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 HyperFrames. Las instalaciones independientes pueden seguir las instrucciones de actualización 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 si todo está actualizado; de lo contrario, actualiza este skill y los skills del dominio central de los que depende antes de usarlos.
Recorte de Video con Superposiciones
Talking Head Recut toma un video local que se reproduce completo y superpone una secuencia de tarjetas gráficas diseñadas y temporizadas: títulos, tercios inferiores, llamadas de datos, citas, paneles laterales, imagen en imagen, sincronizadas con lo que se dice. El agente diseña las tarjetas (temporización + contenido) y escribe el HTML de cada tarjeta directamente en la conversación, luego ensambla un solo archivo HTML de composición y lo renderiza a MP4 mediante hyperframes. No hay una lista fija de arquetipos ni una estructura de tarjeta predeterminada: las superposiciones surgen del contenido real del transcript.
La puerta de entrada es
/hyperframes. Este skill empaqueta un clip existente de una persona hablando con tarjetas gráficas diseñadas (títulos, tercios inferiores, llamadas de datos, citas, paneles laterales, PiP) — no subtítulos simples (las palabras habladas como texto). El clip se reproduce intacto. Cualquier otra intención — subtítulos simples, un gráfico independiente, un video desde cero — o cualquier incertidumbre → lee/hyperframesprimero: la capa de intención decide la ruta.
Hermano gráfico de
embedded-captions. Los subtítulos agregan las palabras habladas como texto legible; esto agrega gráficos diseñados sobre el video en reproducción. Subtítulos simples →embedded-captions. Construir un video desde cero → los flujos 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 estrategia de renderizado como preguntas diferidas — aspecto, diseño, grupo de estilo y número de tarjetas permanecen en el Paso 7, donde el metraje analizado y el transcript fundamentan las recomendaciones; las preguntas de forma de ejecución de la capa no aplican. Un archivo BRIEF.md, cuando está 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 de palabras plano[{ text, start, end }, …](Whisper; sinsegments, sin envoltoriowords)storyboard.json— borrador 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 funciona completamente con la CLI hyperframes más ffmpeg / ffprobe del sistema.
La transcripción es Whisper local mediante hyperframes transcribe — sin servicio de terceros, clave API ni proxy con límite de tasa.
Flujo de Trabajo
1. Verificar Entorno
npx hyperframes doctor # ffmpeg, navegador headless, 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 en este skill, copiados al 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 se almacenan bajo videos/<nombre-del-proyecto>/ — la misma convención que los otros flujos de trabajo de video (product-launch-video / faceless-explainer / pr-to-video). Mantén el directorio de trabajo actual en la raíz del workspace; todo lo demás se 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 (lee 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 tasa. 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 determinan la sincronización 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 ligeramente más allá de la duración real del clip — ajusta cada endSec de la tarjeta y composition.durationSeconds a la duración de metadata.json, o el renderizado mostrará una cola negra después del video.
5. Corregir Transcripción
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 obvios de ASR:
- Homófonos, nombres de productos, términos técnicos, puntuación
- Edita el
textde una palabra en su lugar; preserva sus marcas de tiempostart/end - No hay un array
segmentspreagrupado — agrupa palabras en oraciones tú mismo (divide en signos de puntuación/pausas) cuando necesites fragmentos a nivel de segmento para la temporización de las tarjetas
6. Crear un Storyboard Ligero (en el chat)
No involucra CLI. Lee transcript.json + metadata.json y diseña
las 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 estructura coherente con el ejemplo a continuación para que el mismo esquema pueda impulsar
la composición que escribes 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 existencial a las 11 PM",
"detail": "Mensaje de voz de 60 segundos del cliente: 'Si el RMB se aprecia, ¿significa que mi póliza en USD es una pérdida terrible?'"
