Communitygithub.com

Video VIP Pro

Editor de video premium en una sola llamada para videos de ventas y presentadores en cualquier industria, con color de marca personalizable, efectos VIP y edición refinable por mensajes.

¿Qué es Video VIP Pro?

Video VIP Pro es un skill avanzado para agentes de IA (como Claude Code, Cursor o Codex) que transforma un video crudo en una edición premium finishing en un solo flujo de trabajo. Está diseñado específicamente para videos de presentador (talking-head) y ventas en cualquier industria (tiendas, bienes raíces, spa, comida, educación, tecnología, finanzas, gimnasio, viajes, noticias, vlogs). El agente transcribe automáticamente el video (soporta vietnamita y otros idiomas), elimina tomas fallidas con sincronización labial segura, añade zooms rítmicos con desenfoque de movimiento, subtítulos de dos niveles, escenas de vidrio esmerilado y aproximadamente 50 efectos VIP (texto detrás de la cabeza, desenfoque de retrato, persona saliendo del encuadre, contadores de precio, sellos, grietas, onda de choque, anillo orbital, look fílmico/VHS, maquetas UI), junto con efectos de sonido y música. El resultado es un MP4 en formato 9:16 o 16:9. Después de la primera edición, el usuario puede refinar el resultado usando mensajes de texto simples (por ejemplo, "cambia el color a naranja", "quita el efecto VHS", "agranda el texto") o mediante el Editor VIP local (sin consumo de tokens). El skill utiliza scripts Python, plantillas y referencias de estilo para garantizar consistencia creativa y variedad entre diferentes proyectos.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/leminhhieu0707/video-vip-pro/tree/HEAD

Preguntar en tu IA favorita

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

Documentación

¿Qué hace Video VIP Pro?

Descripción general: Un video crudo entra. Devuelves una edición premium terminada en una sola llamada. Después, el usuario dirige con mensajes cortos ("câu 3 đổi hiệu ứng", "màu cam", "bỏ VHS", "chữ to hơn"), de modo que cada edición se reconstruye a partir de un pequeño script de construcción.

Los scripts residen en scripts/ junto a este archivo. Ejecútalos como python -X utf8 <skill>/scripts/<nombre>.py. La configuración inicial es setup.ps1 (Windows) o setup.sh; también ejecuta scripts/get_sfx.py, que descarga el paquete de SFX de tendencia (aproximadamente 130 sonidos Mixkit en 19 familias) en este equipo. Si un comando falla por falta de un módulo o fuente, ejecuta la configuración.

Archivos a leer

cuándoleer
siempre, antes de planificarreferences/edit_brain.md (pase creativo, 7 estilos de edición, reglas de variedad, diseño de sonido de tendencia) + references/style.md (cada efecto + accesorios, cámara, tema)
al elegir efectos / color para el negociola fila correspondiente de references/industries.md
si un campo del plan no te queda clarogrep references/plan.md (esquema completo)
géneros sin presentador (montaje, presentación de diapositivas, tutorial, pódcast)la sección correspondiente de references/recipes.md
al comenzar el constructorcopia templates/build_vip.py

Flujo de trabajo en una llamada (haz todo sin preguntar, a menos que una elección cambie realmente el resultado)

  1. Brief. Deduce lo siguiente:

    • Industria, a partir de lo que se dice o se ve.
    • Tema:
      • el color que el usuario mencionó, si hay;
      • si no, el color de la marca (logotipo, letrero, uniforme);
      • si no, el color predeterminado de la industria.
    • Relación de aspecto: 9:16 a menos que el origen sea horizontal y esté destinado a YouTube.
    • Duración: conserva cada frase buena.

    Pregunta solo si el usuario dio varios archivos no relacionados sin ninguna pista.

