Communitygithub.com

Andersonlimahw/lemon-ai-hub

Sincroniza narración, subtítulos, música y efectos de sonido con la imagen: redacción de narración, bloqueo de guion, TTS o voz en off grabada, marcas de tiempo a nivel de palabra, bloques de subtítulos, ventanas de toma derivadas de la pista de voz, presupuestos de pausa, ducking y objetivos de sonoridad. Útil para videos explicativos narrados, cambios de voz en off, subtítulos o cualquier video donde el tiempo deba seguir al audio.

¿Qué es lemon-ai-hub?

Esta habilidad, Voice ↔ Video Sync, automatiza la sincronización precisa de voz, subtítulos, música y efectos de sonido con el video, siguiendo el principio de que la pista de voz es el reloj maestro. Es especialmente útil para creadores de contenido que producen videos explicativos, cambios de voz en off o subtítulos, donde el timing debe derivarse del audio medido. Soporta plataformas como ElevenLabs, Azure, OpenAI, Google, edge-tts para TTS, y herramientas de alineación forzada como WhisperX, whisper-timestamped, stable-ts. El flujo de trabajo incluye redacción de narración con formato de guion (párrafos y pausas), bloqueo del guion, producción de voz (TTS o grabada), extracción de marcas de tiempo, construcción de línea de tiempo con parámetros como FPS y duración mínima de pausa, reglas de subtítulos (máximo 42 caracteres por línea, 2 líneas, velocidad de lectura de 17 caracteres/segundo), y mezcla con ducking de música y medición de sonoridad (LUFS). La habilidad produce un archivo timeline.json que se alimenta directamente a la composición, evitando errores manuales, y verifica la sincronización con una previsualización de los primeros 30 segundos.

Compatible con~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/Andersonlimahw/lemon-ai-hub/tree/HEAD/plugins/motion-movie-expert/skills/voice-video-sync

Preguntar en tu IA favorita

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

Documentación

Sincronización Voz ↔ Video

Regla cero: la pista de voz marca el ritmo. La imagen se temporiza según el audio medido, nunca según duraciones estimadas.

1. Escribe la narración

  • Comienza por la situación del espectador, no por una definición. Una sola historia; causa antes que efecto.
  • Convierte números a escala tangible ("del tamaño de una guía telefónica", no "3,2 MB").
  • Las metáforas deben tener peso; el narrador tiene un punto de vista.
  • No describas lo que la imagen ya muestra; di lo que la imagen no puede.
  • Termina retomando el inicio. Los límites entre capítulos entregan: la última línea del capítulo N prepara la primera línea del N+1.
  • Presupuesta según la velocidad de habla: inglés ≈ 125–150 palabras/min (las voces TTS varían — mide una muestra); portugués ≈ 140–160 palabras/min; chino ≈ 4–5,5 caracteres/s.

Formato para el archivo de guion (un párrafo = una toma, | separa bloques de subtítulos):

# CAPÍTULO 1 Por qué los mapas mienten
Cada mapa que has visto | fue dibujado por alguien | con una razón.

Mercator quería que los marineros | mantuvieran un rumbo recto.
## gap 0.6

## gap <segundos> solicita una pausa de al menos esa duración después del párrafo (tiempo de permanencia para la última imagen). Prodúcela en el audio — SSML <break time="600ms"/> para TTS, o silencio insertado al ensamblar archivos por párrafo. La herramienta de línea de tiempo nunca desplaza los tiempos; verifica la pausa.

2. Bloquea el guion

Muestra el guion completo con el conteo de palabras y la duración estimada y obtén un "aprobado" explícito. Después del bloqueo, cada temporización se deriva del audio; cambiar una palabra re-temporiza todas las tomas posteriores.

3. Produce la voz

  • TTS (predeterminado si no hay grabación): pregunta al usuario por un motor/voz preferido. Enviar texto a un TTS en la nube (ElevenLabs, Azure, OpenAI, Google, edge-tts) comparte el guion con ese proveedor — confírmalo primero. Las opciones locales (Kokoro, Piper) lo mantienen en la máquina.
  • Voz en off grabada: acepta WAV 48 kHz. Recorta el silencio, mantén las respiraciones naturales, normaliza después en la mezcla.
  • Mantén un archivo por párrafo o un archivo maestro con marcas de tiempo; ambos funcionan con la herramienta de línea de tiempo.

4. Obtén marcas de tiempo

Usa marcas de tiempo a nivel de palabra o segmento de la respuesta de la API TTS, o alinea forzadamente el audio con el guion (WhisperX, whisper-timestamped, stable-ts, o Whisper con word_timestamps=True). Normalízalas a este JSON:

{"segments": [{"text": "Cada mapa que has visto", "start": 0.00, "end": 1.42,
  "words": [{"word": "Cada", "start": 0.00, "end": 0.21}]}]}

5. Construye la línea de tiempo

python3 <plugin-root>/scripts/build_timeline.py words.json --script script.txt --fps 30 \
  --out-dir timeline/ --max-chars 42 --min-dwell 1.0

Produce timeline.json (tomas con fotogramas de inicio/fin, bloques de subtítulos, inicios de capítulo), captions.srt, captions.vtt, y advertencias para: palabras del guion que faltan en el audio (o palabras del audio que faltan en el guion), subtítulos demasiado largos o demasiado rápidos para leer, tomas cuyo último subtítulo deja menos de --min-dwell segundos antes de la siguiente toma (agrega una pausa en el audio o fusiona), pausas ## gap solicitadas que el audio no tiene, y silencios de más de 3 s. Las palabras que un alineador forzado dejó sin temporizar (común para números en WhisperX) se interpolan entre sus vecinas. Alimenta timeline.json a la composición; nunca vuelvas a escribir números de fotograma manualmente.

