Communitygithub.com

voz-para-video-largo

Crea el audio hablado (narración y voces de personajes) para el guion de video aprobado. Primero decide si el video necesita voz y pide confirmación al usuario. Si es así, construye un reparto de voces (narrador más cada personaje que habla), genera una muestra corta de cada voz con una herramienta disponible (como un MCP de ElevenLabs) y pide aprobación, luego genera un archivo de audio por línea hablada con un nombre que contiene el número de escena y el hablante. O entrega al usuario las líneas, nombres de archivo y carpeta para que grabe o genere él mismo. Usar después de long-video-clips (o long-video-keyframes), o cuando el usuario pida narración, voz en off, voces o diálogo.

¿Qué es voz-para-video-largo?

Esta habilidad automatiza la etapa 7 del flujo de trabajo de video largo: la creación del audio hablado. Su objetivo es generar archivos de audio para cada línea de narración o diálogo del guion, ya sea mediante texto a voz (TTS) en la nube o local, o proporcionando al usuario los guiones de voz para que los grabe por su cuenta. Es compatible con herramientas como ElevenLabs MCP y se integra con el formato de guion de video definido en `film-style.md` y la configuración del proyecto. El proceso comienza determinando si el video necesita voz, seguido de la construcción de un reparto de voces que el usuario debe aprobar. Luego, se generan muestras de voz para cada hablante, y solo después de la aprobación se produce el audio completo. La habilidad maneja la validación de duración de cada línea contra la escena, y ofrece flexibilidad para que el usuario elija entre generación automática, grabación manual, o ambas. Es útil para creadores de contenido que buscan un flujo de trabajo eficiente y controlado para la producción de video, asegurando que el audio se ajuste al guion y a las restricciones de tiempo.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/samanfirouzi/long-video-skill/tree/HEAD/skills/long-video-voice

Preguntar en tu IA favorita

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

Documentación

Voz para video largo

Etapa 7 del flujo de trabajo de video largo. Salida: una carpeta de archivos de audio, uno por línea hablada, cada uno nombrado por escena y hablante. O una decisión de que el video no necesita voz.

Una escena significa un clip del guion (una toma, 10 segundos como máximo), numerada en orden a lo largo del video, como en las etapas anteriores.

Antes de empezar

  1. Encuentra el proyecto en ~/.long-video/projects/<slug>/. Requiere video-script.md con status: approved y film-style.md.
  2. Carga la configuración del proyecto: idioma, fuente y proveedor de voz en off (audio.voiceover), providers.tts, nivel de aprobación, presupuesto.
  3. Lee el modo de habla y las descripciones de voz de film-style.md.
  4. Si audio/ o voice-scripts/ ya existen, pregunta: continuar (enumera lo que está hecho) o reiniciar.

Paso 1: ¿El video necesita voz?

Determínalo antes de preguntar. Verifica:

  • el modo de habla en film-style.md (narrador, personajes, mixto),
  • audio.voiceover.source en la configuración (none, self-recorded, cloud-tts, local-tts),
  • cuántas líneas de narración o diálogo tiene el guion, y en cuántas escenas.

Luego da una recomendación con una razón y pide confirmación. Ejemplo: "El guion tiene 142 líneas de narración en 96 de 104 escenas, y la configuración usa texto a voz en la nube. Recomiendo un video narrado. ¿Quieres que cree las voces?"

  • Si el guion no tiene líneas habladas, o la configuración dice sin voz en off: recomienda omitir, con la razón.
  • Aprobado. Continúa con el Paso 2.
  • No necesario. Establece "voice_mode": "none" y "stage": "voice-skipped" en project.json. Di que las etapas posteriores usarán solo música y efectos. Detente.
  • No está de acuerdo con la recomendación. Sigue al usuario. Actualiza la nota de configuración si la voz era none y el usuario ahora la quiere.

Nunca crees ninguna voz sin la confirmación del usuario.

Paso 2: Construir el reparto de voces

  1. Enumera cada hablante: el narrador (si lo hay) y cada personaje que tenga diálogo. Cuenta las líneas de cada uno.
  2. Para cada hablante, toma la descripción de voz de film-style.md (edad, tono, acento, velocidad). Si falta una descripción, propón una a partir de la descripción del personaje en visual-bible.md y márcala como "propuesta".
  3. Muestra el reparto como una tabla: hablante, id, número de líneas, descripción de voz. Pide al usuario que confirme o edite.
  4. IDs de hablante: narrator, o el id del personaje sin el prefijo char- (por ejemplo char-mara se convierte en mara). Estos ids van en los nombres de archivo.

Paso 3: Elegir cómo se hace el audio

Pregunta: "¿Claude debe generar las voces, o las harás tú mismo (grabar o usar tu propia herramienta)?"

