¿Qué hace render-cartoon-music-video?
Ensambla un videoclip animado para publicidad a partir de una configuración: una historia animada / ilustrada / artesanal (stop-motion con fieltro y espuma, claymation, 2D, recortes) donde una canción cantada es todo el guion y un único personaje animado recurrente aparece en cada plano, cortado al compás con la línea culminante en el drop. Esta capacidad es el ensamblaje gratuito y determinista: corte por compás, concatenación dura, superposición del logotipo + subtítulos, y la tarjeta final de color sólido.
scripts/config.example.json es el ejemplo práctico (Coinbase "Apunta a todo", ~55s 1080×1920 9:16, 16 compases de cuerpo + una tarjeta final de 3s — su aspecto de fieltro, personaje, historia y canción son elecciones de esa demo, nunca valores por defecto); scripts/PIPELINE.md asigna cada bloque de configuración a su paso fuente y scripts/README.md documenta el ensamblaje gratuito.
Decisiones
Las decisiones creativas son del usuario (la receta del formato de video se las pide); este ensamblaje nunca las elige. El valor de la demo es solo un ejemplo:
- Estilo artístico / paquete de aspecto (stop-motion de fieltro, claymation, 2D, recortes…) — demo: diorama de fieltro y espuma.
- Personaje — la ÚNICA figura animada recurrente — demo: figura de fieltro sin género con camiseta azul de marca.
- Arco narrativo — demo: el desvalido triunfa.
- Estilo de canción + voz principal — demo: hype dance-pop / EDM-trap, voz principal masculina medio rapeada.
Ejecución
Esta es la etapa de ensamblaje gratuito y determinista — no gasta nada. Las entradas de pago son capacidades separadas: la canción cantada (create-music-elevenlabs, o un mp3 proporcionado por el usuario + marcas de tiempo de Whisper) con detección de ritmo mediante librosa para que la CUADRÍCULA DE COMPASES establezca la línea de tiempo; un personaje recurrente fijo + un fotograma clave por compás en un mismo paquete de aspecto (create-image-fal, Nano Banana); y un clip i2v de Seedance por compás (create-video-fal). Dados la canción + word-timestamps.json + bars.json + un clip por compás + el logotipo SVG de la marca, render-cartoon-music-video corta cada clip a su ventana de compás, los concatena duramente en el compás, superpone el logotipo + subtítulos, añade la tarjeta final de color sólido y multiplexa la canción debajo → el máster. Los recortes reutilizan la canción / fotogramas clave / clips existentes y cuestan $0.
Contrato (el ensamblaje gratuito)
- La canción cantada lleva la narrativa — sin locución aparte. La pista generada/proporcionada ES la base (sin locución a la que bajar el volumen); no añadas una voz en off ni una segunda pista de fondo.
- Planifica la línea de tiempo ALREDEDOR de la CUADRÍCULA DE COMPASES de la canción entregada. Detecta el ritmo de la canción con librosa (asume 4/4); un compás = un plano (por defecto). Ajusta cada ventana de tableau a los límites del compás — nunca recortes la canción a una cuadrícula pre-planificada.
- Subtítulos a partir de las marcas de tiempo de la canción, reescritos contra la letra fija. Whisper malinterpreta los acentos gritados ("BETS" → "Hearts"); reescribe los tokens temporizados contra el archivo de letra fija (nunca edites la letra para que coincida con Whisper). Subtítulos blancos negrita sans en el tercio inferior (Alineación 2,
margin_vpor encima del logotipo inferior izquierdo), ~4–5 palabras por frase, SIN fondo; los subtítulos se DETIENEN en el borde de la tarjeta final. Nunca en medio del fotograma — cubre al personaje (fijo 2026-07). Si el ffmpeg del anfitrión no tiene libass, renderiza las frases como superposiciones PIL PNG temporizadas (ffmpegoverlay=…:enable='between(t,st,en)') en la misma posición inferior. - Coloca la línea culminante en el drop. El tableau culminante se temporiza para que la línea de recompensa caiga en el drop subgrave; acentúa esa línea.
- Logotipo persistente, suprimido en la tarjeta final. Superpone una marca blanca en la esquina inferior izquierda sobre los compases de cuerpo (cairosvg → PIL desde el SVG real), suprimida en la tarjeta final donde domina el logotipo grande.
- Tarjeta final mediante cairosvg + PIL desde el logotipo real — nunca renderices texto de marca con IA. Tarjeta de color sólido de marca + logotipo blanco + subtítulo, manteniéndose ~3s CON la canción sonando de fondo (fundido de salida sobre la cola — sin cola silenciosa). Un modelo de difusión distorsiona un logotipo.
- Composición FFmpeg, determinista, GRATUITA. Corta cada clip a su ventana de compás, concatenación dura, superpone logotipo + subtítulos, añade la tarjeta final, multiplexa la canción sobre todo el video con un fundido de salida de 0.5s,
loudnorm I=-14→ un máster 1080×1920 h264+aac. Sin llamadas de pago, sin claves. Cuando el ffmpeg del anfitrión no tiene libass/drawtext, TANTO los subtítulos como el logotipo son superposiciones PIL PNG temporizadas (overlay=x:y:enable='between(t,st,en)'), no una quema ASS. - CONTROL DE CALIDAD POR ESCENA, nunca solo el máster — los dos modos de fallo son de contenido, no de ensamblaje. Los pasos ascendentes de fotograma clave / i2v pueden (a) desviar al personaje de su aspecto (fieltro → 3D suave "hombre" en la demo) a mitad de camino (fuera del aspecto elegido — en la demo de fieltro, fieltro → 3D suave) y (b) alucinar manos — dedos realistas en un macro de mano, un dedo señalando en un plano de "tocar el teléfono", o una mano desencarnada deslizándose desde el borde del fotograma. Ambos se ocultan en tamaño miniatura. Extrae una hoja de contacto a 2 fps + un recorte por compás de CARA y MANO (a lo largo de la duración completa de cada clip), confirma que cada compás mantiene el ÚNICO aspecto elegido (la demo: fieltro mate) con el ÚNICO personaje y sin manos humanas/flotantes, y vuelve a comprobar los bytes servidos después de publicar. Un compás desviado significa regenerar el FOTOGRAMA CLAVE de ese compás (no recortar) — ver la receta PASO 3/6.