remotion-sfx

Efectos de Sonido (Tubería Ejecutable)

Propósito: Skill práctico. La fuente de verdad se encuentra en remotion-assembly/references/audio.md (cadena de sonoridad/mastering/pausas/fallo BGM); en caso de conflicto, prevalece ese documento. Lecciones aprendidas (no repetir): Síntesis de ruido blanco con ffmpeg → No (sonido barato y rasposo); muestreo de pistas de audio de referencia → No (sonido fino después de eliminar la voz). La solución correcta = biblioteca de efectos de sonido profesional + selección por el usuario mediante escucha previa (error #21).

0. Primero, consultar la biblioteca final (en la mayoría de los casos, el trabajo termina aquí)

public/sfx/ 10 sonidos en uso (seleccionados el 16/07/2026 tras escucha previa + migrados desde el grupo de aprobación del 21/07/2026; los números de identificación y el historial de migraciones se encuentran en la regla 8 de audio.md; los paréntesis indican la posición del evento en §4): glass (revelación de tarjeta de evidencia, A) / pop chip (clic ligero, B; se ha reemplazado la fuente por fav20, un tick brillante y nítido, sustituyendo el antiguo que fue criticado por ser 'crujiente') / tick2 (variante de B, fav33 — para evitar repetición cuando se usa en la misma posición B del mismo segmento) / pop2 (pop suave para la caída de la tarjeta de nombre, G; se ha reemplazado la fuente por fav14, un golpe sordo con volumen) / stamp (golpe de sello, D; como máximo 1 por todo el vídeo) / rise (desplazamiento digital continuo, C; fav29 remasterizado, BASE_VOL reducido individualmente a 0.1) / whoosh (barrido suave de limpieza, F) / shutter (exclusivo para fotografía fija) / bright (línea de resaltado brillante, fav02 — timbre brillante, el único sonido brillante en todo el espectro del vídeo de referencia) / lowthud (impacto físico/colisión, fav13; baja frecuencia y sostenido, reservado para planos de invasión; puede ser demasiado pesado, se ajustará en la revisión final del segmento). Los antiguos pop/pop2 se almacenan en spare/prev-*. trans y ding fueron descartados por decisión del usuario el 20/07/2026 (la posición E se deja en silencio por defecto; la adición formal de fuentes sigue §§1-2). Las copias de seguridad están en public/sfx/spare/. Grupo de aprobación public/sfx/jy-fav/ (el 21/07/2026, el usuario seleccionó 19 de 42 segmentos de la colección de JianYing como aptos para su uso): números fav, hashes y agrupaciones por niveles se encuentran en SOURCES.md dentro del directorio. Todos han pasado la aprobación del usuario. Para reemplazar o añadir fuentes en posiciones B/G/A/E, priorizar la extracción de este grupo. La asignación de roles se realiza durante la revisión final del segmento. Los sonidos en uso para el mismo vídeo siguen la tabla de restricciones A-G (calibración del usuario: los sonidos comunes son solo una docena; los efectos no deben eclipsar el contenido principal). Al cambiar de vídeo, reutilizar esta biblioteca directamente; solo si se necesita un nuevo personaje o una nueva textura se seguirán los pasos 1-3.

