Communitygithub.com

voz-para-papercut

Da voz a un reel de papercut y sincronízalo con la imagen. Tres rutas: Qwen3-TTS local, tu propia grabación u otro TTS, o una voz de relleno. Cubre reglas de entrega, voice.json, subtítulos y temporización de escenas. Úsalo para "configurar la voz", "re-doblar esto", "temporizar el guion".

¿Qué es voz-para-papercut?

Esta habilidad produce los archivos de audio de voz y temporización necesarios para las etapas posteriores de un proyecto papercut. Específicamente, genera un archivo WAV por línea de guion en `voice/final_narrator/<id>.wav` y un archivo `timing_narrator.js` con los tiempos de inicio y fin de cada palabra. Ofrece tres rutas de producción: A) usar un modelo Qwen3-TTS local que requiere una descarga de modelo de 2.3-4.2 GB; B) usar tu propia grabación o un TTS externo, necesitando un backend ASR (como mlx-whisper) y las librerías adecuadas; C) una opción de relleno usando ffmpeg o la voz `say` de macOS. Además, gestiona las reglas de entrega para una voz humana, pausada y enfatizada, y construye los subtítulos (captions) y el plan de escenas. Funciona con los proyectos scaffolded de `motion-build` y es útil para desarrolladores y creadores que necesitan una integración precisa de voz en producciones animadas tipo papercut, asegurando que los subtítulos sigan el ritmo del audio real.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/boytegar/motion-skills/tree/HEAD/skills/motion-voice

Preguntar en tu IA favorita

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

Documentación

Voz para papercut

Cada etapa posterior necesita dos cosas en la carpeta de narración: voice/final_narrator/<id>.wav (un WAV por línea de guion) y timing_narrator.js (un inicio y fin para cada palabra). Esta habilidad los produce mediante una de tres rutas, luego construye los subtítulos y el plan de escenas. La referencia completa para los guiones está en $MOTION_LIB/core/voice/README.md.

Verificación previa

  • Librería: $MOTION_LIB, o la línea MOTION_LIB= en ~/.config/motion-explainer/config.env, o preguntar una vez. Exportarla, y . "$MOTION_LIB/env.sh" carga ASR_PY, QWEN_TTS_PY y los otros valores de configuración en el shell.
  • Un proyecto scaffolded (motion-build, paso 1) con narration/script.json y video/episode.json que contiene scenes. new_episode.sh copia build_timing.py en narration/.
  • Si el usuario ya tiene un TTS instalado, úsalo tal cual y no lo reconstruyas (ruta B, o A si es Qwen3-TTS). Pregunta una vez cuál y dónde se ejecuta. De lo contrario, pregunta qué ruta, y di lo que necesita:
RutaNecesitaModo de instalación
A. Qwen3-TTS localel venv de voz de $MOTION_LIB/core/voice/setup_tts.sh (descarga de modelo 2.3-4.2 GB)Completa
B. Tu propia grabación u otro TTSun backend ASR (mlx-whisper o faster-whisper) y librosa + numpy para el paso de tono, en el Python que nombren ASR_PY y QWEN_TTS_PYCompleta, o esos paquetes a mano
C. Rellenoffmpeg; macOS para --sayEstándar

Si la ruta necesita más de lo que tiene la instalación, ejecuta ./install.sh --doctor y pasa el control a motion-setup. Sin ASR, build_timing.py solo estima 2.75 palabras por segundo, por lo que los subtítulos se desvían del audio real.

Ruta A: Qwen3-TTS local

Desde la carpeta de la serie:

