Video Motion — flujo estándar para video con voz mediante chat
Flujo maestro. Las tres fuentes tienen roles específicos — no las leas todas en cada proyecto, invoca según la fase:
| Fase | Fuente de reglas | Skill |
|---|---|---|
| Brief, estilo, guion, VO, secuencia de trabajo mediante chat | motion-format | skill_view('motion-format') |
| Leyes de diseño y cinematografía (video≠diapositiva, determinístico, estilo desde tema, trampas) | bang-motion | skill_view('bang-motion') |
| Pipeline técnico de renderizado (whisper, SFX, frame CDP, auditoría, subtítulos seguros) | html-motion-pipeline | skill_view('html-motion-pipeline') |
Cuándo usar cada uno
- Si hay una receta de estilo específica (isométrico, cartoon cel, 3D histórico, promo de producto, etc.)
→ usa el motor motion-format (
mf.py) + la receta de estilo. - Explainer flat-motion 2D / diagrama de relevo / tech-explainer (como el video de Function Calling) → usa html-motion-pipeline (arquitectura GSAP + render CDP), obedece las leyes de diseño de bang-motion.
- Promo/opener/bumper/kinetic type → bang-motion como fuente de leyes + arquitectura.
EMPIEZA AQUÍ — puerta de secuencia (no te la saltes)
Antes de escribir UNA SOLA línea (HTML, guion, VO) para una tarea de video:
0. LEE USER.md Y style-reference/STYLE.md (de esta carpeta de skill) PRIMERO —
USER.md = preferencias y estándares de Hasbi (no preguntes de nuevo lo que ya está escrito);
STYLE.md = estilo visual dorado + marco de referencia. Usa vision_analyze en los frames de
style-reference/ antes de escribir HTML para VER el objetivo visual, no solo imaginarlo desde
la descripción. Este archivo está separado del SOP a propósito para que sea fácil de actualizar
sin tocar el flujo de trabajo.
skill_view('video-motion')primero — luego sub-skills según la fase (tabla de arriba).- INVESTIGA PRIMERO si el tema necesita hechos/datos reales (temas educativos, "cómo hacer X",
comparativas, noticias): recopila puntos clave + un gancho sólido de fuentes reales
(
web_search/web_extract) ANTES de redactar el guion — no inventes contenido de memoria. Consultareferences/topik-riset.mdpara saber cómo elegir y variar los ángulos. - LA SECUENCIA DE TRABAJO SIGUE AL USUARIO, no la tabla de fases de arriba. El orden predeterminado del documento es brief→estilo→guion, PERO el usuario Hasbi a menudo lo invierte a propósito: investigar tema → elegir tema → guion → LUEGO brief de estilo. Si el usuario dice "empezar por el tema/guion primero, luego el brief", obedece eso — no ofrezcas estilo ni muestres un borrador de guion antes de que el tema esté acordado. Confirma cada fase con la aprobación (ACC) del usuario (elige 1 de las opciones) antes de continuar.
- Prueba visual de la escena 1 + ACC primero, luego VO y las demás escenas. Nunca construyas el video completo (todas las escenas + render MP4) antes de que la escena 1 sea aprobada.
- No arrastres la carga de proyectos anteriores. Cada video = carpeta nueva y empezar desde un brief limpio; el usuario a menudo pide "olvida el proyecto anterior, investiga desde cero".
TRAMPA (costosa): Construir desde la memoria/instinto en lugar de leer los sub-skills
produce una presentación de diapositivas — cada escena se convierte en <section> que se
fadea in-out. Esto viola la Ley #1 y requiere un render completo (~9 minutos) antes de ver que
está "mal". Lee bang-motion PRIMERO; empieza desde index.fc-reference.html, no escribas desde cero.
SOP DE POSICIONAMIENTO Y SECUENCIA DE TRABAJO (estándar de consistencia entre sesiones)
Fuente: proyecto #11 "Empresa Sin Empleados" (7 escenas, 55.8 seg) que se completó sin una sola revisión de diseño. Este es el método correcto que produjo un resultado limpio en el primer intento. Sigue la secuencia exactamente — saltarse un paso = repetir el render completo.
