Pipeline de Video Sin Rostro
Construye un video para canal sin rostro como un pipeline determinista de 4 etapas. Desglose de la fuente:
~/2nd Brain/2nd Brain/Wiki/research-faceless-youtube-claude-code-pipeline-2026-06-26.md.
Reglas estrictas (riesgo de plataforma + calidad)
- Voz = ElevenLabs Voice Artist (plan de pago de Phill), NO una grabación humana. El miedo de que "la voz de IA te prohíban" está EQUIVOCADO — consulta la política de divulgación de YouTube en
Sources/youtube-synthetic-content-disclosure-policy-2026-06-26.md. La regla real: la divulgación de contenido alterado/sintético de YouTube es obligatoria para música generada por IA, una voz sintética que NO sea el clon del propio creador, o IA realista de personas/lugares/eventos reales — y NO es obligatoria para animaciones/doodles. La divulgación no tiene costo (sin impacto en audiencia/monetización), así que por defecto SÍ cada vez que el video tenga música de IA o una voz sintética no propia (nuestro pipeline siempre las tiene). Configúralo en YouTube Studio → Atributos → "Uso de IA" → Sí. Configura "Hecho para niños" = Sí solo para contenido dirigido a niños (STORY/cuidado infantil). - Un token de estilo, cada imagen. Fija una única descripción de estilo al inicio; cada imagen generada la lleva literalmente para que el canal sea visualmente consistente.
- Autoridad según el modo (ver interruptor Etapa 0). FACT/no ficción: cita estudios reales/fechas/estadísticas, investiga antes de escribir, verifica la precisión de las afirmaciones. STORY/ficción: narrativa inventada; la autoridad es la resonancia emocional, no los hechos; verifica la adecuación a la edad y la marca (por ejemplo, cuidado infantil = suave, seguro, adecuado para la edad). NUNCA presentes ficción como hechos ni inventes "hechos" en modo factual.
- Imágenes fijas + voz en off, no gráficos animados. Este es el formato de canal doodle. Si el usuario quiere animación/pulido de edición, deriva a
video-directoren su lugar.
Sustrato — Distinción IMPORTANTE
El video fuente usa Higgsfield (Claude Code MCP). Nosotros NO usamos Higgsfield. La plataforma de imágenes de Phill es Artlist (artlist.io, AI Toolkit), manejada en el navegador mediante browser-harness. NB: "artist.io" es un error tipográfico por artlist.io.
- Generación de imágenes (principal): Artlist AI Toolkit en
toolkit.artlist.io/image-video-generator?mode=image(modelo Nano Banana 2, 16:9 / 2K). Mecánicas probadas en la Etapa 3. - Generación de imágenes (alternativa):
mcp__margot__image_generate(también Nano Banana 2) — solo para pruebas no supervisadas. Nunca Higgsfield. - Voz en off: ElevenLabs TTS mediante API REST. Clave + voz por defecto en
~/.hermes/.env(ELEVENLABS_API_KEY,ELEVENLABS_VOICE_ID) — resuelve programáticamente, nunca pegues. Sin grabación humana. - Transcripción:
yt-dlp. Marcas de tiempo: alineación de ElevenLabs (principal) owhisper-cli(alternativa). Montaje:ffmpeg.
Carpeta de trabajo
Crea ~/faceless-video/<slug-del-tema>/ y guarda todos los artefactos allí: reference-format.md, script.md, voiceover.mp3, transcript.json, images/NN.png, final.mp4.
Etapa 0 — CAMBIO DE MODO (PREGUNTA PRIMERO, antes de cualquier otra cosa)
El motor sirve trabajos opuestos en diferentes clientes/aplicaciones, por lo que la PRIMERA pregunta de cada ejecución es:
"¿Esto es un guion FACT (no ficción) o STORY (ficción)?" Guarda
modeen la carpeta de trabajo (mode.txt). Bifurca toda la ejecución:
| FACT (no ficción) | STORY (ficción) | |
|---|---|---|
| Caso de uso | producto educativo, explicaciones, "¿sabías que...?" | cuentos infantiles, parábolas, historias para dormir/de marca |
| Estructura de referencia | gancho + cuerpo de 3 pilares + cierre | personaje → defecto → viaje → lección → resolución |
| Autoridad | estudios/estadísticas/fechas reales investigados; verificación de precisión | resonancia emocional; verificación de adecuación a edad/marca |
| Regla estricta | nunca inventes hechos | nunca presentes ficción como hecho |
| Divulgación YouTube | Uso de IA = Sí (música/voz IA presente) | Uso de IA = Sí + Hecho para niños = Sí (dirigido a niños) |
Si quien llama ya implica el modo (ej. "una historia de cuidado infantil para mi esposa" → STORY; "explica X para mi producto" → FACT), confírmalo en una línea en lugar de volver a preguntar. El manejo de referencia por defecto, la plantilla del guion y las compuertas se derivan de este interruptor.
Etapa 0b — Token de estilo (una vez por canal, luego reutilizar)
Pide al usuario 3–5 capturas de pantalla de referencia del estilo visual objetivo. Solicita el análisis:
"Analiza el estilo visual de esta imagen para un generador de imágenes por IA. Proporciona (1) una descripción corta y positiva del estilo que pueda pegar como prompt, (2) una lista de prompts negativos para evitar la deriva hacia resultados pulidos/realistas. Céntrate solo en el estilo, no en el tema." Guarda el resultado como
style-token.mden la raíz del canal (reutilizado en todos los videos de ese canal).
Etapa 1 — Guion (se bifurca según el modo de la Etapa 0)
- Pide el tema y una URL de video de referencia probada en el carril del modo elegido (un canal factual para FACT, un canal narrativo para STORY — no cruces carriles).
