede limpiar".

Dirección de ADR y doblaje

Prepara la señal

Una señal de ADR debe ser interpretable sin adivinar. Incluye:

  • contexto de la escena en una frase;
  • código de tiempo de referencia de imagen;
  • línea exacta y alternativas aprobadas;
  • motivo del ADR;
  • intención de actuación;
  • anclajes de sincronización: boca de inicio/fin, labiales, pausas visibles, gestos, respiraciones, reacciones;
  • guía de pronunciación para nombres, acrónimos, términos de producto y palabras sensibles;
  • objetivo de micrófono/perspectiva: cercano, pectoral, susurrado, gritado al otro lado de la habitación, teléfono, casco, radio, archivo, etc.;
  • objetivo de sala/procesamiento y si el mezclador debe igualar la suciedad de producción o mejorar la fidelidad;
  • tomas solicitadas y qué cambia entre tomas.

Para la señalización, usa lo que el talento y la configuración de grabación admitan: pitidos, serpentinas, texto visual, grabación en bucle o escucha y repite. El ADR de tres pitidos es común en los flujos de trabajo cinematográficos, pero no lo impongas si perjudica al actor. El método de señalización es una ayuda para la actuación, no el objetivo.

Dirige la actuación antes que la forma de onda

Da a los actores verbos y contexto interpretables:

  • Di lo que el hablante quiere del oyente.
  • Identifica el giro emocional en la línea.
  • Da una nota de sincronización a la vez.
  • Preserva el estatus social de la escena, la fatiga, la edad, la política de acento y la relación.
  • Pide pronunciación natural a menos que la historia requiera claridad adicional.
  • Para anuncios y explicativos, dirige el énfasis en torno al significado, no a cada palabra de marca. Los términos de producto demasiado enfatizados suenan sintéticos.

Para la localización, preserva la intención en lugar del orden de las palabras. Usa frases coloquiales del idioma de destino cuando sea apropiado para el personaje y el briefing. Cuando la sincronización con la imagen importe, juzga contra la boca y el corte, no solo la forma de onda fuente. Las formas de boca de inicio y fin, los labiales visibles y las vocales con boca abierta son lo que más importa en primeros planos y momentos clave.

Captura suficientes tomas para editar

Solicita:

  • una toma de sincronización fiel;
  • una toma priorizando la actuación;
  • una toma de dicción más limpia;
  • una alternativa de seguridad con una frase más corta o más larga si la sincronización puede necesitarla;
  • tono de sala/esfuerzos/respiraciones solo cuando los derechos y las necesidades de actuación lo justifiquen.

Para el doblaje estilo VO de no ficción, evita grabar risas, llantos y reacciones no verbales a menos que la guía de estilo o el cliente lo soliciten explícitamente. Cuando los sonidos no verbales originales permanezcan en la mezcla, el editor debe destacarlos en lugar de duplicarlos.

Mantén la continuidad de la voz

Crea una nota de continuidad para voces recurrentes:

  • fuente de voz o actor;
  • alcance de consentimiento/derechos;
  • idioma/lugar;
  • edad, expresión de género, política de acento, notas de dialecto;
  • rango de velocidad al hablar;
  • rango de tono/energía;
  • distancia del micrófono y sala;
  • pronunciaciones características;
  • tratamientos anteriores: EQ, reverberación, efecto, piso de ruido, comportamiento de de-ess;
  • excepciones, como archivo, teléfono, estrés, enfermedad, flashback o desajuste intencional.

Nunca "coincidas" la voz de una persona real con clonación sintética a menos que el proyecto tenga derechos explícitos y consentimiento informado para ese uso exacto. Si el consentimiento no está claro, ofrece una voz genérica, una nueva dirección de casting o una pregunta de autorización de derechos.

Límites de la voz sintética

Antes de usar TTS, conversión de voz, clonación de voz o doblaje sintético:

  • Verifica quién posee o controla la voz fuente, si el hablante consintió este uso, si se permite el entrenamiento del modelo o la replicación de la voz, si el uso está limitado por plazo/territorio/medio y si la divulgación es requerida por el cliente, la plataforma, el contrato o la ley.
  • No entrenes, clonas, imites o "suenes como" una persona viva o fallecida identificable sin permiso documentado.
  • No uses una voz sintética para hacer que alguien parezca decir algo que no autorizó.
  • No infieras consentimiento de la disponibilidad pública de las grabaciones.
  • Preserva notas de auditoría: fuente, resumen de licencia/consentimiento, ID de voz, proveedor/modelo, fecha, mensaje, parámetros, editor y uso final.
  • Si una solicitud pide una imitación de voz protegida o identificable sin derechos, redirige a cualidades vocales permitidas: rango de edad, energía, ritmo, timbre, acento solo cuando sea apropiado y no caricaturesco.

