¿Qué hace long2short?
Eres el editor: tú eliges los momentos, escribes los ganchos y los stickers, y decides el encuadre. Los scripts hacen el trabajo pesado (transcripción, detección de escenas, seguimiento, corte, renderizado) y se ejecutan localmente. Todo pasa por una CLI:
python3 <skill>/scripts/l2s.py [-p PROYECTO] <comando> ...
<skill> es la carpeta de esta habilidad. Una carpeta de proyecto (por defecto <carpeta del vídeo>/long2short) contiene
project.json, el proxy, la transcripción, la lista de escenas y una carpeta por clip (clips/clipNN/).
Los clips terminados van a project.json → out (por defecto <carpeta del vídeo>/clips).
Requisitos: macOS (Apple Vision para seguimiento, VideoToolbox para ProRes rápido), ffmpeg, Node (npx
HyperFrames), herramientas de línea de comandos de Xcode (swiftc), whisper-cli + un modelo ggml (o python whisper).
La sincronización de subtítulos (alineación forzada) funciona para idiomas con escritura latina; los números se deletrean
en alemán en force_align.py – amplía spell() para otros idiomas.
No se incluye nada más que instrucciones y código. La primera vez en una máquina ejecuta
l2s.py setup: descarga todo en ~/.cache/long2short: un entorno Python privado
(torch/torchaudio para alineación forzada), los efectos de sonido CC0, la fuente de subtítulos (Montserrat,
OFL) y, si no hay ninguno instalado, un modelo whisper.cpp; también compila los ayudantes de Apple Vision.
Luego l2s.py doctor. Vuelve a ejecutar setup cada vez que doctor informe de algo que falta. Si falta algo,
muestra al usuario el comando de instalación exacto.
1. Preparar el vídeo (una vez por vídeo)
l2s.py init "/ruta/video.mp4" --lang es
Crea proxy, audio de 16 kHz, transcripción palabra por palabra (transcript.txt con marcas de tiempo), scenes.json
y hojas de contacto (sheets/, un fotograma por escena con marcas de tiempo). Los vídeos largos tardan minutos –
ejecútalo en segundo plano e informa al usuario.
Añade errores de transcripción recurrentes (nombres, marcas) a project.json → glossary
({"Air bee and bee": "Airbnb"}); se corrigen automáticamente cuando las palabras se asignan a un clip.
2. Elegir los momentos (tu criterio)
Lee references/editorial.md antes de elegir. En resumen: lee todo el transcript.txt, mira
cada hoja de contacto (así es como encuentras momentos fuertes sin habla – una máquina
trabajando, un animal, una gran revelación), luego escribe una lista corta para el usuario: número, título de trabajo / gancho, rangos
de origen, duración, por qué funciona. Duración predeterminada 60–90 s (TikTok's Creator Rewards solo paga por
vídeos de más de un minuto) a menos que el usuario quiera otra cosa. Espera la aprobación del usuario antes de
renderizar un lote cuando hayan pedido revisar las selecciones; de lo contrario, continúa.
Cada clip debe ser independiente. Un espectador ve a esta persona y tema por primera vez: los primeros 3 segundos (texto del gancho + frase de apertura) deben decir dónde estamos y de qué se trata (por ejemplo, "En Lisboa…"), y el clip no debe depender de otras partes del vídeo ("después de este viaje", "como dije", "el segundo"). Empieza después de tales frases o elimínalas.
3. Construir cada clip
l2s.py -p P plan NN "A-B[,C-D]" [--teaser VS VE AS] [--seed T:CX:CY]
l2s.py -p P words NN # imprime las palabras con índices – corrige el texto en words_raw.json
l2s.py -p P align NN [MM ...] # alineación forzada: sincronización exacta de palabras (el modelo se carga una vez para todos los clips)
# escribe clips/clipNN/hf_config.json (ver references/config.md)
l2s.py -p P finish NN "NN_título-corto" # cortar -> gráficos -> renderizar -> componer
- Rangos son segundos absolutos de origen. Corta en límites de oración; usa los tiempos de las palabras en
words.json. Los segmentos se unen en orden; un--teaser(toma de impacto de 2–3 s mostrada primero, con audio deAS) crea una apertura en frío potente. - La revisión del encuadre cuesta tokens – solo mírala cuando te lo pidan.
planimprimeno anomalieso una lista de ANOMALÍAS. Solo entonces abreclips/clipNN/spec.review.jpg(cuadro amarillo = ventana 9:16, punto rojo = sujeto rastreado, cuadrícula cian en pasos de 0.1). - Objetos (dron, robot, coche) no se encuentran automáticamente: para un tramo informado como
"no person", lee la posición del objeto desde la cuadrícula y vuelve a ejecutar
plancon--seed T:CX:CY(tiempo de origen, x, y en 0–1). Se ajusta al objeto y lo rastrea. - Correcciones de texto antes de la alineación. Corrige palabras mal interpretadas en
words_raw.json; si un pasaje es ininteligible, elimínalo de los subtítulos (dropen hf_config) en lugar de adivinarlo. - Ejecuta
alignuna vez para varios clips para ahorrar tiempo.
4. Entregar
Informa con una tabla breve: clip, duración, ruta del archivo, gancho y un pie de foto listo para publicar con hashtags.
No vuelvas a revisar los renderizados fotograma a fotograma cuando el usuario haya dicho que los revisará él mismo.
Los archivos intermedios son grandes (~2 GB por clip en clips/clipNN/); ofrece eliminarlos después de que el
usuario haya aprobado los resultados.
Estilo fijo (aprobado – no cambiar sin que te lo pidan)
- Subtítulos: Montserrat Black, mayúsculas, blanco con contorno negro, 1–3 palabras, palabra activa amarilla
#FFD400con un pequeño pop, palabras clave sobre una píldora amarilla; centrados horizontal y verticalmente en el tercio inferior; aparecen 0.12 s antes de la palabra. - Gancho: píldoras negras en la parte superior, palabras de acento amarillas, primeros ~3 s. Stickers informativos: píldora amarilla + emoji en la parte superior, con tamaño automático ajustado al ancho del fotograma.
- Sonido: 5–7 efectos sutiles por clip (pop, whoosh, impacto, ka-ching; CC0, descargados por setup), sin música (la música se añade en la aplicación). Sonoridad −14 LUFS, pico real −1 dBTP.
- Encuadre: una ventana 9:16, seguimiento suave. Sin zooms ni recortes con efecto "carta" o fondo desenfocado – ambas opciones se probaron y se rechazaron (el zoom out parecía aplastar).
Cuando algo parezca incorrecto, lee references/troubleshooting.md – enumera las causas raíz
ya encontradas (fugas en bordes de escena, bamboleo, retraso en subtítulos, …) y cómo los scripts las manejan.