Communitygithub.com

video-to-shorts

Convierte videos largos de entrevistas, charlas o seminarios web en clips verticales de 20 a 60 segundos para YouTube Shorts, Reels o TikToks, con gancho, corte limpio por frases completas, subtítulos y herramientas gratuitas (faster-whisper y ffmpeg).

¿Qué es video-to-shorts?

Este skill para agentes AI permite transformar cualquier video largo de una persona hablando (entrevistas, seminarios web, clases) en clips cortos verticales (1080×1920) listos para YouTube Shorts, Instagram Reels o TikTok. El agente transcribe el video con faster-whisper obteniendo marcas de tiempo por palabra, identifica la frase más potente (el gancho) y corta el video respetando frases completas, sin mezclar oraciones. Luego recorta a formato vertical, genera subtítulos con formato SRT, los incrusta en el video y ajusta el volumen a -14 LUFS. Finalmente verifica que el primer segundo sea habla sin silencio, que no se corten palabras y que los subtítulos coincidan con el audio. El skill se apoya exclusivamente en herramientas gratuitas (faster-whisper y ffmpeg) y sigue reglas estrictas para no alterar el mensaje del hablante, reordenando solo frases completas. Es ideal para creadores de contenido que necesitan extraer múltiples clips cortos de un video largo de forma rápida y fiable.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/coding-island-js/keepaisharp-skills/tree/main/skills/video-to-shorts

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Convierte mi video largo en Shorts

Tienes un video largo de alguien hablando. Este skill lo corta en clips verticales de 20 a 60 segundos que comienzan con la mejor frase, nunca se detienen a media oración y tienen subtítulos. Usa dos herramientas gratuitas: faster-whisper (convierte el habla en texto con la hora de cada palabra) y ffmpeg (corta, recorta y añade subtítulos). Cada comando a continuación es un ejemplo. Cambia los nombres de archivo, tiempos y tamaños para adaptarlos al video.

Paso 1. Obtén una transcripción con la hora de cada palabra

Instala una vez: pip install faster-whisper, e instala ffmpeg desde ffmpeg.org.

Ejemplo (Python):

from faster_whisper import WhisperModel
model = WhisperModel("large-v3", device="auto")   # usa "small" en una laptop sin GPU
segments, _ = model.transcribe("talk.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
with open("words.txt", "w", encoding="utf-8") as f:
    for seg in segments:
        f.write(f"[{seg.start:.2f}-{seg.end:.2f}] {seg.text.strip()}\n")
        f.write("    " + " ".join(f"{w.word.strip()}@{w.start:.2f}" for w in seg.words) + "\n")

Cada línea de words.txt es un fragmento de habla con su hora de inicio y fin. Debajo está cada palabra con el segundo en que comienza ([email protected]). Corta según las horas de las palabras: un fragmento a menudo termina en medio de una oración.

condition_on_previous_text=False evita que el modelo repita la misma línea una y otra vez en archivos largos. En algunos archivos también hace que large-v3 pierda toda la puntuación y las mayúsculas. El breve initial_prompt, escrito con puntuación normal, las recupera, y necesitas los puntos para ver dónde terminan las oraciones.

Paso 2. Elige el clip, el gancho primero

Lee la transcripción. Busca un fragmento que tenga un punto, un ejemplo y un cierre. Luego:

  1. El gancho. La frase o dos más potentes, las que tienen sentido sin contexto previo ("La mayoría de la gente cobra por hora, y por eso se queda sin dinero."). El Short comienza con estas palabras, incluso si aparecen tarde en el fragmento. El primer segundo del Short es habla, no silencio ni un logotipo.
  2. El desarrollo. El ejemplo o historia que respalda el gancho.
  3. El cierre. La conclusión o el consejo. Si el clip no lo tiene, toma la frase de respuesta de otra parte del mismo video.

Escribe el clip como una lista de horas de inicio y fin. Cada pieza comienza en la primera palabra de una oración y termina después de la última palabra de una oración. Mover oraciones completas está bien. Nunca juntes media oración con otra para hacer que el hablante diga algo que no dijo. Duración total: de 20 a 60 segundos.

Paso 3. Corta las piezas y únelas

Deja aproximadamente 0.1 segundos antes de la primera palabra y 0.2 segundos después de la última, para que ninguna palabra se corte.

Ejemplo (un comando por pieza; -t es la duración en segundos):

ffmpeg -ss 312.30 -i talk.mp4 -t 7.40 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece1.mp4
ffmpeg -ss 95.10 -i talk.mp4 -t 21.60 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece2.mp4
printf "file 'piece1.mp4'\nfile 'piece2.mp4'\n" > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy joined.mp4

Paso 4. Hazlo vertical, 1080×1920

Para un video de 1920×1080, recorta una ventana de 608×1080 alrededor del hablante y escálala. El último número en crop es la distancia desde el borde izquierdo donde comienza la ventana. Encuentra la posición del hablante en un fotograma fijo y ajústala para que la cara quede en el centro.