1. Selección de Fuente (cuando se necesitan nuevos efectos de sonido)

Prioridad: a. Biblioteca en caché local de JianYing (primera opción indicada por el usuario: ~/Library/Containers/com.lemon.lvpro/Data/Movies/JianyingPro/User Data/Cache/music/ y otros directorios contienen archivos descargados en caché de la biblioteca de efectos de sonido; usar find ... -iname "*.mp3" + ffprobe para filtrar por duración ≤5 s + md5 para deduplicar; los archivos se nombran por hash, sin título, por lo que se necesita el panel de escucha para identificarlos. Para ampliar la biblioteca: el usuario puede reproducir los efectos deseados en JianYing, lo que los almacena en caché; luego, volver a ejecutar el script de escaneo — esta es la acción estándar de 'ampliación de la biblioteca por parte del usuario') → b. @remotion/sfx (los archivos .d.ts contienen la lista de enlaces directos; elementos utilizables: whip/whoosh/switch/mouse-click/page-turn/ding/shutter-modern) → c. Mixkit de uso comercial gratuito (buscar en la página de categorías assets.mixkit.co/active_storage/sfx/<id>/<id>-preview.mp3) → d. Pixabay / kenney.nl CC0 → e. Paquetes comerciales (Artlist/Epidemic). Nota sobre derechos de autor: los términos de los materiales de JianYing limitan nominalmente su uso a la propia aplicación; en el ecosistema de creadores local, el usuario decide bajo su propia responsabilidad. Para distribución comercial externa, priorizar b-e.

2. Panel de Escucha (obligatorio antes de incorporar nuevos efectos de sonido; no se puede omitir)

La IA no tiene capacidad para juzgar la textura de un sonido; solo puede filtrar defectos espectrales graves. Procedimiento: normalizar los candidatos a -3 dB → para cada uno, crear un pequeño segmento de vídeo con fondo negro y una tarjeta de identificación de número y nombre (drawtext) → concatenar todo en un solo vídeo de previsualización y mostrarlo al usuario → solo después de que el usuario indique los números, se permite incorporar los sonidos. Reglas estrictas de concatenación (lecciones del 16/07/2026): ① La duración de cada segmento debe ser fija e igual; para audio apad=whole_dur=2.1,atrim=0:2.1, para vídeo -t 2.1, prohibido usar -shortest (debido a la 'priming' de aac, las duraciones de los segmentos varían ligeramente); ② Para la concatenación, prohibido usar -c copy, es necesario recodificar toda la secuencia; de lo contrario, el audio y el vídeo se desincronizan, y los números de identificación ya no coinciden con los sonidos (el usuario experimentó que con más de 40 segmentos, todos los números estaban desordenados), haciendo que todos los números indicados por el usuario sean inválidos y haya que repetir el trabajo. ③ Antes de entregar, verificar cada segmento de audio (lección del incidente 0715-02: los segmentos 4 y 8 eran silenciosos y se entregaron al usuario como detectores): para el vídeo concatenado, verificar cada segmento con ffmpeg -ss <inicio_segmento> -t <duración_segmento> -af volumedetect; si el max_volume de algún segmento es <-60 dB, está silencioso. Primero, verificar con volumedetect el archivo fuente del segmento (para descartar archivos dañados en la biblioteca, por ejemplo, rise.wav a -91 dB), luego revisar el comando de concatenación, corregirlo y volver a generar. Prohibido entregar al usuario un panel con segmentos silenciosos.

La asignación de texturas de sonido se realiza exclusivamente mediante el panel de escucha, no por inferencia de la IA (consolidado en la revisión final 0715-02): qué sonido asignar a un evento visual lo determina el usuario tras escuchar el panel. La IA no tiene capacidad para juzgar texturas de sonido. En el incidente 0715-02, la IA asignó sonidos incorrectos en 2 ocasiones, y solo se pudo identificar el sonido correcto (stamp) gracias al panel de escucha. Siempre que se trabaje con un vídeo nuevo, o cuando los sonidos existentes no coincidan con los nuevos eventos visuales, se debe crear primero un panel de escucha para que el usuario los asigne. Prohibido que la IA asigne directamente sonidos a los planos.

3. Procesamiento e Incorporación a la Biblioteca

• Normalizar el pico a -3 dBFS (medir max con volumedetect → aplicar volume=(-3-max)dB), 48 kHz, mono.
• Para muestras largas, recortar el inicio: los sonidos de tipo impacto toman los primeros 1.0-1.6 s + afade out.
• Síntesis de rollo continuo (desplazamiento de dígitos / iluminación por lotes): seleccionar un tick de 40 ms + -stream_loop 29 + rampa de volumen volume='0.35+0.65*t/1.2':eval=frame. El 'sonido de desplazamiento' del vídeo de referencia es, en esencia, una serie de ticks, no un riser tonal.
• Nuevo personaje: agregar al tipo unión SfxName en sfx-<nombre_película>.ts y añadir simultáneamente el SfxTrack correspondiente en BASE_VOL.