Fase A — PREPARACIÓN (antes de tocar HTML)
- VO primero, no lo visual. Tan pronto como el usuario envíe el archivo VO → procesa
inmediatamente:
(loudnorm es OBLIGATORIO — previene alucinaciones de Whisper).ffmpeg -i vo_raw.mp3 -af loudnorm=I=-16:TP=-1.5:LRA=11 -ar 16000 -ac 1 vo_norm.wav - Transcripción palabra por palabra (modelo
small,language="id",word_timestamps=True,vad_filter=True,temperature=0,beam_size=5, int8). Decodificación manual mediantesoundfile→numpy (evita el bug deav). Resultado:vo_words.json= fuente de verdad de TODO el timing. - Mapea los límites de escena desde las marcas de tiempo, no desde el guion. Ejemplo real:
VO #11 cae en 8 escenas →
0/7.7/16.3/22.4/29.1/36.4/41.6. Cada escena comienza =startde la primera palabra de su frase de apertura. Lo visual aparece JUSTO cuando se pronuncia la frase.
Fase B — POSICIONAMIENTO (clave de la limpieza)
La limpieza = cuadrícula disciplinada + cada escena un solo foco. Reglas concretas (evidencia de #11):
- Una zona vertical por función. En 1080×1920: encabezado/título en la banda superior (y≈300), visual principal en la banda media (y 560–1250), caption de cierre en la banda inferior de la escena (y≈1330), subtítulos SIEMPRE en y≈1460. No mezcles funciones entre bandas.
- Nodos/columnas simétricas usando izquierda–centro–derecha:
left:250/540/830px(centro 540). El centro puede tener untopligeramente más alto que los bordes para que la composición esté viva, PERO la distancia horizontal entre los tres debe ser igual. - Tarjetas equilibradas (comparación A-vs-B):
width&top& padding IGUALES para ambas tarjetas; lo único que las diferencia es el contenido. No una gorda y otra flaca. - Subtítulos fuera de
#world(hijos de#stage, no de#world) para que no se muevan con la cámara. - Mide, no supongas. Cada texto debe pasar obligatoriamente
audit_overlap(0 colisiones) &audit_center(desviación del centro <250px). Basado en bounding-box, no en el ojo.
Fase C — ANIMACIÓN (clave de "vivo pero tranquilo")
- Totalmente determinístico. Todo = función pura de
t. CeroMath.random(). Ambiental (lluvia de matrix, partículas) usa RNG con semilla (mulberry32(seed)) para que cada render sea idéntico. - rAF = enemigo del render. Desactiva
window.requestAnimationFramemediantepage.evaluateOnNewDocument(()=>{window.requestAnimationFrame=()=>0;})ANTES degoto— si no, el bucle de autoplay sobrescribe__seeky los frames son aleatorios. (Patrón: rAF SOLO para vista previa en navegador, no para render headless.) - Sincronización de frases. Cada beat visual usa la marca de tiempo de la palabra de
vo_words.jsoncomo ancla del tween (ejemplo: el nodo RISET aparece en elstartde la palabra "riset"). - Movimiento continuo: deriva de cámara vertical sutil por escena (
y:-55→0), pulsación de anillo (scale 1↔1.06 yoyo), contador numérico ascendente, lluvia de monedas. Todo pasa el umbral de diferencia media de movimiento (Gotcha #12). - Gancho = establecido, no fade-in. Frame 0 = miniatura de TikTok → el texto del gancho YA
está completo en t=0 (
tl.set, nofromTocon opacidad 0). No dejes que el primer frame esté vacío.
Fase D — VERIFICACIÓN ANTES DEL RENDER COMPLETO
node snap.mjs→ captura 15+ puntos clave → revísalos con visión (no solo auditoría del DOM). El nombre del archivo snapshot = SEGUNDO, no índice de escena (snap_00003= t≈0.3 seg, NO escena 3). Antes de evaluar con visión, primero mapea los puntos de auditoría al número de escena correcto — revisar el frame para "escena hexágono" en el frame del gancho dará un falso positivo vacío y te hará creer erróneamente que la escena ya está bien.- Desactiva rAF en el snapshot (igual que en el render) → el snapshot ahora es determinístico.
- Revisa por escena: ¿texto cortado? ¿superposición? ¿espacio vacío excesivo? ¿íconos legibles?
- Solo entonces haz el render completo (
--hasta 3primero como prueba, luego completo + resume anti-OOM). - Trampa de re-tematización (oscuro↔claro): el fondo puede seguir oscuro aunque se haya cambiado
el color principal. Si cambias el tema del video a claro/oscuro después de renderizar, el cambio
de color GLOBAL (fondo del body, texto) NO cambia los degradados de fondo POR ESCENA escritos
individualmente (ej.