cp $MOTION_LIB/core/voice/voice.example.json voice/voice.json     # una vez por serie; edítalo
$MOTION_LIB/core/voice/narrate.sh voice/voice.json episodes/NN-slug/narration
$MOTION_LIB/core/voice/finalize.sh voice/voice.json episodes/NN-slug/narration episodes/NN-slug/narration/voice/takes/narrator [num.json]
  • voice.json: speaker (CustomVoice: Aiden, Dylan, Eric, Ryan, Serena, Vivian, Sohee, Ono_anna, Uncle_fu) e instruct. Recomendado: CustomVoice 1.7B, Ryan o Aiden, instruct "amigable, natural, conversacional, como contarle a un amigo; pausas claras entre oraciones; enfatiza la palabra clave de cada línea". takes_per_line por defecto es 3. tempo se queda en 1.0 (otros valores necesitan rubberband). qa_targets establece el rango de tono y la coincidencia ASR (0.9).
  • Una línea de guion puede llevar tts (texto reescrito para pronunciación; los subtítulos mantienen text) y su propio instruct. num.json mapea numerales a palabras habladas ({"13,000": "trece mil"}) para que la coincidencia ASR no falle con dígitos.
  • Ejecuta un proceso TTS a la vez; el modelo 1.7B consume mucha memoria.
  • finalize.sh ejecuta ASR y tono en cada toma, selecciona una por línea, recorta, normaliza el volumen a -16 LUFS, vuelve a ejecutar ASR en los archivos finales y escribe timing_narrator.js. Después de escuchar, coloca correcciones en voice/picks_override.json ({"l3_name": 2}) y vuelve a ejecutar con SKIP_PICK=1.
  • El Diseño de Voz (describir una voz con palabras) es un modo de Qwen3-TTS que narrate.py no maneja. Genéralo con él en otro lugar y usa la ruta B.

Ruta B: tu propia grabación u otro TTS

  • Coloca un WAV por línea en voice/final_narrator/<id>.wav, o tomas raw como voice/takes/narrator/<id>_<k>.wav y ejecuta finalize.sh como arriba.
  • Para líneas terminadas, transcríbelas, escribe voice/chosen_narrator.json como {id: "voice/final_narrator/<id>.wav"}, luego desde narration/:
$ASR_PY $MOTION_LIB/core/voice/asr.py voice/final_narrator/*.wav > voice/asr_narrator_final.json
CHOSEN=voice/chosen_narrator.json TIMING_OUT=timing_narrator.js python3 build_timing.py voice/asr_narrator_final.json

Ruta C: relleno

Desde la carpeta narration/:

python3 $MOTION_LIB/core/tools/placeholder_vo.py [--wps 3.0] [--say [VOZ]]

Escribe WAVs silenciosos (o la voz say de macOS con --say) y timing_narrator.js solo a partir de script.json, distribuyendo los tiempos de las palabras por su longitud. --wps 3.5 a 4 se aproxima al ritmo objetivo (por defecto 3.0). El reel se puede construir y temporizar primero y re-doblar después: intercambia los WAVs, vuelve a ejecutar finalize.sh, vuelve a ejecutar build_vo.py, y las marcas de palabra se actualizan.

Reglas de entrega

La entrega es humana, sin prisas y enfatizada. El espectador debe seguir cada línea en la primera escucha.

  • Espacio para respirar. Una pausa real al final de cada oración y entre los beats de una lista ("Bien. Bien. Bien."). Comienza con 0.3-0.4 s entre líneas (gap en episode.json, por defecto 0.22; gaps añade un beat extra después de una línea nombrada) y juzga al oído. Las pausas van solo en los límites de oraciones o cláusulas: un espacio de 0.2 s dentro de una frase, como "lo copió, | tomando...", se lee como retraso. Usa el límite de 30 s para respirar en lugar de cortar pausas, y nunca reduzcas el tempo para conseguirlo.
  • Énfasis. Las una o dos palabras en las que se apoya cada línea (el número, la palabra de giro, el veredicto) provienen de la tabla de puesta en escena del guion. Pásalas como un instruct por línea.
  • Tono. Conversacional y un poco divertido, no con energía de locutor. Las preguntas suenan como preguntas reales, la línea de gancho suena curiosa, la CTA es cálida. El narrador sigue sin bromear; la imagen lo hace.
  • Modelo clonado (sin instrucciones). Con una voz clonada (ref_audio + ref_text, modelo Base) las palancas son el texto y la toma. Escribe las pausas en la puntuación (puntos entre los beats de una lista, una pregunta corta como su propia oración). Genera varias semillas de una toma continua (SEED_BASE, takes_per_line), elige la que tenga más movimiento de tono en las palabras objetivo y ASR 0.9 o mejor, y vuelve a tomar una línea plana sola (ONLY=l4_peak) y empálmala en un límite de oración. Solo clona una voz que tengas derecho a usar.
  • Guion completo de una vez da una prosodia consistente: genera una toma, split_take.py la corta por línea, luego establece "gap": 0 en episode.json. Por escena está bien si el usuario lo prefiere.
  • Reproduce las primeras tres líneas al usuario antes de la ejecución completa: ONLY=l1_hook,l2_...,l3_... narrate.sh ....