4. Montaje en la Tabla de Señales (Cues): Sintaxis de Sonido A-G (Descifrado espectral el 16/07/2026 de 11 puntos de anclaje + actualización completa el 21/07/2026 con estadísticas de dos películas [221 eventos medidos]; fuente de verdad = tabla A-G de esta sección + regla 8 de audio.md; evidencia del descifrado: assembly/0715-01/分段工坊/音效设计谱.md + docs/基准片配声谱v2.md)

Tabla de correspondencia evento visual → sonido (consultar tabla por beat, prohibido improvisar):

Evento	Sonido	Archivo en Biblioteca
A: Revelación de tarjeta de evidencia / captura de pantalla	Sonido de cristal (corto, con tono, sensación de interfaz; en el vídeo de referencia, el sonido de revelación es ligeramente sordo con bright -13.5 — no seleccionar el más brillante; los candidatos brillantes fav02/25/19 deben calibrarse antes de su uso)	glass.wav (J08 de JianYing, panel #106)
B: Entrada de chip / elemento pequeño, encendido punto a punto	Tick corto y brillante; para lotes, emitir cada 0.15-0.3 s	pop.wav (reemplazado el 21/07/2026 por fav20); para usos consecutivos en el mismo segmento, usar tick2.wav para evitar repetición
C: Desplazamiento numérico	Tick continuo que cubra todo el período de desplazamiento; no asignar un golpe fuerte al final (sintaxis del vídeo de referencia)	rise.wav (versión de 1.5 s)
D: Caída de sello / sentencia	Golpe corto y sordo, firme sin ser explosivo	stamp.wav (si se considera pesado, reemplazar por spare/1143)
E: Transición de capítulo / entrada de takeover	Riser de flujo de aire largo, solo a nivel de capítulo	trans.wav Descartado el 20/07/2026; en el vídeo de referencia, las 20 transiciones de capítulo/takeover se asignaron todas con un sonido de interruptor corto (decay ≤0.1 s, sin riser de flujo de aire) — para nuevas fuentes, seleccionar sonidos cortos <0.2 s, prohibir riser; mantener silencio por defecto (práctica de la versión final 0715-02, confirmada por el usuario); si es necesario, usar whoosh en modo ligero (vol ≤0.5, el valor práctico de F debe ser un nivel más bajo para asegurar que 'salida es más ligera que entrada'); la adición formal de fuentes sigue §§1-2
F: Limpieza / salida	Barrido suave y en decaimiento, un nivel más ligero que la entrada (vol ≤0.5; 'un nivel más ligero' es una restricción de estilo confirmada por el usuario; en el vídeo de referencia, la salida no es más ligera que la entrada; la diferencia está en una cola de decaimiento ligeramente más larga; al seleccionar, priorizar 'que tenga cola de decaimiento' sobre el volumen bajo)	whoosh.wav
G: Caída de tarjeta de nombre / insignia / chip	Pop suave	pop2.wav (reemplazado el 21/07/2026 por fav14, golpe sordo) o spare/interface-1109