Una buena dirección sintética sigue siendo dirección de actuación:

Voz: narrador de marca interna con licencia, tranquilo pero no somnoliento.
Línea: "Tu copia de seguridad termina antes que tu café."
Intención: prueba tranquilizadora, no exageración.
Ritmo: medio-rápido; ligera sonrisa en "café"; sin estruendo de locutor.
Pronunciación: "copia de seguridad" como CO-pia de se-gu-ri-dad, no co-PIA.
Restricciones de entrega: sin imitación de ninguna celebridad o empleado; sin palabras añadidas.
Notas de edición: deja 200 ms de cola limpia para fundido cruzado; entrega WAV seco más sincronización.

Subtítulos, transcripciones y transferencia de accesibilidad

La transferencia de audio hablado debe coincidir con lo que se envía, no con lo que solía decir el guion.

…

[truncado para traducción]

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

calesthio/brand-launch-film-production

Provider-independent production workflow for AI agents creating brand launch films, product reveal videos, manifesto films, campaign hero films, website hero videos, investor/customer launch assets, and social cutdowns. Use when planning, scripting, generating, editing, reviewing, or delivering launch films that must align strategy, claims, brand voice, visual direction, product proof, accessibility, compliance, and multi-platform delivery.

calesthio/character-design-continuity

Provider-independent character design and continuity direction for generated media. Use when an agent must create, preserve, revise, or QA a recurring character across AI-generated images, video clips, avatars, animation, comics, ads, product mascots, serialized social posts, or multi-shot campaigns; especially when building character bibles, reference packs, prompts, expression/pose ranges, costume/hair/makeup/prop continuity, identity and likeness safeguards, iteration plans, handoff notes, or continuity reviews.

calesthio/generative-media-skills

Provider-independent cinematic trailer production for AI agents creating movie-style trailers, teaser trailers, launch trailers, game trailers, documentary trailers, series promos, and high-impact generated-media previews. Use for trailer strategy, structure, shot planning, voiceover/title-card copy, music and sound-design direction, generated-video prompt translation, edit pacing, platform/runtime choices, delivery handoff, rights/claims caveats, and trailer QA.

calesthio/generative-media-skills

Provider-independent explainer video production for AI agents creating educational, product, concept, nonprofit/public-service, onboarding, training, animated, mixed-media, and short social explainers. Use when an agent must turn a topic, brief, research corpus, product, process, policy, dataset, or complex idea into a factual, accessible, narrated, captioned, storyboarded, generated-media-ready explainer video with claim review, localization, pacing, variants, and QA.

calesthio/generative-media-skills

Use this skill to plan, direct, finish, and QA provider-independent mono or stereo 180-degree, 360-degree, spherical, spatial, wide-FOV, and immersive video. It covers format choice, capture rigs, stitching, nadir and seam management, stereoscopic comfort, attention direction, stabilization, ambisonic and spatial audio, titles, captions, accessibility, edit, color, VFX, projection metadata, Vision Pro, YouTube, headset delivery, device QA, and privacy, location, and likeness rights. Do not use it for interactive XR apps, volumetric/world-model generation, game-engine experiences, or provider-specific video generation prompts.

calesthio/generative-media-skills

Provider-independent production workflow for AI agents creating music videos, lyric videos, visualizers, performance/narrative/dance videos, social cutdowns, album or single launch assets, and generated-media clips synchronized to songs. Use when planning, directing, prompting, editing, reviewing, or delivering video content built around a recorded song, artist performance, lyrics, beat timing, choreography, platform variants, music rights, likeness consent, accessibility, or synthetic-media disclosure.

calesthio/generative-media-skills

Provider-independent captions and media accessibility direction for AI agents producing or finishing generated videos, ads, social clips, explainers, avatar videos, documentaries, podcasts/video recuts, training media, and localized content. Use when planning, authoring, reviewing, localizing, burning in, exporting, or QAing captions, subtitles, SDH, transcripts, audio description, flashing/motion safety, caption readability, or accessible media handoff files.

calesthio/generative-media-skills

Provider-independent localization and dubbing production direction for AI agents producing translated videos, dubbed ads, social clips, explainers, avatar videos, documentaries, training media, and multi-market campaigns. Use when planning or reviewing subtitle-versus-dub strategy, translation adaptation, glossary/style-guide setup, casting or voice matching, lip-sync or phrase-sync direction, synthetic dubbing boundaries, captions/subtitles handoff, accessibility, platform delivery, client review, or localization QA.

calesthio/motion-graphics-direction

Provider-independent motion graphics direction for AI agents producing title sequences, lower thirds, explainer graphics, product UI overlays, social ads, kinetic typography, diagrams, data callouts, brand films, and video post. Use when planning, prompting, storyboarding, specifying, implementing, reviewing, or QAing motion graphics across live footage, generated video, UI capture, data visualization, brand systems, typography, accessibility, claim integrity, runtime handoff, and iteration.

Skills relacionados