Subtítulos y temporización

Desde video/, una vez que episode.json tiene scenes:

python3 $MOTION_LIB/core/tools/build_vo.py     # public/vo/voiceover.wav, public/vo/captions.json, src/plan.json
python3 $MOTION_LIB/core/tools/timing_md.py    # Sección de Temporización de STORYBOARD.md

captions.json es un Caption[] de Remotion; los límites de las escenas provienen de las marcas de tiempo de las palabras; la duración de la composición es durationInFrames de plan.json. build_vo.py marca cualquier escena por debajo de 1.2 s. Sin librería, transcribe el WAV con la habilidad de subtítulos de Remotion (whisper.cpp) o cualquier herramienta de voz a texto que devuelva marcas de tiempo de palabras.

Los subtítulos son una etiqueta rasgada por palabra, páginas de 1-3 palabras, a 3.5-4 palabras por segundo ($MOTION_LIB/style/$MOTION_STYLE/docs/style-guide.md, secciones 11 y 13).

Entrega

El siguiente paso es motion-build (stubs, escenas, sonido, renderizado). Lee src/plan.json y la sección de Temporización de video/STORYBOARD.md. Cualquier cambio posterior de voz vuelve a ejecutar build_vo.py y timing_md.py; la caché de escenas entonces vuelve a renderizar todo.

Individual skills in this repo

This repo contains 8 individual skills — each has its own dedicated page.

bang-motion

Render a reel in the Bang Motion style: high-end cinematic motion graphics with a multi-layer glowing-horizon background, floating colour-mesh blobs, living film grain, frosted-glass UI cards, editorial kinetic typography, a breathing camera, and anti-PPT pacing. Use when the user says cinematic motion graphic, promo opener, product launch reel, kinetic typography, SaaS product tour, glassmorphic UI, anti-slides, or asks for a video that moves like footage instead of a deck. Gunakan skill ini setiap kali user meminta "video promo", "opener", "intro animasi", "motion graphic", "bumper", "kinetic typography", "animasi teks sinematik", "explainer", "video penjelasan" (jurnalisme visual, kartun edukasi, kolase), atau menunjukkan referensi video promosi/explainer dan ingin dibuatkan versi web-nya — bahkan bila mereka tidak menyebut kata "motion graphic" secara eksplisit. Juga gunakan bila user mengeluh hasil animasi web "seperti PPT/presentasi" dan ingin lebih sinematik, atau ingin meren...

isometric

Render a reel in the Isometric style: calm precise product line art in 2:1 dimetric isometric on a white or dark ground, drawn only with constant 2px hairlines, white-filled faces so nearer objects hide farther lines, rounded slabs with visible thickness, stacked layers, repeated-part grids, and one tiny dark accent per frame. Use when the user says isometric, product line art, technical illustration, exploded hardware view, or asks for a clean documentation-grade diagram look.

motion-build

Build and render a papercut episode from a storyboard with the library. Scaffolds the project, builds scenes with parallel agents, assets and audio, renders the mp4, then harvests reusables. Use for "build the reel", "scaffold an episode", "rebuild scene 4", "render it".

motion-explainer

Make a papercut reel, video or explainer end to end. Short vertical (9:16) cut-paper explainers from a link (repo, product page, announcement), idea to mp4. Also routes partial asks to the stage skills and hands out the style prompt for other tools.

motion-qa

Check a papercut reel's stills against the style DNA and the storyboard. Renders contact sheets at a few timestamps, runs the full checklist, then writes the delivery summary. Use for "QA the reel", "check my scenes look like paper", "is this ready to post".

motion-script

Turn a link into a papercut reel script. Researches a sourced facts list, writes the 75-95 word script on the 10-beat spine, a banner fact track, a staging table with one set per banner, and the humour pass. Use for "write the script", "research this repo for a reel".

motion-storyboard

Storyboard a papercut script before any code. Writes the Camera / Cut table, one block per scene with frame-level events on each stressed word, the SFX plan and the proof beat. Use for "storyboard this script" or "plan the camera moves and cuts".

papercut

Render a reel in the Papercut style: layered construction paper brought to life with paper grain, torn edges, stacked shade strips, drop shadows, rigid cut-out animation, a slow camera push, taped headline banners and word-by-word torn-tag captions. Use when the user says cut paper, papercraft, paper cutout, paper collage, construction paper, or asks for the default handcrafted explainer look.

Skills relacionados