Posiciones de eventos extendidas (pruebas de estrés generalizadas el 18/07/2026; agrupar por cercanía familiar, no añadir nuevas fuentes de sonido): hero / bloqueo de conclusión → posición D en modo ligero (vol ≤0.5, no cuenta para la cuota de stamp pesado); entrada de línea de tiempo / tarjeta de gráfico → A; encendido de nodo de línea de tiempo, crecimiento de barra de datos, dibujo de línea de conexión → B (por lotes, siguiendo la regla de ráfaga); marcador pequeño de sentencia / colocación de ZeroTag → B; línea de resaltado / énfasis → bright.wav (timbre brillante exclusivo, el único sonido brillante en todo el espectro del vídeo de referencia, +3.0); impacto físico / caída / expulsión → lowthud.wav (modo ligero con vol reducido para evitar ser demasiado pesado); zoom punch-in → sonido corto de intensidad media (modo ligero de D o lowthud); micro-capítulo rebajado: para secciones <8 s con división de página, la transición E solo se coloca al principio y al final del grupo completo; entre secciones, usar B en su lugar (para evitar que los sonidos de transición se vuelvan molestos por repetición; actualmente, la posición E usa whoosh temporalmente, ver §0).

Correspondencia del grupo de aprobación (clasificación por características medida el 21/07/2026; las selecciones principales se han incorporado a la biblioteca el mismo día, ver §0; la calibración final de la percepción auditiva se realizará en la revisión final del segmento): Ya incorporados: pop←fav20, pop2←fav14, tick2←fav33, bright←fav02, lowthud←fav13. Aún en el grupo como alternativas: B alternativas fav27/24, G alternativas fav11/06, A alternativas fav25/19 (timbre brillante, para usar si bright es demasiado brillante), F alternativa fav16 (sonido de respiración muy ligero), D modo ligero alternativa fav05, física alternativa fav08, candidatos para posición E fav17/00 (por defecto, silencio). En la revisión final del segmento, si un sonido no gusta, se reemplaza por otro del grupo; se tarda 1 minuto en obtener una nueva versión.

Seleccionar sonido primero por familia semántica (regla establecida el 21/07/2026, para evitar 'elegir el que suene mejor'): timbre brillante = resaltado / énfasis, el espectador debe mirar aquí (en el vídeo de referencia, el único sonido brillante es la línea de resaltado +3.0; la revelación de la tarjeta de evidencia es sorda -13.5, pertenece a la familia sorda-corta, y se asigna a glass en modo medio); clic seco = colocación de elementos pequeños / encendido puntual (sensación de avance); pop suave = colocación de identidad / conclusión (sensación de peso); baja frecuencia = acción física de golpe / caída / compresión (sensación de causalidad); sonido de respiración = salida (sensación de recogida). El evento visual pertenece a una familia semántica; el sonido debe extraerse de esa familia. Si no hay correspondencia familiar, es mejor no emitir sonido.

Tres meta-reglas (más importantes que el timbre; causa raíz del fracaso de la v6): ① El timbre debe formar un conjunto: todo el vídeo debe usar una familia de sonidos de interfaz de usuario; prohibido mezclar estilos de fotografía, oficina o cine. ② Volumen contenido: ningún sonido debe superar a la voz humana; confiar en la densidad, no en el volumen (en el vídeo de referencia, la densidad es de 4-5 s por emisión; '2-3 s por emisión' es el ritmo de segmentos densos, no la media general; ver el espectro de sonido v2). ③ Un evento, un sonido: no apilar dos sonidos; si dos eventos ocurren en el mismo beat, separarlos por ≥0.1 s.

Regla general para la introducción / sonido de apertura (respuesta a la pregunta ⑩ '¿La introducción debe tener efectos de sonido?'): la introducción no es una excepción a la regla '¿tiene o no efectos de sonido?'. Sigue la misma regla general: 'los elementos principales tienen sonido + tabla A-G'. El elemento visual principal de la introducción debe sonar si corresponde: tipografía grande con tecleo = tick (B) letra por letra, número de impacto = desplazamiento C, revelación de tarjeta de evidencia = A, entrada de capítulo/takeover = E. Lo que se rechaza es el 'sonido decorativo de arranque sin ancla visual' (whoosh / susurro de apertura, sonido de relleno para crear ambiente) — no corresponde a ningún evento visual, es ruido puro fuera de las meta-reglas ①②. Criterio: cada sonido de la introducción debe estar asociado a un elemento principal que se esté materializando; si no hay asociación, no se coloca sonido, no se fuerza solo porque 'la introducción necesita sonido'.