  • Claude genera. Ve al Paso 4.
  • Yo las hago. Ve al Paso 6.
  • Ambos. Escribe los guiones de voz (Paso 6) y también genera (Paso 4).
  • Si audio.voiceover.source es self-recorded, ve directamente al Paso 6.

Paso 4: Encontrar una herramienta de voz y hacer muestras

Lee references/voice-generation.md. En resumen:

  1. Usa el método guardado en la configuración (providers.tts) si existe. Pruébalo.
  2. Busca herramientas conectadas en esta sesión que generen habla (un MCP de ElevenLabs o similar, o habilidades con herramientas de voz).
  3. Verifica las variables de entorno de clave API en el dispositivo. Imprime solo "establecida" o "no establecida".
  4. Verifica herramientas locales de texto a voz.
  5. Si no se encuentra nada, pregunta si el usuario tiene una clave API (como variable de entorno, nunca pegada en el chat), un servidor MCP para conectar, o un sitio de voz en el navegador. O ve al Paso 6.

Las muestras de voz van primero. Nunca generes el audio completo antes de que el usuario apruebe las voces.

  1. Para cada hablante, elige una voz que se ajuste a la descripción. Enumera las voces de la herramienta y elige entre ellas. Nunca uses un id de voz de memoria. Si la herramienta puede diseñar una nueva voz a partir de una descripción, ofrécelo para voces difíciles de igualar.
  2. Haz una muestra corta por hablante (5 a 15 segundos). Usa una línea real del guion que ese hablante dice, en el idioma de la configuración. Para el narrador, usa las líneas de apertura. Incluye la nota de entrega si la línea tiene una.
  3. Guarda las muestras en audio/samples/ como sample_<hablante>.mp3.
  4. Presenta cada muestra con el hablante, el nombre de la voz y la línea. Pide al usuario que la apruebe, o que pida otra voz. Si pide otra voz, haz una nueva muestra (una a la vez, nunca reintentos en lote). Repite hasta que cada hablante esté aprobado.
  5. Registra las voces aprobadas en voice-cast.md (hablante, nombre de voz, id de voz, configuración, archivo de muestra). Actualiza la lista de voces en film-style.md para que coincida.

No repitas una llamada de generación para reintentar. Cada llamada puede cobrar de nuevo.

Paso 5: Generar las líneas

  1. Lee references/voice-script-format.md. Construye la lista de líneas a partir del guion: un elemento por línea hablada, en orden de escena.
  2. Informa al usuario el número de líneas, el tiempo total hablado y el costo aproximado. Pregunta antes de comenzar. Ofrece comenzar con un rango, por ejemplo escenas 1 a 10.
  3. Escena de prueba. Genera la primera escena con voz. Reprodúcela o informa su duración. Pregunta si la entrega es correcta. Ajusta la configuración primero.
  4. Genera en orden de escena usando solo las voces aprobadas. Aplica las notas de entrega. Usa las notas de pronunciación de la lista de líneas.
  5. Guarda cada línea como audio/lines/scene-<NNN>_<hablante>_<NN>.<ext>. Nunca sobrescribas un archivo sin preguntar.
  6. Después de cada archivo, mide su duración con ffprobe. Compárala con la duración de la escena en el guion (consulta la referencia de formato para las reglas de ajuste). Registra el resultado.
  7. Si una línea no encaja en su escena, no cambies las palabras. Ofrece opciones: una entrega ligeramente más rápida (como máximo 10 por ciento), una escena más larga (aún dentro del límite de 10 segundos), o dividir la línea en dos escenas con la aprobación del usuario.
  8. Todo de una vez o una por una: pregunta al usuario. Una por una reproduce el resultado de cada línea, espera la aprobación o una solicitud de rehacer.
  9. Si la herramienta hace su propio audio dentro de los clips de video (sincronización de labios), pregunta si conservar ese audio o usar estos archivos. Anota la respuesta en audio/status.md.

Si la generación falla o el usuario la rechaza, recurre al Paso 6 para las escenas restantes.

Paso 6: Guiones de voz para el usuario

  1. Crea audio/lines/ para los archivos de audio terminados y voice-scripts/ para las listas de líneas. Muestra las rutas completas.
  2. Escribe archivos por lotes de 20 escenas (scenes-001-020.md) y voice-scripts/index.md, siguiendo la referencia de formato. Cada línea tiene:
    • el nombre de archivo para guardar: audio/lines/scene-007_narrator_01.mp3
    • el hablante y la descripción de voz
    • el texto exacto, la nota de entrega y las notas de pronunciación
    • la duración de la escena, para que el audio pueda verificarse contra ella
  3. Pregunta: todo de una vez, o una por una.
    • Todo de una vez. Muestra las rutas de las carpetas y un ejemplo. El usuario trabaja con los archivos por lotes.
    • Una por una. Muestra la primera línea con su nombre de archivo. Espera a que el usuario diga que está guardada. Verifica que el archivo existe con el nombre correcto y mide su duración. Luego muestra la siguiente línea.
  4. Ofrece verificar la carpeta en cualquier momento: compara los archivos con el índice y enumera el audio faltante, mal nombrado o demasiado largo.

