Communitygithub.com

micahwburgess-spec/panel-to-reels

Convierte una grabación larga (charla, panel, podcast o entrevista) en una serie de reels verticales 9:16 con subtítulos palabra por palabra y portadas para cuadrícula de Instagram, en dos estilos de subtítulos. También añade subtítulos a videos verticales ya editados, incluyendo metraje HDR de iPhone. Útil para crear cortos, reels o clips a partir de un video largo, con subtítulos quemados y portadas.

¿Qué es panel-to-reels?

Esta habilidad para agentes de IA transforma una grabación larga (como paneles, podcasts o entrevistas) en un lote de reels verticales listos para publicar. Utiliza un flujo de trabajo estructurado: transcripción con reconocimiento de hablantes, selección de momentos clave, recorte de clips basado en índices de palabras, reencuadre automático al rostro del hablante en formato 9:16, y generación de subtítulos palabra por palabra en dos estilos visuales (acumulativo y de marca). Además, crea portadas optimizadas para la cuadrícula de perfil de Instagram. Soporta tanto grabaciones sin editar como videos verticales ya editados, incluyendo metraje HDR de iPhone. El agente debe guiar al usuario a través de pasos de revisión (como confirmar que el hablante está en cámara, ajustar el encuadre y verificar la precisión de las citas) para garantizar resultados de alta calidad, evitando atribuciones incorrectas o invención de contenido. Está diseñado para Mac con Apple Silicon y requiere ffmpeg y Python.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add micahwburgess-spec/panel-to-reels

Preguntar en tu IA favorita

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

Documentación

Panel a Reels

Convierte una grabación larga en un lote de reels verticales listos para publicar. Cada reel se corta en límites de palabra, se reencuadra a 9:16 alrededor del rostro del hablante, se subtitula palabra por palabra y se empareja con una portada diseñada para la cuadrícula del perfil de Instagram. Cada clip se renderiza en dos estilos: acumulativo (subtítulos blancos, énfasis en rojo/azul/magenta) y marca (tus colores y fuentes, definidos en styles.json).

Los scripts hacen el trabajo mecánico. La calidad proviene de las decisiones editoriales descritas en este archivo. Sigue el flujo de trabajo en orden y no te saltes los puntos de revisión.

Requisitos

  • Mac con Apple Silicon (el seguimiento facial usa Apple Vision, la transcripción usa mlx-whisper en la GPU).
  • ffmpeg con libx264 y libx265 (brew install ffmpeg).
  • Python 3 (el script de instalación crea su propio entorno virtual en ~/.panel-to-reels/).
  • Disco: una fuente 4K de 90 minutos ocupa unos 6 GB.

Instalación única, desde la carpeta de esta habilidad:

bash scripts/setup.sh

Ejecuta cada script a través del envoltorio para que use el Python correcto: bash scripts/run.sh <script> <args>. La línea de comandos exacta para cada script está en scripts/USAGE.md.

El flujo de trabajo

Trabaja en una carpeta de proyecto P (en cualquier lugar duradero, nunca en /tmp, que macOS purga). Cada script toma P como su primer argumento.

1. Obtén la fuente a la resolución más alta disponible

run.sh fetch P <url> o copia un archivo local a P/source.<ext>. Un recorte 9:16 de un cuadro 16:9 conserva aproximadamente un tercio del ancho, por lo que 4K de entrada produce reels nítidos. Las fuentes en 1080p funcionan, pero los acercamientos se ven suaves. Si la persona es dueña de la grabación, pide los archivos originales de la cámara; son mejores que cualquier subida.

2. Transcribe

run.sh transcribe P --prompt "nombres de hablantes, nombres de empresas, jerga". El prompt es importante: los nombres suelen salir correctos con mucha más frecuencia. Esto escribe transcript.txt con un índice de palabra al inicio de cada línea. Tú seleccionas los clips por esos índices.

3. Si la persona tiene un estilo de referencia, estúdialo primero

Pide de 2 a 6 publicaciones de ejemplo. Instagram bloquea las descargas directas, pero las páginas de inserción públicas (instagram.com/reel/<id>/embed/captioned/) a menudo exponen un video y siempre muestran el texto del pie de foto. Extrae fotogramas y anota: fuente del pie de foto, tamaño, posición, cómo aparecen las palabras, qué palabras reciben color, fuente y diseño del titular de la portada. Traduce lo que veas a styles.json antes de renderizar nada.