Ya rechazado: whoosh de apertura (susurro decorativo, ver regla general arriba), golpe fuerte al final de un número, martilleo excesivo (la antigua línea ≤2 por película, a partir del 21/07/2026 se restringe a sonidos de tipo 'clic' a ≤1 por película completa, línea dura en §4.4; en el vídeo de referencia, el sello aparece 1/2 veces, perfil de sonido = el más sordo de todo el espectro bright -18.4 + el rise más pesado hasta 30 dB, confirmando 'sordo no explosivo'), BGM (en el vídeo de referencia, sí hay: cama de baja frecuencia continua, constante al principio/medio/final, estimado a ≤-15 dB relativo a la voz — la ausencia de BGM es una diferencia de estilo decidida por el usuario, no una sintaxis del vídeo de referencia. Si se quiere reconsiderar, el punto de partida es una cama constante de -15 dB), trans riser de capítulo y ding de cierre (descartados por decisión del usuario el 20/07/2026, ver §0).

4.4 Puerta de Auditoría de Efectos de Sonido de Todo el Vídeo (consolidado en la revisión final 0715-02: después de montar las señales, es obligatorio ejecutar la auditoría; si se supera el límite, modificar y volver a renderizar)

• Densidad: Límite inferior duro de ≥2.5 s por emisión (incidente: 1.95 s/emisión fue rechazado en la revisión final por ser 'demasiado ruidoso'); objetivo: 3.5-5 s por emisión (en el vídeo de referencia, v5=5.0/v6=4.0; en la versión 0715-02 se redujo a 3.05 s y aún se consideró denso, no es el punto final). El silencio también es sintaxis: tener 20-30 s continuos sin señales es normal (el silencio máximo medido fue de 28.7 s); en segmentos de solo diálogo, prohibido añadir sonidos para aumentar la densidad. La densidad se logra mediante ventanas de 30 s que crean ondas (ventana densa: 9-14 emisiones vs. ventana dispersa: 2-3 emisiones), no mediante una distribución uniforme. El criterio de cobertura tiene prioridad sobre la media de densidad (revisión final 0721-01 del 21/07/2026): la versión final tenía 42 emisiones en 3.02 s/emisión (por debajo del antiguo límite inferior objetivo), pero el usuario aun así señaló que 'faltan efectos de sonido en muchos planos de gráficos en movimiento' (MG). Que la media de densidad cumpla no significa que la cobertura sea suficiente. La auditoría debe basarse en 'si cada elemento principal de los MG tiene sonido al materializarse, o hay una razón explícita para no tenerlo (solo diálogo, entrada de takeover, familia semántica no coincidente)'. El objetivo de 3.5-5 se convierte en una línea de referencia para evitar ruido; si la cobertura lo requiere, se permite estar por debajo de 3.5 sin modificar (en la versión 0721-01, la limitación de solo 7 sonidos en uso era la causa principal de la falta de cobertura; la ampliación de la biblioteca ya está en marcha, ver la línea de tensión más abajo).
• Proporción de un solo sonido ≤35% (incidente: pop 114/220 = 52%, la sensación era 'disparo continuo de obturador de cámara' — los ticks cortos en ráfaga son la fuente de esa sensación). En el vídeo de referencia, la familia de clics secos midió exactamente el 35% (78/221); esta línea coincide con la medición real y es un límite duro que no se debe flexibilizar.
• Iluminación por lotes: por defecto, contar solo 1 emisión por grupo completo; las ráfagas de 0.15-0.3 s solo se usan para un máximo de 4 elementos con stagger semántico, reemplazando la antigua regla de 'ráfaga por lotes' de la posición B de §4.
• BASE_VOL de referencia ≈0.25 (0.2-0.3), límite superior para golpes pesados: 0.55 — el usuario decidió el 21/07/2026 que 'el volumen básico de los efectos de sonido debe ser alrededor de -15 dB': pico de biblioteca -3 dBFS × 0.25 ≈ pico efectivo -15 dBFS (reemplazando el rango de 0.3-0.55 del 20/07/2026; más atrás, 0.8-1.0 era la versión antigua considerada 'demasiado alta', no revertir).
