Instalación del plugin: Antes de ejecutar comandos de configuración o actualización, sigue las reglas de ejecución del plugin cuando este skill esté dentro de un plugin de HyperFrames. Las instalaciones independientes conservan las instrucciones de actualización que se indican a continuación.
Primero, mantén este skill actualizado — confirma con el usuario antes de ejecutar:
npx hyperframes skills update talking-head-recut. Una operación rápida sin cambios cuando todo está actualizado; de lo contrario, actualiza este skill junto con los skills del dominio central de los que depende antes de utilizarlos.
Recorte de Cabeza Parlante
Recorte de Cabeza Parlante toma un video local que se reproduce completo y superpone una secuencia de
tarjetas gráficas diseñadas y sincronizadas — títulos, tercios inferiores, llamadas 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 una composición HTML única y la 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 el transcript.
La puerta de entrada es
/hyperframes. Este skill empaqueta un clip de cabeza parlante existente con tarjetas gráficas diseñadas (títulos, tercios inferiores, llamadas de datos, citas, paneles laterales, PiP) — no subtítulos simples (las palabras habladas como texto). El metraje se reproduce intacto. Cualquier otra intención — subtítulos simples, una gráfica 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 texto legible; esto agrega gráficas diseñadas sobre el video en reproducción. Subtítulos simples →embedded-captions. Crear 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 la estrategia de renderizado como consultas diferidas — aspecto, diseño, grupo de estilo y número de tarjetas se mantienen en el Paso 7, donde el metraje analizado y el transcript fundamentan las recomendaciones; las preguntas de la forma de ejecución de la capa no aplican. Un BRIEF.md, cuando esté 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 plano de palabras[{ 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
Este skill se ejecuta completamente en la CLI hyperframes más ffmpeg / ffprobe del sistema.
La transcripción es Whisper local a través de 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 incluidos:
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(incluidos dentro de este skill, colocados 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 cwd en la raíz del espacio de trabajo; todo lo que sigue escribe bajo este 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 palabras en el directorio de trabajo (palabra text + marcas de tiempo start / end).
Léelo para las temporizaciones de palabras/oraciones que impulsan la temporización de las tarjetas en el Paso 6; agrupa
palabras en oraciones tú mismo en signos de puntuación / pausas si necesitas fragmentos a nivel de segmento.
Ajustar a la duración del medio. Whisper puede devolver el end de la última palabra un poco más allá de la
duración real del clip — ajusta cada endSec de tarjeta y composition.durationSeconds a la
duración de metadata.json, o el renderizado mostrará una cola negra más allá del video.
5. Corregir el transcript
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 ASR obvios:
- Homófonos, nombres de productos, términos técnicos, puntuación
- Edita el
textde una palabra in situ; preserva sus marcas de tiempostart/end - No hay un array
segmentspre-agrupado — agrupa palabras en oraciones tú mismo (divide en signos de puntuación terminal / pausas) cuando necesites fragmentos a nivel de segmento para la temporización de las tarjetas
6. Redactar un storyboard ligero (en el chat)
No involucra CLI. Lee transcript.json + metadata.json y diseña
tarjetas directamente. storyboard.json es un artefacto de planificación interno 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 del orador a medianoche",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "UNA PREGUNTA HONESTA",
"title": "La pregunta de reflexión 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 obligatorios de tarjeta:
| campo | tipo | propósito |
|---|---|---|
id | string | id estable usado en el HTML de la tarjeta y selectores de GSAP |
intent | string | descripción en lenguaje natural; alimenta la síntesis de la tarjeta |
startSec / endSec | número | 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 abajo) | dónde en el lienzo vive la tarjeta |
contentHints | objeto | 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 valor predeterminado |
transition (opcional) | enum: cut | fade | slide | wipe | transición declarativa de tarjeta a tarjeta |
Cinco valores de zone:
| zone | límites resueltos | cuándo usar |
|---|---|---|
fullscreen | cubre todo el lienzo | momentos hero, números grandes, mantras |
whiteboard-area | margen inset de 40px (o 45% de altura vertical) | datos densos / contenido anotado |
lower-third | banda inferior del 30% | anotación sobre video visible |
side-panel | 42% derecha (horizontal) o 40% inferior (vertical) | datos a un lado, video al otro |
video-overlay | lienzo completo, espera tarjeta mayoritariamente transparente | superposiciones de anotación sobre video a página completa |
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", autoras 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 el transcript impulse el ritmo.
¿Cuántas tarjetas? — 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 | dar espacio para respirar; cada tarjeta lleva más |
| 10 – 30 min | 20–35s | ritmo de charla / entrevista de formato largo |
| > 30 min | 30–60s | episódico, sensación casi de capítulo |
Paso 2 — Multiplicador de densidad (multiplica el ritmo base):
| señal en el transcript | multiplicador | efecto |
|---|---|---|
| Densidad alta — 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 |
| Densidad baja — una historia extendida, replanteamiento repetido, ritmo reflexivo lento, desarrollo de un solo argumento | × 1.5 | corta más lento, menos tarjetas |
Paso 3 — Calcular:
segPorTarjeta = ritmoBase × multiplicadorDensidad
numeroTarjetas = max(5, round(duracionVideoSeg / segPorTarjeta))
Ejemplos (nota — sin ajuste superior; los videos largos producen naturalmente más tarjetas):
- Reel de 30s, un solo remate (densidad baja) → 7 × 1.5 = 10.5s/tarjeta → round(30/10.5)=3 → mínimo 5 tarjetas
- Monólogo reflexivo de 60s (densidad baja) → 10 × 1.5 = 15s/tarjeta → 4 → mínimo 5 tarjetas
- Cabeza parlante de 121s con datos densos (densidad alta) → 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, densidad alta → 16 × 0.7 = 11s/tarjeta → 55 tarjetas
- Charla de 30 min, densidad media → 28 × 1.0 = 28s/tarjeta → 64 tarjetas
- Podcast de 1 hora, densidad baja → 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 múltiples pasos, varios subpuntos que se desarrollan con animaciones
escalonadas) — una línea única estática se vuelve aburrida después de 8s. Para piezas largas
donde muchas tarjetas superan 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
— consulta la advertencia de lint timeline_track_too_dense de HyperFrames.
contentHints es un objeto de forma libre; sus claves y anidamiento pueden tomar cualquier
forma que capture los datos. El agente decide la forma por tarjeta.
Cierre opcional. Este skill no envía un cierre de marca fijo. Si el usuario
quiere una tarjeta de cierre, diseña una neutral tú mismo (marca de palabra + eslogan de una línea, ~1.5–2s, fundido de entrada -> espera corta -> fundido de salida), añádela a cards[], y extiende composition.durationSeconds hasta su fin.