Vídeo de lanzamiento
Un pipeline que convierte hechos del producto + una locución en un MP4 terminado. Cada fotograma es una función pura del tiempo (renderFrame(t) en film/film.js), por lo que las imágenes fijas, las vistas previas y la renderización final siempre coinciden, y cada pie/corte está impulsado por una tabla de palabras medida.
Los scripts viven en scripts/ junto a este archivo (llámalo <skill>). No tienen dependencias npm: necesitan Node 20+, ffmpeg/ffprobe en el PATH y cualquier Chromium (Playwright's chromium-headless-shell se encuentra automáticamente; de lo contrario, establece CHROME=). Trabaja en una carpeta de proyecto nueva, por ejemplo ~/<producto>-lanzamiento/, y ejecuta cada script desde dentro de ella.
0. Hechos primero — lo que el vídeo puede afirmar
Lee el producto real antes de escribir una palabra: su página de inicio, su documentación/README, su código fuente de interfaz de usuario, un vídeo introductorio existente (captura fotogramas con ffmpeg). Las funciones en el guion y la interfaz de usuario en las escenas deben ser cosas que el producto realmente haga, escritas con las palabras que usan sus usuarios. El público importa: para dueños de tiendas / compradores no técnicos, usa oraciones cortas y cotidianas, sin jerga.
Higiene de marca, aprendida por las malas:
- Si el nombre del producto contiene la marca de otra persona (por ejemplo, una herramienta para Zalo/Shopee/Notion) y no está afiliada oficialmente, no uses el logotipo ni el color distintivo de esa marca; escribe el nombre como texto.
- Las carpetas de origen suelen ser bifurcaciones de un proyecto de cliente anterior. Busca en capturas de pantalla/cadenas de interfaz de usuario nombres de clientes sobrantes (nombres de empresas antiguas, logotipos antiguos, datos de muestra antiguos) y mantenlos fuera del vídeo. Pregunta al usuario si no estás seguro.
- No redibujes el logotipo oficial de una empresa real a menos que el usuario lo proporcione. El logotipo de un producto visto en su vídeo introductorio puede recrearse, pero dilo y ofrece cambiarlo por el archivo original.
- Los nombres de muestra, precios y chats en pantalla son ilustrativos — dile al usuario.
1. Guion
Forma predeterminada (adáptalo; la longitud sigue al contenido, ~9–12 líneas cortas):
Esto es [Nombre]. Una [categoría]… construida para [valor]. [VERBO] en CUALQUIER [cosa]! ← eliminar · Dale [entrada], y simplemente… lo entiende. · Cuanto más lo usas, MEJOR se vuelve. · [3 configuraciones/características, una línea corta cada una] · Cada [salida], exactamente como la imaginaste. · [Nombre]. Ya disponible.
- Solo una palabra enfatizada (gradiente + resplandor). El nombre con el color de la marca está bien además.
- Para cubrir todas las características clave (solicitud del usuario), da a cada característica su propia línea corta y deja que el vídeo dure ~27–30 s en lugar de 22 s.
- Escribe
script.json(consultatemplates/script.example.json):lines[]→units[]dividido en comas/finales de oración, cada uno conend: ","|".". Las líneas son lo que las leyendas y escenas usan como clave.extraBefore(segundos) agrega tiempo de respiro antes de una línea (se usa antes de la reunión del logotipo).
2. Voz
Preferido: el VoiceStudio MCP si está conectado (list_voices, generate_speech con profile_id, language, steps: 32). De lo contrario, ElevenLabs a través de HTTPS con la clave del usuario. Genera 4 tomas del guion completo, cópialas en voice/ con nombres legibles y mide cada una (ffmpeg -af silencedetect=noise=-38dB:d=0.12): duración, pausa más larga, pico. Presenta la tabla y deja que el usuario elija; si no elige, elige la toma más fluida (menos pausas/las más cortas) y dilo.
Notas: instruct de VoiceStudio es una cadena de atributos de diseño de voz ("femenino, adulto joven, acento americano"), no etiquetas de emoción — la emoción proviene de la puntuación y de la voz misma. Su transcribe puede devolver 409 cuando ASR no está habilitado; el alineador a continuación no necesita ASR.
Luego alinea y limpia la toma elegida:
node <skill>/scripts/voice_align.mjs voice/take.wav script.json build/voice.wav build/words.json 0.9
Divide el habla en pausas ≥100 ms, alinea segmentos a unidades del guion con programación dinámica (una coma puede o no tener pausa), recorta pausas >0.28 s a 0.2 s, nivela cada línea 85% hacia la mediana (la ganancia se mueve solo dentro de las pausas) y escribe words.json (phrases[], words[] con t0/t1). Verifica que la tabla de alineación impresa tenga sentido (cada unidad en audio plausible). Los tiempos de las palabras dentro de una frase son proporcionales a las sílabas y se ajustan a los valles de la envolvente — bueno para leyendas de escritura; dilo si el usuario espera precisión de ASR palabra por palabra.