• Usar el sonido de sello (stamp) con moderación (consolidado en la revisión final 0715-02): el usuario percibió el stamp repetido como 'chasquido de cámara al hacer fotos' — no es necesario asignar stamp a cada sentencia/nombre de tipo/sello verde; dejar que la parte visual cree el silencio. Se recomienda que el stamp total (incluidos los golpes pesados) sea ≤ de un solo dígito. Esto se suma a la regla de 'golpe pesado ≤2 por película': el golpe pesado es un subconjunto más fuerte del stamp; primero limitar el golpe pesado a ≤2, luego limitar el total del sonido stamp a ≤ un solo dígito.
• Sonidos de tipo 'clic' (stamp/shutter) ≤1 por película completa (decisión del usuario el 21/07/2026 en la revisión 0721-01, reforzando la regla anterior de stamp ≤ dígito único): el usuario es muy sensible a la percepción del 'clic' (stamp/shutter); si las sentencias se marcan todas con clic, suena a 'fotos en ráfaga' y es estridente. Solo se permite 1 stamp de golpe pesado en el clímax de toda la película; el resto de sentencias/conclusiones deben usar sonidos suaves (pop2 pop suave / rise de crecimiento). No marcar cada sentencia con un sello.
• Los sonidos emblemáticos (rise de crecimiento) también deben usarse con moderación, y evitar aún más la acumulación local (lección de la versión 0721-01): rise ≤4-5 por película completa y prohibido tener ≥2 emisiones en una ventana de 30 s (en la primera versión de 0721-01, rise aparecía 10 veces, con 4 acumuladas entre los segundos 111-122, y el usuario las consideró 'el mismo efecto de sonido aparece repetidamente' — incluso con un 22% de un solo sonido, que no superaba el 35%, seguía siendo demasiado; la acumulación local es más crítica que la proporción global). Para animaciones de crecimiento adyacentes, solo seleccionar el beat más emblemático para rise; el resto dejar en silencio o cambiar a pop.
• Los sonidos de tipo tick continuo (rise) deben tener BASE_VOL aún más bajo: rise es ~1.2 s de ticks continuos, su sonoridad acumulada es mucho mayor que la de un solo pop/pop2. Aunque el pico sea el mismo -3 dB, la percepción es 'más fuerte'. El usuario decidió en la versión 0721-01 que rise se reduzca individualmente a 0.1 (un nivel por debajo del 0.25 habitual). Todos los sonidos continuos/sostenidos deben ser un nivel más bajos que los de una sola emisión.
• Tensión entre la cobertura de sonido en gráficos en movimiento (MG) y el tamaño de la biblioteca de sonidos (pendiente desde la versión 0721-01, se necesita ampliar la biblioteca): el usuario quiere 'que cada MG tenga sonido', pero si la biblioteca solo tiene 7 sonidos, forzar la cobertura = usar repetidamente los mismos sonidos → resulta ruidoso y repetitivo (esa es la raíz de por qué los 'clics' y 'rises' fueron criticados como excesivos). Cobertura y 'sin ruido ni repetición' son contradictorios con una biblioteca pequeña. La solución definitiva es ampliar la biblioteca. El 21/07/2026 ya se ha realizado: se incorporaron 3 nuevos personajes del grupo de aprobación (tick2/bright/lowthud) + se reemplazaron las fuentes de B/G, resultando en 10 sonidos en uso (§0). Si aún se considera monótono, se pueden extraer más del grupo (19 elementos ya han pasado la aprobación del usuario, con tabla de correspondencia en SOURCES.md) o el usuario puede añadir más mediante la función de colección.
• Acción de auditoría: grep -c para contar el total de señales y la distribución por sonido; si alguna línea se supera, primero recortar las posiciones por lotes, luego reducir la proporción; el sonido stamp se cuenta por separado; si supera un solo dígito, se modifica.

