¿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
| cuándo | leer |
|---|---|
| siempre, antes de planificar | references/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 negocio | la fila correspondiente de references/industries.md |
| si un campo del plan no te queda claro | grep references/plan.md (esquema completo) |
| géneros sin presentador (montaje, presentación de diapositivas, tutorial, pódcast) | la sección correspondiente de references/recipes.md |
| al comenzar el constructor | copia templates/build_vip.py |
Flujo de trabajo en una llamada (haz todo sin preguntar, a menos que una elección cambie realmente el resultado)
-
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.
-
Observa. Ejecuta
analyze.py SRC --every 2y 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.
- dónde está la cara: esto se convierte en
-
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".
-
Elige oraciones. Escribe
edited/cuts.jsoncon 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 másaroll.json, que contiene los tiempos de inicio de las oraciones. -
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. Copiatemplates/build_vip.pyaedited/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" activaNumberList, "đau đầu" activaCracks); - 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 desound_brain.pyy 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.
- establece
-
Renderiza. Ejecuta
build_vip.py, luegorender.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. -
Revisa tu propio resultado. Ejecuta
analyze.py <borrador> --every 1y 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.
-
Final. Ejecuta
render.py plan_vip.json(sin--draft). -
Entrega. Envía el MP4 (mediante
SendUserFilesi 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 leerplan_vip.jsonprimero y edita el plan directamente, ya que una reconstrucción eliminaría sus ediciones manuales. Indícales qué enfoque estás utilizando. -
Mapea las solicitudes a ediciones:
solicitud edición "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_Yoy"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-Bsolo en el rango cambiado, verifícalo, luego haz el render completo una vez.
Reglas de calidad
- Subtítulos. Un
BlueTextpor frase, reemplazando subtítulos simples. Como máximo un**keyword**por línea. Sobre metraje, usatone: "video"; sobre un vidrio esmerilado claro, usatone: "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
popoutdebe 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+ paramotion/. Ejecutanpm cidentro demotion/(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 smallpara velocidad. - rembg usa DirectML o CUDA cuando está disponible.
- Fuentes. Be Vietnam Pro y Playfair Display están incluidas en
assets/fontsymotion/public/fonts. - Impresión en Windows. Establece
PYTHONIOENCODING=utf-8antes 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.pngy 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_ALIASESenrender.py). Coloca tu propionombre.mp3enassets/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 enT('…'), luego úsalo en el plan.