}
}
]
}
Campos requeridos de la tarjeta:
| campo | tipo | propósito |
|---|---|---|
id | string | id estable utilizado en el HTML de la tarjeta y selectores GSAP |
intent | string | descripción en lenguaje natural; alimenta la síntesis de la tarjeta |
startSec / endSec | number | tiempos en segundos (endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | cuál de los 5 colores de acento del tema utiliza esta tarjeta |
zone | enum (ver más abajo) | dónde en el lienzo vive la tarjeta |
contentHints | objeto | bolsa de forma libre; el agente coloca aquí kicker/title/detail/data/quote |
archetype (opcional) | string | etiqueta de forma libre que puedes adjuntar para recordar el patrón de la 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:
| zona | límites resueltos | cuándo usar |
|---|---|---|
fullscreen | cubre todo el lienzo | momentos épicos, números grandes, mantras |
whiteboard-area | margen interno de 40px (o 45% de la altura vertical) | datos densos / contenido anotado |
lower-third | banda inferior del 30% | anotación sobre video visible |
side-panel | 42% derecho (horizontal) o 40% inferior (vertical) | datos a un lado, video al otro |
video-overlay | lienzo completo, espera tarjeta mayormente transparente | superposiciones de anotación sobre video a sangre |
Cuando ensambles la composición en el Paso 9, resuelve la zone de cada tarjeta
en píxeles límite 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", escribe 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 comenzar con un número o con una historia. Deja que el transcript marque el ritmo.
¿Cuántas tomas? — inferencia automática a partir de 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: al menos 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 | da espacio para respirar; cada tarjeta carga más |
| 10 – 30 min | 20–35s | ritmo de conferencia/entrevista de formato largo |
| > 30 min | 30–60s | sensación episódica, casi de capítulo |
Paso 2 — multiplicador de densidad (multiplica el ritmo base):
| señal en el transcript | multiplicador | efecto |
|---|---|---|
| Alta densidad — muchos números, afirmaciones distintas, ritmo entrecortado, enumeración, cada 1–2 oraciones es una idea nueva | × 0.7 | cortes más rápidos, más tarjetas |
| Densidad media — flujo mixto con datos y narrativa | × 1.0 | ritmo base |
| Baja densidad — una historia extendida, replanteo repetido, ritmo reflexivo lento, un solo argumento que se desarrolla | × 1.5 | cortes más lentos, menos tarjetas |
Paso 3 — calcular:
segPorTarjeta = ritmoBase × multiplicadorDensidad
numTarjetas = max(5, round(duracionVideoSeg / segPorTarjeta))
Ejemplos (nota — sin límite superior; los videos largos producen naturalmente más tarjetas):
- Reel de 30s, único remate (baja densidad) → 7 × 1.5 = 10.5s/tarjeta → round(30/10.5)=3 → mínimo 5 tarjetas
- Monólogo reflexivo de 60s (baja densidad) → 10 × 1.5 = 15s/tarjeta → 4 → mínimo 5 tarjetas
- Video de 121s con datos ricos (alta densidad) → 10 × 0.7 = 7s/tarjeta → 17 tarjetas
- Entrevista de 5 min, densidad mixta → 16 × 1.0 = 16s/tarjeta → 19 tarjetas
- Análisis profundo de 10 min, alta densidad → 16 × 0.7 = 11s/tarjeta → 55 tarjetas
- Conferencia de 30 min, densidad media → 28 × 1.0 = 28s/tarjeta → 64 tarjetas
- Podcast de 1 hora, baja densidad → 45 × 1.5 = 67.5s/tarjeta → 53 tarjetas
Cuando una tarjeta dura más de ~15s, planifica una tarjeta más rica (bloque de datos,
revelado en varios pasos, varios subpuntos que se desarrollan con animaciones
escalonadas) — una frase 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 sea manejable
— consulta la advertencia de lint timeline_track_too_dense de HyperFrames.
contentHints es un objeto de forma libre; sus claves y anidación pueden tomar cualquier
forma que capture los datos. El agente decide la forma por tarjeta.
Outro opcional. Este skill no incluye un outro 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 -> breve pausa -> fundido de salida), añádela a cards[], y extiende composition.durationSeconds hasta su...