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
- Encuentra el proyecto en
~/.long-video/projects/<slug>/. Requierevideo-script.mdconstatus: approvedyfilm-style.md. - Carga la configuración del proyecto: idioma, fuente y proveedor de voz en off (
audio.voiceover),providers.tts, nivel de aprobación, presupuesto. - Lee el modo de habla y las descripciones de voz de
film-style.md. - Si
audio/ovoice-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.sourceen 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"enproject.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
noney el usuario ahora la quiere.
Nunca crees ninguna voz sin la confirmación del usuario.
Paso 2: Construir el reparto de voces
- Enumera cada hablante: el narrador (si lo hay) y cada personaje que tenga diálogo. Cuenta las líneas de cada uno.
- 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 envisual-bible.mdy márcala como "propuesta". - Muestra el reparto como una tabla: hablante, id, número de líneas, descripción de voz. Pide al usuario que confirme o edite.
- IDs de hablante:
narrator, o el id del personaje sin el prefijochar-(por ejemplochar-marase convierte enmara). 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.sourceesself-recorded, ve directamente al Paso 6.
Paso 4: Encontrar una herramienta de voz y hacer muestras
Lee references/voice-generation.md. En resumen:
- Usa el método guardado en la configuración (
providers.tts) si existe. Pruébalo. - Busca herramientas conectadas en esta sesión que generen habla (un MCP de ElevenLabs o similar, o habilidades con herramientas de voz).
- Verifica las variables de entorno de clave API en el dispositivo. Imprime solo "establecida" o "no establecida".
- Verifica herramientas locales de texto a voz.
- 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.
- 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.
- 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.
- Guarda las muestras en
audio/samples/comosample_<hablante>.mp3. - 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.
- Registra las voces aprobadas en
voice-cast.md(hablante, nombre de voz, id de voz, configuración, archivo de muestra). Actualiza la lista de voces enfilm-style.mdpara que coincida.
No repitas una llamada de generación para reintentar. Cada llamada puede cobrar de nuevo.
Paso 5: Generar las líneas
- Lee
references/voice-script-format.md. Construye la lista de líneas a partir del guion: un elemento por línea hablada, en orden de escena. - 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.
- Escena de prueba. Genera la primera escena con voz. Reprodúcela o informa su duración. Pregunta si la entrega es correcta. Ajusta la configuración primero.
- 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.
- Guarda cada línea como
audio/lines/scene-<NNN>_<hablante>_<NN>.<ext>. Nunca sobrescribas un archivo sin preguntar. - 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. - 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.
- 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.
- 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
- Crea
audio/lines/para los archivos de audio terminados yvoice-scripts/para las listas de líneas. Muestra las rutas completas. - Escribe archivos por lotes de 20 escenas (
scenes-001-020.md) yvoice-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
- el nombre de archivo para guardar:
- 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.
- 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
- Mantén
audio/status.mdactualizado con la tabla de la referencia de formato. Valores de estado:pendiente,hecho,necesita-manual,omitido. - 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. - Informa al usuario las rutas de
audio/yvoice-scripts/, el tiempo total hablado contra el tiempo de video, y lo que falta o es demasiado largo. - Ofrece guardar la herramienta de trabajo en la configuración (
providers.tts), solo método y nombres. - 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.