4.5 Bucle Cerrado Automatizado (decisión del usuario: a partir de ahora, no se ajustará el sonido versión por versión)

El usuario solo interviene en dos puntos; el resto es completamente automático:

1. Biblioteca definitiva única (ya en proceso): escaneo/selección de fuentes → panel de escucha general → el usuario informa los números → asignación de roles según sintaxis A-G → biblioteca permanente public/sfx/ finalizada. A partir de entonces, al cambiar de vídeo, no se vuelven a seleccionar efectos de sonido.
2. Revisión final del segmento: escuchar el segmento completo; si se informa de un punto temporal, se reemplaza el sonido (volver a la biblioteca/spare y cambiar la fuente; en 1 minuto se obtiene una nueva versión). La versión final del segmento siempre se entrega con efectos de sonido: las señales se montan automáticamente; no se permite una versión intermedia sin efectos de sonido que luego se tenga que volver a renderizar (lección del 0715-02: se renderizaron tres segmentos dos veces, desperdiciando un ciclo de renderizado). En el medio, cero intervención humana: durante el montaje de cada segmento, asignar automáticamente las señales según 'tipo de componente → tipo de evento → tabla A-G': Chip/Rejilla de puntos = B, QuoteDoc/ShotCard de revelación = A, Stamp = D, BigNumber de desplazamiento = C, Takeover / inicio de capítulo = E, limpieza de salida = F, tarjeta de nombre/insignia = G. La posición at de la señal se calcula directamente a partir del enterAt del elemento, convertido a segundos. El borrador de la tabla de señales ya está scripteado: node scripts/beat-to-cues.mjs <nombre_película> genera mecánicamente el borrador de sfx-<nombre_película>.ts a partir del esquema de montaje (incluye un informe de preauditoría de §4.4; si se supera una línea, se marca en rojo y no se elimina automáticamente). El diseñador de sonido solo revisa, no escribe. La tabla de correspondencia dentro del script es una copia de esta sección; los cambios en las reglas prevalecen según este SKILL. Prohibido buscar nuevos efectos de sonido temporalmente para un solo segmento (si falta un personaje, seguir el proceso de §§1-2 para ampliar la biblioteca).

5. Verificación Cuantitativa (obligatorio ejecutar después del renderizado del segmento)

• Para cada punto de señal, usar ffmpeg -ss <t> -t 0.5 -af volumedetect. El pico en todo el espectro debe ser significativamente más alto que en las ventanas de solo voz cercanas. Para sonidos brillantes, medir adicionalmente con highpass=f=8000: debe ser ≥ línea base de sibilancia de la voz +6 dB (este umbral está pendiente de recalibración a partir del 20/07/2026; después de reducir BASE_VOL, la verificación se basará en que la señal sea claramente audible y en la revisión final del usuario; no subir el volumen para alcanzar el dB; ver regla 1 de audio.md).
• Conteo de eventos audibles: highpass=f=12000,silencedetect=noise=-25dB, el número de eventos debe ser aproximadamente igual al número de señales.
• Picos falsos: los golpes de voz y los golpes de bombo en BGM también pueden generar picos (en el descifrado de dos películas, se descartaron 39% de 360 candidatos); los chasquidos de dedos y palmadas pueden alcanzar hasta 40 dB como rise. Al verificar puntos de señal, primero descartar los picos de sonido corporal; no tomarlos como referencia para los efectos de sonido.
• El criterio final es el oído del usuario: entregar el segmento completo al usuario para que lo escuche; si informa de un punto temporal, ir al panel de escucha/cambiar la fuente de repuesto. En 1 minuto se obtiene una nueva versión.