3. Activos
node <skill>/scripts/assets.mjs fonts # Be Vietnam Pro (todos los diacríticos vietnamitas) + Geist Mono
node <skill>/scripts/assets.mjs pool 2 11 # ~1000 miniaturas gratuitas + hojas de contacto para elegir
node <skill>/scripts/assets.mjs get <id> <id>… # fotos elegidas a 640²
node <skill>/scripts/shoot-ui.mjs <product>/public ref/ui index.html other.html # capturas de pantalla de interfaz de usuario de solo lectura (sin backend)
Mira las hojas (Lee el .jpg) y elige imágenes que se ajusten al mundo del producto; las imágenes de stock gratuitas son principalmente paisajes, por lo que dibuja imágenes del producto de forma procedural cuando el stock no encaje (la plantilla dibuja camisetas planas, tarjetas de chat, tarjetas de archivo, tarjetas de código). La interfaz de usuario real se redibuja en el lienzo a partir de las capturas de pantalla/fuente — mismo diseño, colores (lee las variables CSS), etiquetas y flujo de muestra — no capturas de pantalla pegadas.
4. Vídeo
Copia templates/film/ en el proyecto como film/, exporta la tabla de palabras, luego adapta film.js:
node -e "const j=require('./build/words.json');require('fs').writeFileSync('film/words.js','window.WORDS='+JSON.stringify(j)+';')"
Lee references/film-template.md antes de editar — mapea cada escena, los ayudantes (typeWords, glass, tile, aura, cam, push), las variables de temporización, la tabla de eventos de sonido y META.runs. Mantén las reglas que hacen que el estilo funcione:
- Los inicios de escena caen en inicios de frase (
B[]), los fundidos cruzados los abarcan (±0.18 s). La cámara se acerca 1.00→1.04 por escena; cuando el contenido continúa en la siguiente escena, comienza esa escena con el zoom en el que terminó la anterior. - Nada aparece de repente: fundidos suaves ≥0.3 s. Los únicos cortes directos son las secuencias de semicorcheas (destellos de imagen, intercambios de tarjetas, tiradas de semillas), alineadas a la cuadrícula anclada en el drop.
- Sin puntos finales en pantalla. Sin resaltados de cuadro de selección, destellos blancos, portazos, 3D.
- El vidrio necesita algo detrás (aura o lavado de foto borroso) o desaparece.
5. Verifica imágenes fijas antes de la renderización completa
node <skill>/scripts/render.mjs events build/events.json # también prueba que la página arranque
SUB=1 node <skill>/scripts/render.mjs stills build/stills 1.7 3.9 6.4 7.6 … # una por escena + momentos clave
node <skill>/scripts/finish.mjs sheet build/stills build/contact.jpg
Lee tú mismo la hoja de contacto y corrige lo que veas antes de mostrárselo al usuario: chip/etiqueta desincronizada con la tarjeta que nombra, insignias superpuestas, texto corriendo bajo el vidrio, una imagen fuera de tema terminando una secuencia, leyendas cortadas por el borde del fotograma, cadenas sin traducir o sobrantes. Vuelve a renderizar las imágenes fijas afectadas con SUB=8 para confirmar que el desenfoque de movimiento se vea correcto. Muestra al usuario ~8 imágenes fijas (rutas + lo que muestra cada una) cuando pidió aprobar imágenes fijas; de lo contrario, continúa.
6. Sonido, renderización, verificación
node <skill>/scripts/finish.mjs audio # síntesis de música + SFX, duck de 3 bandas, recorte medio por frase a ~+9 dB, loudnorm -14 LUFS
node <skill>/scripts/finish.mjs video <nombre>.mp4 3 # ~1 s/fotograma/trabajador; ejecútalo en segundo plano
audio.mjs sintetiza una base de 130 BPM cuya cuadrícula de compás está anclada en el drop (META.D) y un SFX por evento en su pico (tecla por letra escrita, clic por cambio de imagen, whoosh, ascensor hasta el drop/logotipo, impacto, aterrizaje suave en la palabra enfatizada), por lo que no hay que descargar nada. Si el usuario proporciona una pista, mézclala en su lugar y mantén el drop en la línea del verbo. Informa honestamente la tabla de voz-sobre-música impresa: las líneas después del drop deben estar ≈+9 dB; las líneas de introducción/conclusión escasas son más altas por diseño.
finish.mjs video renderiza en paralelo, multiplexa AAC 320k, escanea diferencias de fotogramas en busca de pops de un solo fotograma fuera de META.runs e imprime tamaño/fps/sonoridad. Luego extrae algunos fotogramas del MP4 final y míralos antes de informar.
7. Informe
Da la ruta al MP4, sus especificaciones, lo que muestra cada escena, los resultados de verificación (pops, LUFS/pico, voz-sobre-música), y lo que es ilustrativo o redibujado (logotipo, datos de muestra, tomas del producto procedurales, música sintetizada), más la oferta de una línea para intercambiar activos reales. Escribe al usuario en su idioma y en palabras llanas.
Problemas conocidos
- Herramientas de shell en Windows: usa listas
ffmpeg -f concaten lugar de sustitución de procesos; establececddentro del mismo comando que las renderizaciones largas en segundo plano. canvas.letterSpacingyctx.filternecesitan un Chromium reciente — el buscador integrado elige la compilación más nueva de Playwright.- Fuentes: Geist carece de cobertura de algunos glifos vietnamitas; usa Be Vietnam Pro para texto vietnamita.
- El desenfoque de movimiento abarca cortes de semicorcheas duras y muestra un fotograma combinado — eso es esperado, y esos rangos pertenecen a
META.runs.