#sc7 .bg{background:linear-gradient(180deg,#0a2a3a…)}) ni las sombras oscuras en elementos CTA — esa escena seguirá oscura en el MP4 aunque "ya lo cambié todo". Solución: después de re-tematizar, haz grep en el html en busca de patrones de degradado y colores de fondo por escena (grep -nE "gradient|#0[0-9a-f]{5}" index.html) y asegúrate de que cada escena se haya actualizado. Verificación objetiva mediante píxeles, no con el ojo: extrae un frame de cada escena del MP4 y mide el brillo del área de fondo (np.array(Image.open(f).convert('RGB'))[:80,:80].mean(); >180 = claro, <100 = todavía oscuro). Valor por escena, no un solo frame. Esto es más fiable quevision_analyzeque a menudo agota el tiempo de espera o se niega a cargar imágenes en sesiones de escritorio.
Anticipación de consistencia entre sesiones: este método funciona porque (a) el VO se procesa ANTES de lo visual, (b) el posicionamiento se basa en la cuadrícula, no en la intuición, (c) es determinístico + rAF desactivado. Cualquier sesión que siga las Fases A→D exactamente producirá una limpieza equivalente al proyecto #11.
Flujo estándar (adaptable — usa las partes relevantes)
- Brief de 5 puntos (motion-format): qué, tema+material, para quién, duración, relación de aspecto+subtítulos. Pregunta máximo 1 vez, el resto por defecto.
- Estilo — el usuario lo menciona → úsalo directamente; si no → ofrece 3 + 1 recomendación. Escribe
gaya.md(paleta hex + fuente, fuente, fondo, firma de movimiento, 1 elemento diferenciador). El fondo no es oscuro por defecto. El estilo proviene del tema/marca, no de una plantilla/referencia. - Imagen de prueba de la escena 1 (±8 seg, calidad final) → captura → muestra → el usuario aprueba.
- Guion por escena →
naskah.md. O si el usuario graba él mismo: pide el archivo VO. Formato del guion cuando se muestra en el chat = PÁRRAFO, no tabla. El usuario Hasbi quiere leer el guion como una historia fluida (prosa por párrafo), no una tabla# | visual | VO | segundos. Escribe la tabla primero ennaskah.mdcomo modelo interno (para mapear beat→visual, consulta Gotcha #18), pero lo que se MUESTRA al usuario para su aprobación = la versión en párrafo. Cada guion de video de Hasbi DEBE terminar con la promoción del grupo de Telegram (grupodiskusitentangai, CTA en el texto del VO + logo del grupo en la pantalla final) — coloca el CTA dentro del propio guion como frase de cierre del VO, no solo como visual final. - VO + timing
- El usuario graba él mismo (ElevenLabs, etc.): procesa el archivo. Transcripción + marca de tiempo por palabra mediante faster-whisper (pipeline). Demasiado rápido → ofrece variantes de tempo (0.75/0.90/0.97), que elija una.
- Mediante API de ElevenLabs: clip por escena, prueba la escena 1 primero. No gastes créditos sin permiso.
- Sincronización de frases usando pausas de respiración (
silencedetect).
- Construye todas las escenas — el tiempo de la escena sigue el tiempo del VO. Construye 2–3 → captura → corrige → repite. Da "más detalle" en la escena más débil. Cero errores de JS.
- AUDITORÍA DE DISEÑO ANTES DEL RENDER (obligatorio, consulta el pipeline): 0 desbordamientos, no
choca con elementos, subtítulos a salvo de la zona de UI inferior (Reels/TikTok ≈360px). Además,
0 frames vacíos — revisa cada escena en su frame inicial (t0..t0+0.5): los elementos de contenido
(no subtítulos) DEBEN tener ya opacidad>0. La auditoría del DOM que solo revisa colisiones/desbordamientos
NO captura esto (consulta Gotcha #6).
7b. AUDITORÍA DE MOVIMIENTO ANTES DE ENTREGAR (obligatorio, separada de la auditoría de diseño). La
auditoría de diseño y "frames vacíos" solo demuestra que el CONTENIDO EXISTE, no que el VIDEO SE
MUEVE — un video estático (presentación de diapositivas muerta) pasa ambas y luego fracasa
totalmente ante el usuario. Mide el movimiento real: extrae dos frames del MP4 final a la MITAD
de UNA escena (no entre escenas, p.ej. t y t+0.4) → calcula la diferencia absoluta media de píxeles
mean(|A-B|). mean diff < 1.0 = esa escena es ESTÁTICA, recházala. Cada escena debe pasar obligatoriamente — que tenga contenido y que tenga movimiento entre frames son dos compuertas diferentes; pasar una no significa pasar la otra. (Consulta Gotcha #12.) - Render: revisa ±8 seg → el usuario escucha/ve → render completo → MP4.