  2. Observa. Ejecuta analyze.py SRC --every 2 y lee las hojas. Anota:

    • dónde está la cara: esto se convierte en FACE;
    • dónde hay espacio vacío;
    • cualquier texto quemado;
    • el color de la camiseta, porque el texto sobre el pecho debe seguir siendo legible.
  3. Transcribe. Ejecuta transcribe.py SRC --prompt "<marca, producto, nombres>". Luego revisa el .transcript.json:

    • corrige palabras malinterpretadas, manteniendo el recuento de palabras cuando sea posible;
    • escribe los precios a la vietnamita: "8.190.000đ" o "8,19 triệu".
  4. Elige oraciones. Escribe edited/cuts.json con una entrada por oración que conserves, en orden:

    • descarta repeticiones (conserva la toma posterior y más limpia), falsos comienzos, "cắt nhé" y silencios;
    • entrada = primera palabra −0,08 s, salida = última palabra +0,15 s; añade "transcripts" (los archivos .transcript.json de origen) para que aroll.py también escriba aroll.transcript.json para subtítulos y el cerebro de sonido.

    Luego ejecuta aroll.py edited/cuts.json -o edited/aroll.mp4 --speed 1.1. Produce un solo A-roll con sincronización labial segura más aroll.json, que contiene los tiempos de inicio de las oraciones.

  5. Construye. Primero haz el pase creativo en references/edit_brain.md. Elige un estilo de edición, 3 motivos y un mapa rítmico, luego escribe la tabla de storyboard. Nunca reutilices la secuencia del video anterior. Copia templates/build_vip.py a edited/ y complétalo:

    • establece THEME, FACE, CAP_Y;
    • asigna a cada oración un cap(i, top, text);
    • asigna a cada oración un movimiento de cámara (cam), con HOOK en la oración 0, un SNAP o EMPH en las 2–3 palabras clave más importantes, y alternando PUSH / PUNCH / PULL en el resto;
    • añade un efecto VIP cada 3–5 s, elegido de la fila de la industria y colocado sobre la palabra que lo nombra (un precio activa CountUp, "3 điều" activa NumberList, "đau đầu" activa Cracks);
    • mantén el cerebro de sonido activado ("sound_design": {"style": "trend", "brain": {...}}, consulta edit_brain.md §4a): los sonidos de efecto siguen la imagen, los sonidos narrativos siguen las palabras. Luego lee las sugerencias de sound_brain.py y elimina todo lo que no añada significado;
    • anteriormente "sound_design": "trend" significaba: cada efecto recibe automáticamente un sonido en capas del paquete de tendencia, así que añade sonidos manualmente solo donde transmitan la historia (subida antes de una revelación, silencio antes de un remate);
    • añade 2–4 escenas de vidrio esmerilado por minuto;
    • termina con un CTA.
  6. Renderiza. Ejecuta build_vip.py, luego render.py plan_vip.json --draft. Los renders de más de 2 min se ejecutan en segundo plano. El primer render de cada elemento de movimiento toma 3–5 s; el enmascaramiento de persona toma aproximadamente 1 s por segundo de efecto.

  7. Revisa tu propio resultado. Ejecuta analyze.py <borrador> --every 1 y lee cada hoja. Busca:

    • texto recortado o que cubre la cara;
    • efectos que caen en la palabra equivocada;
    • colores ilegibles para este tema;
    • fotogramas negros o congelados;
    • sonoridad alejada de −14 LUFS.

    Corrige el constructor y vuelve a renderizar; el caché de segmentos y movimientos lo hace rápido. Permite como máximo 3 rondas por problema.

  8. Final. Ejecuta render.py plan_vip.json (sin --draft).

  9. Entrega. Envía el MP4 (mediante SendUserFile si está disponible). Luego:

    • da un resumen de 3 a 5 líneas: duración, tema, los efectos utilizados y en qué oración, y cualquier cosa que hayas supuesto;
    • inicia el Editor VIP en segundo plano, python -X utf8 <skill>/editor/server.py edited/plan_vip.json, para que el usuario pueda arrastrar, reajustar tiempos, reescribir y recolorir manualmente sin consumir tokens.

Voces mixtas. Si el video mezcla voz en cámara con una voz en off, ejecuta scripts/voice_match.py para que ambas suenen como una sola voz (consulta references/edit_brain.md §5). Escanea cada clip en busca de buenas líneas en cámara (transcríbelas todas en una sola pasada) antes de decidir usar solo la voz en off.