4. Lee la transcripción completa y elige los momentos

Léela toda. No hojees solo la primera mitad. Un buen clip:

  • Es una idea autónoma de 20 a 80 segundos.
  • Abre con una línea contundente: una afirmación, un número, una pregunta o un giro narrativo. Si la mejor línea está en medio de una respuesta, empieza ahí.
  • Termina con un remate, no a mitad de una idea.

Pésalo a favor de la persona para quien estás haciendo esto (sus propias respuestas primero). Omite momentos que el evento u otra cuenta ya haya publicado; pregunta a la persona o revisa sus enlaces. Presenta la lista corta como una tabla (clip, hablante, la línea gancho, marca de tiempo) y deja que la persona elimine o añada antes de construir.

5. Confirma que el hablante está en cámara (no te lo saltes)

run.sh peek P <inicio> <fin> para cada candidato. Las ediciones multicámara a menudo cortan a una reacción o un plano general mientras alguien habla. Reglas:

  • Si el hablante no está en cámara la mayor parte del clip, elimínalo. Un recorte vertical pondría el rostro de otra persona sobre sus palabras.
  • Un corte breve de reacción (menos de un tercio del clip) puede permanecer en modo letterbox: el plano general se coloca sobre un relleno difuminado, para que nadie sea identificado erróneamente.
  • Identifica a las personas por lo que visten y dónde se sientan, luego confirma con la transcripción (quién es presentado, quién responde). No adivines nombres por la apariencia.

6. Corta por índices de palabra

Escribe cada clip en P/clips.json (esquema en scripts/USAGE.md, ejemplo en examples/clips.example.json).

  • spans son rangos inclusivos de índices de palabra. Varios rangos crean cortes de salto. Úsalos para apretar divagaciones, nunca para cambiar lo que alguien quiso decir.
  • fix corrige errores de transcripción de los que estés seguro ("pounded" dicho como "found", "Claude on a D file" queriendo decir "CLAUDE.md"). Una cadena vacía elimina una palabra.
  • Si una frase está distorsionada y no puedes estar seguro de lo que se dijo, corta alrededor de ella. No adivines palabras en boca de alguien.
  • Cuando un clip abre con la pregunta de un presentador, conserva la pregunta solo como contexto. Nunca dejes que las líneas del presentador se lean como si fueran del invitado.

7. Encuadra

run.sh shots P <clips> encuentra cortes de cámara (incluyendo disolvencias lentas), renderiza un fotograma con reglas por cada toma e imprime los centros de rostros que detecta. Pon la x del hablante en framing para cada toma.

  • crop es la altura del recorte como fracción de la fuente: aproximadamente 0.62 para un plano medio de tres o cuatro personas, 0.42 a 0.5 para un plano general.
  • Las cámaras de mano que panean necesitan una marca de encuadre para cada movimiento; el seguidor sigue el movimiento suave pero puede perder un paneo rápido.
  • Vecinos sentados juntos: da la x exacta de los centros de rostros impresos, no una aproximada.

8. Construye y verifica

run.sh build P <clips>, luego extrae de 10 a 16 fotogramas de cada clip base. El hablante debe estar encuadrado en cada fotograma. Corrige el encuadre y reconstruye antes de los subtítulos.

9. Subtítulos, énfasis y portadas

  • Énfasis: elige manualmente las palabras que llevan la idea (números, nombres, el sustantivo en el que recae el punto) en emphasis. Cualquier página de subtítulo sin énfasis recibe una selección automática.
  • Titular: de 4 a 9 palabras, fiel a lo dicho, contundente. Envuelve el remate en *asteriscos* para que reciba el acento. No debe afirmar más de lo que dijo el hablante.
  • Fotograma de portada: hablante mirando a la cámara, boca cerrada si es posible. Si el titular cubre la boca, sube cover_shift (desplaza la foto hacia arriba y difumina el borde).
  • El metraje selfie de talking-head se sitúa más abajo en el cuadro que el metraje de panel: establece caption_center cerca de 1430 para que los subtítulos estén sobre el pecho, no sobre la boca.

