Kısa Video Kural Kitabı

Kitap de Reglas para Video Corto

Este archivo toma decisiones de una vez, con su justificación. En lugar de volver a pensar las reglas para cada video, léelo y actualízalo con los comentarios del usuario. Los números provienen de la medición de 52 videos virales cortos publicados en los últimos 12 meses (en turco e inglés, predominantemente de personas hablando) y de 12 videos tutoriales de edición. Una regla que dice "medido" es una medición; una regla que dice "de los tutoriales" es una afirmación compartida por al menos 3 instructores.

El director creativo es el usuario. Antes de establecer el primer montaje, propón la estrategia en un lenguaje sencillo (qué tomas, hook, énfasis, estilo) y espera la aprobación. La puntuación que tú des no significa "terminado"; pregunta la puntuación del usuario.

Flujo de trabajo (cabeza parlante)

1. Lee el material: extrae una transcripción con tiempos de palabra (ej. whisper.cpp -ojf o WhisperX). Prepara una vista de texto comprimida que muestre las oraciones y las pausas.
2. Mira solo donde la decisión es difícil: tomas repetidas, una pausa larga, un punto de corte. En lugar de ver el video de principio a fin, examina unos pocos fotogramas de ese intervalo y los tiempos de las palabras.
3. Escribe un brief: qué tomas, qué línea es impactante, qué palabras llevan énfasis. El resto es trabajo mecánico.
4. Edita: con tu propia herramienta (NLE, ffmpeg, Remotion, HyperFrames, CapCut…). Nunca escribas sobre los archivos fuente; coloca las salidas en una carpeta separada.
5. Mide y corrige: compara el render con referencias del mismo tipo (frecuencia de corte, altura de subtítulo, nivel de sonido). Corrige primero la diferencia más costosa, como máximo 3 rondas; luego di claramente lo que queda.

Selección de toma (trabajo del director; el código solo lo concreta)

• Selecciona a partir de la transcripción, no avanzando y retrocediendo el video. La mejor toma para cada oración = la fluida, la mayoría de las veces el siguiente intento. Elimina los "eeeh", los comienzos a medias y las palabras repetidas.
• Los cortes se ajustan a la palabra: ~0,12 s antes de la primera palabra, ~0,25 s después de la última palabra; nunca entres dentro de una palabra vecina. Dos piezas cortadas del mismo flujo se encuentran en medio del espacio.
• Marca la línea que dice el punto principal como impactante (el encuadre más ajustado, si hay un golpe de sonido).
• La longitud la determina el material: las referencias de cabeza parlante duran entre 20 y 150 s, mediana 67 s (medido).

Hook (primeros 3 segundos)

• El habla y los subtítulos comienzan desde el primer fotograma; no hay plano de apertura silencioso. El primer corte dura ~1–3 s.
• En segmentos de entrevista, un cuadro de pregunta/título fijo funciona bien en los primeros segundos. Desaparece antes de que entre otra cosa.
• Medido: la herramienta de hook más común es este título. Está presente en 6 de 14 cabezas parlantes (cuadro rojo con letras mayúsculas blancas grandes durante 6–12 s, o texto en formato de oración, pastilla blanca, o título a lo largo del video).
• Medido: en videos turcos, la mediana del primer corte es de 3,6 s, no hay cortes dentro del hook. El hook turco lo lleva el título, no el corte.
• De los tutoriales: en los primeros 3 segundos, el espectador recibe simultáneamente movimiento (un empujón, un elemento que encaja, una acción física), sonido y la frase de hook en pantalla. La frase de hook se dirige al espectador o da una afirmación/número concreto e implica un resultado. Después del hook, el tempo se mantiene constante; no debe haber una sección donde el montaje se vuelva repentinamente escaso.