Leyes obligatorias (resumidas de bang-motion + motion-format)
- Video, no diapositiva. La cámara/el mundo se mueve; las escenas cambian porque el mundo se
mueve, no porque se fadée
<section>. Un solo sujeto/hilo visual conductor persiste. - Determinístico. Todo lo visual = función pura de
t/tl.time(). CeroMath.random()sin semilla real,Date,performance.now. - El estilo proviene del tema, no de una plantilla/referencia. La referencia es el ritmo, no
la piel. Dos videos diferentes difieren en ≥3 de: paleta, fuente, fondo, firma de movimiento.
Excepto para series (Parte 1,2,…): deben ser consistentes.
- No clones el diseño de videos anteriores. Cambiar solo la paleta/fuente, y luego usar la
misma estructura de
<título arriba> + <imagen pequeña> + <tarjeta abajo>, seguirá viéndose "muy igual" para el usuario — color diferente no es diseño diferente. Al empezar un video nuevo (no una serie), REVOLUCIONA la COMPOSICIÓN de cada escena, no solo recolorees una plantilla. - Dale a cada escena UN SOLO foco grande (un héroe) en la banda media, sin elementos que se superpongan. El usuario rechaza los diseños recargados/apilados. Coloca el héroe en el área central, el resto como apoyo abajo/en los bordes — no dos o tres bloques del mismo tamaño uno al lado del otro.
- No clones el diseño de videos anteriores. Cambiar solo la paleta/fuente, y luego usar la
misma estructura de
- Texto vivo, fondo sumiso. Uso de mayúsculas y minúsculas; signos de puntuación solo si
cambian el significado/ritmo; contraste fuerte; el fondo no es de un solo color plano.
- El texto no debe pegarse al marco. El texto ancho (
width:100%+text-align:center) con fuente grande (≥56px) puede tocar/pegarse a los bordes izquierdo y derecho. El usuario rechaza esto ("muy pegado al marco"). Dale un padding lateral mínimo de 50px O cambiawidth:100%porleft:50px; right:50pxpara cada texto de una línea grande. Verifica mediante DOM: el bounding-box del texto debe tener una distancia ≥40px desde los bordes izquierdo y derecho del lienzo.
- El texto no debe pegarse al marco. El texto ancho (
- Gancho en movimiento desde el frame 0. Los momentos importantes tienen ±2,5 seg de tiempo.
- Subtítulos palabra por palabra para 9:16; palabras clave en color de acento; en la zona segura.
- Hechos en pantalla = hechos en el guion. No inventes números.
- Líneas de conexión (diagrama de nodos): SVG en la capa más inferior de la escena, ancla de borde a borde (no el centro del logo), curva suave — nunca atraviesan íconos/texto.
- Logo de identidad = activo original del usuario/marca (tómalo de la web si es necesario), no un emoji genérico.
Verificación (tú no puedes ver el video — solo ves FRAMES)
- Captura el momento clave mediante
snap.mjs(pipeline) /mf.py potret(motion-format). - Organiza una hoja de contactos → evalúa: ¿texto cortado? ¿superposición? ¿líneas que atraviesan? ¿sigue siendo una diapositiva?
- Auditoría de diseño mediante DOM (
getBoundingClientRect) antes del render completo. - MP4 solo para exportación final — no es una herramienta de verificación.
- Auditoría de "frames vacíos" mediante análisis de píxeles (fiable si el backend de visión
falla): extrae frames del MP4 cada 0,25 seg, calcula el % de píxeles oscuros (lum<100) en la
zona de la escena (y 200–1300). Un frame con <0,5% = escena casi vacía. Si el frame "más mínimo"
cae exactamente en
t0de cada escena → hay un lapso vacío al inicio de la escena (Gotcha #6). También se puede hacer mediante DOM: cuenta elementos que no sean subtítulos con opacidad>0 en t0 y t0+0,1 de cada escena.
Entrega
index.html/scene.htmlabierto via
[truncado para traducción]