Ejemplo (ventana centrada):

ffmpeg -i joined.mp4 -vf "crop=608:1080:656:0,scale=1080:1920" -c:v libx264 -crf 18 -c:a copy vertical.mp4

Paso 5. Añade subtítulos

Transcribe de nuevo el clip unido (Paso 1, sobre vertical.mp4) para que los tiempos de los subtítulos coincidan con el nuevo clip. Escribe subtítulos cortos, de tres a cinco palabras cada uno, en un archivo .srt:

segments, _ = model.transcribe("vertical.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
words = [w for s in segments for w in s.words]
t = lambda x: f"{int(x//3600):02}:{int(x%3600//60):02}:{int(x%60):02},{int(x*1000%1000):03}"
chunks, chunk = [], []
for w in words:                      # hasta 4 palabras, y un nuevo subtítulo después de cada punto
    chunk.append(w)
    if len(chunk) == 4 or w.word.strip().endswith((".", "?", "!")):
        chunks.append(chunk)
        chunk = []
if chunk:
    chunks.append(chunk)
with open("captions.srt", "w", encoding="utf-8") as f:
    for n, c in enumerate(chunks, 1):
        text = "".join(w.word for w in c).strip()
        f.write(f"{n}\n{t(c[0].start)} --> {t(c[-1].end)}\n{text}\n\n")

Corrige manualmente cualquier nombre o palabra malinterpretado en captions.srt. Luego incrusta los subtítulos y ajusta el volumen al nivel que esperan las aplicaciones (aproximadamente -14 LUFS):

ffmpeg -i vertical.mp4 -vf "subtitles=captions.srt:force_style='FontSize=16,Bold=1,Outline=2,Alignment=2,MarginV=70'" -af "loudnorm=I=-14:TP=-1.5" -c:v libx264 -crf 18 -c:a aac short.mp4

Ejecuta esto desde la carpeta que contiene captions.srt y usa el nombre de archivo simple. En Windows, una ruta completa como C:\clips\captions.srt rompe el filtro subtitles, porque ffmpeg lee los dos puntos como el inicio de una opción.

Mantén los subtítulos en la parte media inferior, fuera de la cara y de los botones de la aplicación en el borde derecho.

Paso 6. Revísalo, de principio a fin

Mira el Short completo una vez, con sonido, como lo haría un espectador. Luego verifica cada línea:

  • El primer segundo es habla. Ejemplo: ffmpeg -i short.mp4 -t 2 -af silencedetect=noise=-35dB:d=0.3 -f null - no debe reportar silencio comenzando en 0.
  • Ninguna palabra se corta al inicio o al final de cualquier pieza.
  • Los subtítulos coinciden con el audio, palabra por palabra, y ningún subtítulo se superpone a la cara.
  • Nada importante se recorta: la cara, una mano señalando algo, texto en una diapositiva.
  • La duración es de 20 a 60 segundos. Ejemplo: ffprobe -v error -show_entries format=duration -of csv=p=0 short.mp4
  • Una hoja de contactos para ver el encuadre de un vistazo. Ejemplo: ffmpeg -i short.mp4 -vf "fps=1/5,scale=270:-1,tile=4x2" -frames:v 1 sheet.png

Si algo falla, corrige ese paso y vuelve a construir.

Paso 7. Elige el título y la portada antes de publicar

  • Título: el gancho en pocas palabras, como lo buscaría un espectador. Menos de 60 caracteres.
  • Portada: un fotograma donde la cara del hablante esté clara y la boca cerrada, más el gancho en texto grande. Comprueba también cómo se ve recortado en cuadrado y 3:4, ya que algunas aplicaciones lo muestran así en la cuadrícula del perfil.
  • Muestra al usuario el Short, el título y la portada. Nunca publiques nada sin la aprobación del usuario.

Reglas

  • Nunca hagas que el hablante diga algo que no dijo. Solo reordena oraciones completas.
  • Si el hablante dice algo incorrecto, mantenlo tal cual y comunícalo al usuario. No lo corrijas silenciosamente en los subtítulos.
  • Si el hablante dice que un ejemplo es inventado, el Short lo conserva o añade "Ejemplo inventado" en pantalla.

Ejemplo

El usuario comparte webinar.mp4, una charla de 50 minutos de una contadora llamada Jo Park. (Jo y las líneas siguientes son inventadas.)

En el minuto 18:42 Jo dice: "La mayoría de las pequeñas empresas se enteran de que se quedaron sin dinero a través de su banco, no de sus libros." Ese es el gancho. De 17:55 a 18:20 cuenta una historia sobre una panadería que no pudo pagar la nómina. En 19:05 da la solución: "Revisa un número cada lunes: el efectivo en el banco menos las facturas a pagar en los próximos 30 días."

El agente corta tres piezas en este orden: gancho 18:42 (6 s), historia 17:55 (25 s), solución 19:05 (9 s). Eso son 40 segundos. Recorta a Jo en el centro de un fotograma 1080×1920, añade subtítulos y verifica cada línea en el Paso 6. Título: "Tu banco sabe que estás en quiebra antes que tú." Portada: Jo mirando a la cámara, con las palabras "Revisa esto cada lunes".

Skills relacionados