Subtítulos y énfasis

• 1–3 palabras por celda. Divide en signos de puntuación y pausas ≥ 0,3 s; nunca cruces un corte. Que no haya celdas de menos de 0,35 s (absorbe la siguiente palabra). En espacios ≤ 0,25 s, que el texto permanezca en pantalla (que no parpadee).
• El subtítulo es la transcripción: nunca escribas lo que no se dice. Solo corrige errores de reconocimiento.
• El énfasis se elige según el SIGNIFICADO (número, ganancia, nombre), no según un ritmo. No es una sola palabra, sino toda la expresión. Máximo: aproximadamente 1 énfasis cada 6–8 segundos.
• Medido: los buenos creadores recolorean la palabra clave DENTRO del subtítulo fluido, del mismo tamaño (amarillo/verde). Solo las cantidades de dinero crecen, aproximadamente 1,2–1,4 veces. Una celda de énfasis separada y 1,5 veces más grande sigue siendo más grande que todas las referencias: úsala raramente, resérvala para los números.
• Apariencia: sans-serif gruesa y sencilla; texto blanco, contorno negro + sombra suave, corte duro. Énfasis: más grueso, amarillo cálido, un solo "pop" que retrocede. Sin brillo de color.
• Elige fuentes con licencia abierta (OFL): como Montserrat, Inter, Poppins, Figtree.
• Altura (desde la parte superior del cuadro, 0 = arriba, 1 = abajo): centro del rostro + 0,26, comprimido entre 0,45–0,70. Medido: Hormozi 0,50; creadores turcos ~0,67, cabezas parlantes en inglés 0,56, videos de narración con B-roll 0,72–0,78.
• El estilo de subtítulo se adapta al estilo del video. Expertos tranquilos: formato de oración, 2 líneas de 4–6 palabras, sombra suave o pastilla blanca. Alta energía: 1–4 palabras gruesas. Videos de narración: más pequeños, con fuente estrecha, más abajo en el cuadro. En las referencias, la altura de línea es de 0,023–0,04 del cuadro.
• De los tutoriales: máximo 3 palabras, en la parte central-inferior del cuadro (ojos en el tercio superior), sin sonido en cada subtítulo, sin palabras de relleno. Colorea las palabras clave según el significado (muchos editores: verde = positivo, rojo = negativo, amarillo = otro).

Encuadre

• Reencuadrar en el corte es una elección de ESTILO, no una regla. Medido: en 8 cabezas parlantes turcas y en videos de expertos tranquilos con una sola cámara, el 0% de los cortes se reencuadran; en montajes en inglés/alta energía, el 71–75% (Hormozi 0,90).
• Kit de alta energía: cada corte viene con un cambio visible de encuadre: alternancia de ancho 1,0 / ajustado 1,28, línea impactante 1,38. Un cambio de 1,1 no se nota. Centro del zoom = rostro. En los 4–5 planos más largos, un empuje lento (×1,08).
• Kit de experto tranquilo: encuadre fijo, jump cut sin reencuadre (o corte ancho/ajustado con dos cámaras), como máximo un empuje lento en planos largos (×1,03–1,05).
• Texto detrás del que habla (con máscara de persona / segmentación): 1–2 veces en el video, solo para una palabra de énfasis grande que entre en el espacio vacío de la pared. Mantén las ventanas de máscara cortas (≤ 12 s).
• De los tutoriales: nada aparece de repente. Cada elemento entra con movimiento: entrada rápida / salida lenta, una pequeña elevación + aparición + de borroso a nítido. Las fotos o capturas de pantalla se colocan en el encuadre. En planos fijos, un empuje lento del 3–10%.
• De los tutoriales (seguimiento ocular): a lo largo del corte, el punto de enfoque (rostro, tarjeta más nueva, palabra clave) debe permanecer dentro del ~10% de su ubicación anterior, especialmente en el hook. Solo rompe la regla a propósito.