Refinamiento por mensajes (después de la primera edición)

  • Siempre edita build_vip.py, nunca el plan generado. Si el usuario dijo que hizo cambios en el Editor VIP, vuelve a leer plan_vip.json primero y edita el plan directamente, ya que una reconstrucción eliminaría sus ediciones manuales. Indícales qué enfoque estás utilizando.

  • Mapea las solicitudes a ediciones:

    solicitudedición
    "đổi màu …"THEME
    "câu N …"el bloque de la oración N
    "bỏ / thêm hiệu ứng X"elimina o añade esa línea de motion(...) / layer(...)
    "chữ to / nhỏ"size
    "chữ thấp / cao"CAP_Y o y
    "zoom nhiều / ít"los movimientos cam / cycle
    "nhạc khác"MUSIC
    "nhanh hơn"aroll.py --speed (luego reconstruye)
  • Verifica antes del render completo: ejecuta render.py plan_vip.json --preview A-B solo en el rango cambiado, verifícalo, luego haz el render completo una vez.

Reglas de calidad

  • Subtítulos. Un BlueText por frase, reemplazando subtítulos simples. Como máximo un **keyword** por línea. Sobre metraje, usa tone: "video"; sobre un vidrio esmerilado claro, usa tone: "light".
  • Cuadro limpio. Además de los subtítulos, mantén como máximo un elemento más en pantalla. Nunca cubras la cara. En 9:16, mantén el texto fuera del 10 % superior y del 20 % inferior.
  • Cámara. Un evento de cámara cada 3–6 s. Movimientos grandes (SNAP, EMPH) como máximo una vez cada 10 s.
  • Recorte de popout. El recorte de popout debe comenzar debajo de la barbilla, de lo contrario la cabeza no saldrá del encuadre.
  • Honestidad. Usa únicamente precios, especificaciones, nombres y citas que aparezcan en el metraje o en el mensaje del usuario.
  • Solo medios con licencia. Usa los SFX sintetizados incluidos, los propios archivos del usuario o música libre de derechos. Nunca uses canciones protegidas por derechos de autor ni clips reutilizados.

Notas del entorno

  • Python y Node. Python 3.10+ con requirements.txt (faster-whisper, rembg, onnxruntime, opencv, numpy, fonttools, Pillow, edge-tts) y Node 18+ para motion/. Ejecuta npm ci dentro de motion/ (la configuración lo hace).
  • FFmpeg. Debe ser una compilación completa con libass.
  • GPU.
    • Una GPU NVIDIA acelera Whisper y la codificación NVENC.
    • Sin una, Whisper se ejecuta en la CPU; usa --model small para velocidad.
    • rembg usa DirectML o CUDA cuando está disponible.
  • Fuentes. Be Vietnam Pro y Playfair Display están incluidas en assets/fonts y motion/public/fonts.
  • Impresión en Windows. Establece PYTHONIOENCODING=utf-8 antes de imprimir vietnamita desde fragmentos ad-hoc.
  • Cachés. Se almacenan en <plan>_work/. Elimina esa carpeta solo si el caché está dañado.

Solución de problemas

  • Una composición de movimiento se renderiza en blanco: renderiza un fotograma con motion/render_motion.py COMP '<props>' --duration 2 --still 1 -o x.png y míralo.
  • Persona incorrecta en la máscara (un logotipo o póster en la pared): usa popout "head": [x, w] para limitar la columna que puede salir, o elige un momento más tranquilo.
  • El sonido se desvía después de los cortes: nunca unas muchos clips de conversación segmento por segmento. Siempre usa aroll.py.
  • "sound effect not found": los nombres de recetas se asignan a sonidos integrados (consulta SFX_ALIASES en render.py). Coloca tu propio nombre.mp3 en assets/sfx/ para sobrescribir uno.
  • Un efecto que los scripts no pueden hacer: renderízalo con un comando directo de ffmpeg, o escribe una nueva composición en motion/src/blue/ con colores envueltos en T('…'), luego úsalo en el plan.

Skills relacionados