6. Reglas de subtítulos

  • ≤42 caracteres por línea, ≤2 líneas, ≥1,0 s en pantalla, velocidad de lectura máxima de ≈17 caracteres/s.
  • Divide en límites de frase, nunca entre artículo y sustantivo.
  • Mantén los subtítulos fuera de la zona de interfaz inferior en 9:16 y alejados del texto de interfaz en pantalla.
  • Subtítulos quemados para redes sociales; SRT/VTT complementarios para YouTube y reproductores web.

7. Mezcla

CapaObjetivo
Sonoridad integrada (final)−14 LUFS para social/web (−16 aceptable); −23 LUFS para transmisión
Pico verdadero≤ −1 dBTP
Música bajo VOduck 8–12 dB mientras hay habla, ataque/soltura de 150–300 ms
Efectos de sonido≈10 dB por debajo de la música; en el fotograma que los causa, no después

Mide con <plugin-root>/scripts/qc.sh loudness final.mp4 (agrega -23 para transmisión). Cuando los skills de audio de HyperFrames estén instalados, hyperframes-audio proporciona ducking ("tallado de voz en off"), EQ y automatización dentro de la composición; de lo contrario, usa sidechaincompress de FFmpeg y loudnorm (dos pasadas).

8. Punto de control de previsualización

Renderiza los primeros ≤30 s con voz, subtítulos y música y pregunta: "¿Voz, ritmo, tamaño de subtítulos y ritmo? — ¿OK?" Cambiar el ritmo después de este punto significa volver a ejecutar TTS y re-temporizarlo todo.

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

Andersonlimahw/lemon-ai-hub

When the user wants to plan a product launch, feature announcement, or release strategy. Also use when the user mentions 'launch,' 'Product Hunt,' 'feature release,' 'announcement,' 'go-to-market,' 'beta launch,' 'early access,' 'waitlist,' 'product update,' 'how do I launch this,' 'launch checklist,' 'GTM plan,' or 'we're about to ship.' Use this whenever someone is preparing to release something publicly. For ongoing marketing after launch, see marketing-ideas. For the offer being launched (bonuses, guarantees, scarcity, naming), see offers.

Andersonlimahw/lemon-ai-hub

Create and edit motion videos end to end — product motion films, motion graphics, narrated explainers, captioned clips, UI animation recreations, and recuts. Orchestrates brief, storyboard, choreography, build (HyperFrames or any deterministic renderer), voice/caption sync, and render QC. Use when the user asks to make, animate, storyboard, narrate, caption, edit, or render a video or motion piece; skip for static images and web UI work with no video deliverable.

Andersonlimahw/lemon-ai-hub

Build and render a deterministic video composition — HyperFrames (HTML + GSAP) by default, or a custom seek(t) + Playwright + FFmpeg pipeline. Covers project setup, composition contract, timeline rules, creative direction for frames, lint/check/snapshot, preview, and local render. Use when implementing an approved storyboard as code.

Andersonlimahw/lemon-ai-hub

Motion law for multi-scene videos — seam continuity (axis, direction, speed, phase), carriers, causal motion, springs and timing, camera, transitions, stillness, and loop design. Use when planning or fixing how scenes connect and move, before and during any animation build.

Andersonlimahw/lemon-ai-hub

Short design-led motion graphics where motion is the message — kinetic typography, stat count-up, chart/data-viz reveal, logo sting, lower third or callout, animated map, tweet/news/headline card, webpage or UI walkthrough, and image-plus-data fusion. Usually under 10 s, up to about 30 s, no narration; renders to MP4 or a transparent overlay. Use when the user wants a short motion graphic, animated stat/chart/logo/map/card, or overlay; when the upstream HyperFrames `motion-graphics` skill is installed, use it for exact CLI flags and registry blocks.

Andersonlimahw/lemon-ai-hub

Turn a video idea, product, or script into an approved master prompt and pre-implementation storyboard — intake, concept, 8–12 state sequence, beat grid, transition map, camera plan, audio cue plan, and render architecture. Use before building any new video, or when a video brief is vague.

Andersonlimahw/lemon-ai-hub

Motion tokens, spring presets, and React/Next.js (motion/react) interaction patterns for product UI that appears in a video — rebuilding real product screens faithfully, animating them as seekable scenes, and keeping the live product's motion consistent with the film. Use when a motion video shows or recreates product UI; for web UI work with no video deliverable use design-expert instead.

Andersonlimahw/lemon-ai-hub

Edit existing video and verify any render before delivery — recut, trim, reframe to other aspect ratios, burn in or attach captions, swap or remix audio, loop, and export; plus the QC gates (probe, contact sheet, stills per beat, loudness, loop seam, legibility, facts, PII). Use for editing footage or for the final check of any motion video.

Andersonlimahw/lemon-ai-hub

Agent skill at plugins/video/SKILL.md

Skills relacionados