Sonido

• Primero el sonido (habla). Los efectos solo están vinculados a algo visible (un corte, un énfasis que encaja).
• El efecto en el corte depende del estilo. Medido (con separación de stems): 8 de 14 buenas cabezas parlantes NO ponen ningún efecto en los cortes (Hormozi: 12%, nivel de azar 21%). Los videos de narración sin rostro y con B-roll ponen whoosh/golpe en el 20–80% de los cambios visuales (muy por encima del azar). Los creadores de alta energía vinculan el sonido a eventos gráficos, no al corte (contador, elemento que se coloca en una clasificación). Nota: en el sonido mezclado, los aumentos repentinos ocurren ya ~4 veces por segundo en el habla; para contar efectos, mide el stem separado, no el sonido mezclado.
• Sonido de golpe en el énfasis solo en el kit de alta energía.
• Niveles, según el pico p95 del habla: interfaz/pop −14 dB, whoosh −12 dB, golpe −8 dB, sonido meme −3 dB. Los sonidos ascendentes sitúan su pico en el corte; los golpes, su inicio en el corte. Máximo 4,5 efectos en 10 segundos, con ≥ 0,25 s entre ellos.
• El sonido meme nunca se superpone a una palabra.
• Entrega: −14 LUFS, pico real ≤ −1 dBTP (mide, no adivines).
• Música. Medido: en 7 de las 14 buenas cabezas parlantes NO hay cama de música. En las que la tienen, la música está aproximadamente 16 LU por debajo del habla (mediana, integrada); las camas de alta energía están más cálidas (10–12 LU por debajo), los videos de narración están 16–22 LU por debajo. Ofrece la versión sin música como una opción real, no como un respaldo.
• De los tutoriales: en un movimiento grande (zoom, desplazamiento, whip, cambio de escena), el PICO del efecto se asienta en el pico del movimiento. Los sonidos ligeros de clic/interfaz acompañan a los pops de texto e iconos. Riser solo si realmente viene una apertura (introducción al resultado), un golpe justo después de la línea clave. Si se usa con moderación, conserva su significado. La música tiene una función: se sitúa 15–25 dB por debajo del habla, sube en el punto de inflexión (problema → solución) y baja para anunciar el final.

Finales y transiciones (retroalimentación de campo)

• Terminar mientras el que habla continúa ("por eso", "porque", siguiente palabra < 0,7 s después): extiende hasta el final del pensamiento. La última pieza se funde a negro en 0,6 s con imagen + sonido.
• Sonido de transición: un whoosh suave, baja frecuencia, sin ataque duro, −18 dB respecto al habla.
• Divide los planos largos en segmentos con jump-zoom en los espacios de palabras (≤ 4,2 s, ≤ 2,6 s en el hook); nunca dividas dentro de una frase de énfasis. Estos cortes no llevan whoosh.
• De los tutoriales: transiciones grandes solo en momentos grandes (cambio de sección o ubicación). En cualquier otro lugar, corte directo + sonido J/L.

Intensidad

• El montaje apoya al contenido, no es la estrella. Una conversación tranquila o personal recibe menos cortes y efectos; no cortes por cortar. Un plano interesante puede durar mucho.
• La frecuencia de corte es específica del género: los videos cortos de un solo plano con gráficos intensos (MrBeast, Zach King) ganan casi sin cortes. Compara solo con el mismo género.
• Los agentes de IA cortan poco y afirman mucho: di claramente lo que no está verificado.

Prohibiciones

• Corte dentro de una palabra; subtítulo superpuesto sobre el rostro o el tema; subtítulo que cruza el corte.
• Whoosh en cada corte; efecto más alto que el habla (excepto un sonido meme consciente).
• Texto de marcador de posición que se queda en la plantilla ("Introduce tu texto aquí"): rellénalo siempre y vuelve a leerlo.
• Brillo de color en el texto; texto que aún está en pantalla cuando llega la siguiente escena.
• Poner una imagen o sonido de una referencia en el montaje (las referencias son solo para medición).

Kits de estilo (resumen)

Kit	Reencuadre en corte	Efecto en corte	Subtítulo	Música
Experto tranquilo	no (o dos cámaras)	no	formato de oración, 2 líneas, 4–6 palabras	no o ~16 LU por debajo
Alta energía	1,0 / 1,28 en cada corte, impactante 1,38	vinculado a eventos gráficos, golpe en énfasis	1–4 palabras gruesas, números crecen	10–12 LU por debajo
Narración con B-roll	—	20–80% de cambios visuales	pequeño, estrecho, abajo (0,72–0,78)	16–22 LU por debajo
Cabeza parlante turca	no	no	altura ~0,67, hook con cuadro de título	casi siempre no