10. Renderiza, revisa, publica

run.sh render_all P renderiza cada clip en cada estilo, exporta a P/export/<Style>/ e imprime una tabla de verificación. Luego revísalo tú mismo: una hoja de contactos de todas las portadas a tamaño de cuadrícula, y tres o cuatro fotogramas de cada reel. Finalmente, escribe el texto de la publicación para cada clip en la voz de la persona. Las citas deben coincidir con la transcripción palabra por palabra. Etiqueta solo cuentas que hayas confirmado. Marca las cuentas desconocidas como [cuenta] para que la persona las complete.

Reglas estrictas

  • Nunca atribuyas palabras a la persona equivocada. En caso de duda, descarta el clip.
  • Las citas en subtítulos, portadas y texto de publicación coinciden exactamente con la transcripción.
  • Nunca pongas el nombre ni la marca de otra organización en contenido que no sea de ellos. Los bloqueos provienen de styles.json; configúralos por proyecto.
  • Sin números, resultados ni afirmaciones inventados en titulares o texto.
  • Los rostros y las voces provienen únicamente de la grabación real. Nunca generes ni clones a un hablante.

Videos verticales ya editados

Para videos de talking-head ya terminados (incluyendo HDR de iPhone), omite el corte y el encuadre: run.sh transcribe P --file <video> --clip <ID>, añade el clip a clips.json con "source_file" configurado y "caption_center": 1430, luego run.sh render_all P --clips <ID>. Los índices para fix y emphasis provienen de P/base/<ID>.words.txt. El archivo fuente nunca se modifica.

Estilos y bloqueos

styles.json contiene los preajustes. Cada uno tiene una label (el nombre de la carpeta de exportación), un bloque caption (fuentes, tamaños, colores de resalte que ciclan por página de subtítulo o un degradado, color de la píldora) y un bloque cover (colores de acento, tintes inferiores, líneas de bloqueo, separador, floritura opcional). Cópialo en P y edítalo para personalizar un proyecto. examples/summit-oak-styles.json muestra una configuración completamente con marca. Las fuentes se cargan por nombre de archivo desde la carpeta fonts/ de esta habilidad; las fuentes variables usan la sintaxis "Sora:ExtraBold".

El bloqueo son las dos líneas pequeñas bajo cada titular de portada. Configúralo en el estilo, y sobrescríbelo por clip con "lockup": ["LÍNEA UNO", "LÍNEA DOS"] en clips.json. Los clips de evento llevan el evento; los videos propios de una persona llevan su propio nombre y marca, nunca los del evento.

Lecciones aprendidas a las malas

  • El metraje de iPhone es HDR (HLG). Superponer gráficos sRGB normales los hace brillar y saturarse en exceso. Los scripts detectan HLG y convierten los subtítulos a HDR y mantienen la salida HEVC de 10 bits. Las vistas previas desde Finder o capturas de ffmpeg simples se ven oscuras y planas; evalúa con fotogramas de hlg.frame() o en un teléfono.
  • La salida csv de ffprobe puede llevar una coma final (arib-std-b67,). Compara con in o elimínala.
  • Los paneles editados a menudo usan disolvencias, no cortes directos. La detección de puntuación de escena las pasa por alto; el detector de diferencia de fotogramas en shots.py las captura.
  • Los subtítulos blancos desaparecen en pantallas de apps blancas. Los subtítulos obtienen automáticamente una píldora oscura cuando el fondo detrás de ellos es brillante.
  • Whisper divide tokens como $2 ,400 y 80 %. Los subtítulos los vuelven a unir, por lo que los índices de énfasis apuntan a la primera parte.
  • Instagram muestra las portadas recortadas a 3:4 en la cuadrícula del perfil (y 240 a 1680 de 1920). Mantén todo el texto de la portada dentro de esa banda.
  • macOS purga /tmp después de unos días. Mantén los proyectos y el entorno virtual en un lugar duradero.
  • Algunas compilaciones de ffmpeg carecen de drawtext y algunas compilaciones Intel no pueden usar el codificador de hardware. Los scripts usan PIL para todo el texto y libx265 para HDR, por lo que funcionan de cualquier manera.

Creado por Micah Burgess, Summit Oak AI. summitoakai.com

Skills relacionados