Paso 7: Estado y finalización

  1. Mantén audio/status.md actualizado con la tabla de la referencia de formato. Valores de estado: pendiente, hecho, necesita-manual, omitido.
  2. Actualiza project.json: "stage": "voice-prompts-done" después de que se guarden las listas de líneas, y "stage": "voice-done" cuando cada línea hablada tenga un archivo de audio y el usuario apruebe el conjunto.
  3. Informa al usuario las rutas de audio/ y voice-scripts/, el tiempo total hablado contra el tiempo de video, y lo que falta o es demasiado largo.
  4. Ofrece guardar la herramienta de trabajo en la configuración (providers.tts), solo método y nombres.
  5. Ofrece continuar con long-video-sound (efectos de sonido, ambiente y música de fondo). Comienza solo si el usuario está de acuerdo. No inicies ninguna otra etapa posterior a menos que el usuario lo solicite y esa etapa exista.

Reglas

  • Nunca crees voces sin la confirmación del usuario en el Paso 1.
  • Nunca generes audio completo antes de que se aprueben las muestras de voz.
  • Nunca cambies las palabras del guion. Si una línea no encaja, pregunta primero.
  • Nunca uses un id de voz que no provenga de la propia lista de voces de la herramienta o del usuario.
  • Nunca pidas claves API en el chat. Nunca introduzcas contraseñas ni resuelvas CAPTCHAs en un navegador.
  • Nunca repitas una llamada de generación en silencio para reintentar. Cada llamada puede cobrar de nuevo.
  • Nunca renombres un archivo después de que la lista de líneas esté aprobada.
  • Mantén los mensajes de chat cortos. Pon las listas de líneas completas en archivos.

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

long-video-assets

Video and animation skill. Build the visual foundation for a long video from an approved story. Extracts the recurring characters, environments and key objects, helps the user choose one art style from suggested options (10 at a time, more on request), then writes image generation prompts for every character (portrait plus character sheet), environment and object, all sharing one locked style. Can also generate the images (installed tool, API, MCP or browser) or hand the user a folder and file names to fill. Use after lon

long-video-director

Turn an approved story into a shot-by-shot video script, acting as the director. Asks whether the video uses a narrator or characters who speak (or both), suggests professional filming choices (camera type, lenses, camera movement, lighting, color, pacing), saves them as a separate film style file, then writes a script that matches the project config. Outputs film-style.md and video-script.md. Use after long-video-story (and long-video-assets) are done, or when the user asks for the video script, shot list, camera style or lighting plan.

long-video-keyframes

Create the start and end frame image for every scene (clip) of the approved video script. Writes one image prompt per frame with a fixed file name that holds the scene number and start or end, makes a folder for the images, and can generate the images with an available image tool, or hand the prompts to the user all at once or one by one. Use after long-video-director, or when the user asks for start frames, end frames, keyframes or scene images.

long-video-render

Assemble the finished video and run the review loop. Builds the edit from the clips (or images with camera moves), voice, sound stems and captions, renders a low quality review version with scene numbers and time burned in so a client can review it, collects and applies changes (re-rendering reviews as often as needed), and when the user approves, renders the high quality final video. Uses a video editor with a CLI or MCP (FilmCraft, EffectCraft or another) if one is available and the user wants it, otherwise the bundled ffmpeg renderer. Use after long-video-sound, or when the user asks to render, assemble, export, preview or finalize the video.

long-video-sound

Video and animation skill. Create the sound effects, ambience and background music for the video and place them on the timeline. Plans the sound design from the approved script, sources or makes each sound (Openverse for openly licensed recordings and music, Earshot to make sounds from words and to listen to and judge sounds, Clipwing real-sfx to place real sounds on exact frames), records licences and credits, and mixes separate stems (effects, ambience, music) with the music ducked under speech. Or gives the user a fold

long-video-story

Agree on the story for a long video. The user either supplies a story or asks Claude to write one. When Claude writes, it first asks which story style to use (for example niche discovery, or a provocative-questions narration), runs that style's skill, and revises until the user approves. Use after long-video-setup, or when the user says "story for my video", "give me an idea", or wants to change an unapproved story. Ends only when the user explicitly approves the story.

Skills relacionados