- Extrae la transcripción de referencia:
yt-dlp --write-auto-sub --sub-lang en --skip-download --sub-format vtt -o 'ref-%(id)s.%(ext)s' '<URL>'. Limpia el.vtt(elimina marcas de tiempo/etiquetas, deduplica líneas de subtítulos automáticos). - Descompón en una plantilla reutilizable, según el modo:
- FACT: gancho (los micro-compases), introducción/promesa, cuerpo de 3 pilares, frases de transición, duración total.
- STORY: protagonista + un defecto compartido, la necesidad, incidente desencadenante, viaje, una demostración MOSTRADA (no contada), una frase de sabiduría citable, realización interna, cierre hacia adelante.
Guárdalo como
reference-format.md.
- Escribe un NUEVO guion sobre el tema en esa plantilla. FACT: primero ejecuta la habilidad
source-ingestpara extraer datos creíbles de nivel 1–2 en la bibliotecaSources/, luego escribe el guion citando solo esas fuentes almacenadas y verifica cada afirmación contra ellas. STORY: inventa libremente, verifica edad/marca. Genera un guion LIMPIO (sin indicaciones escénicas) enscript.md. - Confirma el guion con el usuario antes de generar la voz en off.
Etapa 2 — Voz en off + marcas de tiempo (ElevenLabs, automatizado)
- Genera la voz en off desde
script.mdmediante el endpoint con-marcas-de-tiempo de ElevenLabs (devuelve audio + alineación de caracteres en una sola llamada):curl -s -X POST "https://api.elevenlabs.io/v1/text-to-speech/$ELEVENLABS_VOICE_ID/with-timestamps" -H "xi-api-key: $ELEVENLABS_API_KEY" -H "content-type: application/json" -d '{"text":"<script>","model_id":"eleven_multilingual_v2"}'→ guarda el audio en base64 envoiceover.mp3y la alineación entranscript.json. - Deriva segmentos de marcas de tiempo por frase/oración de la alineación — cada segmento se convierte en un compás de imagen. (Alternativa si la alineación no es utilizable:
whisper-cli -f voiceover.wav -ml 1 --output-json -of transcriptdespués deffmpeg -i voiceover.mp3 voiceover.wav.) - La voz es por canal/cliente, no fija — elige la voz de ElevenLabs que se ajuste al modo/marca (ej. cálida, narradora suave para ficción infantil; voz clara y autoritaria para un producto educativo factual). Pasa ese
voice_iden lugar del valor por defecto enELEVENLABS_VOICE_ID. Explora la biblioteca de voces de ElevenLabs del usuario al elegir. - Sin pausa humana — la Etapa 2 se ejecuta sin supervisión.
Etapa 3 — Una imagen por marca de tiempo (Artlist AI Toolkit, probado en navegador)
Por compás: prompt de escena + token de estilo fijo literalmente. Maneja Artlist mediante browser-harness (necesita que Phill tenga Chrome iniciado sesión; depuración remota Way-1 habilitada). Mecánicas difíciles:
- Abre
toolkit.artlist.io/image-video-generator?mode=image. El prompt es un div[contenteditable=true]; el botón Generate coincide con elinnerTextGenerate. La configuración predeterminada ya es 16:9 / 2K / 1 imagen (correcto). - Por imagen: captura los UUIDs generados existentes → haz clic en el cuadro,
document.execCommand('selectAll'),type_text(prompt)→ haz clic en Generate → espera hasta que el texto de carga (on its way|Almost ready|Generating) desaparezca Y aparezca un nuevo UUID. - El resultado está en
ai-toolkit-generations.imgix.net/...png?...&s=<sig>. Extrae el UUID con la expresión regular GENERIC[0-9a-f]{8}-[0-9a-f]{4}-...{12}\.png(el prefijo del nombre varía:image-<uuid>O-t-e-x-t_-t-o_-i-m-a-g-e-<uuid>). Descarga la fuente EXACTA — reescribir cualquier parámetro de imgix (ej.w=) rompe la firma → 403. - Ve UNO A LA VEZ. Las ráfagas rápidas se ponen en cola/limitan y la vista de cuadrícula virtualiza el DOM, ambas cosas rompen la detección de nuevos UUID. Si una generación se completa después de la ventana de espera, rescátala de la cuadrícula (descarga UUIDs distintos sin mapear, haz un montaje, mapea visualmente).
Alternativa (solo sin supervisión):
mcp__margot__image_generate— guarda<save_as>.jpg, ten en cuenta la extensión.
Etapa 4 — Montaje
Construye una concatenación de FFmpeg que mantenga cada imagen durante (next_start - this_start) segundos y multiplexa la voz en off:
- Genera una lista de concatenación con duraciones por imagen a partir de las marcas de tiempo.
ffmpeg -f concat -safe 0 -i list.txt -i voiceover.wav -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest final.mp4- Recomienda imágenes fuente 2K para subidas reales (baja resolución solo para pruebas).
Etapa 5 — Finalización (para una subida real, no pruebas)
Convierte el montaje en bruto en un entregable terminado:
- 1080p — renderiza la concatenación escalada/rellenada a
1920:1080(relleno blanco que combina con el fondo de cuaderno de dibujo),crf 19. - Fundidos —
fade=t=in:st=0:d=0.6:color=whiteyfade=t=outdurante los últimos ~0.8 s. Mantén cortes duros en los compases entre imágenes (estilo correcto — NO fundas). - Fondo musical — genera una pista tranquila mediante AI Music de Artlist (
toolkit.artlist.io/music-generator?mode=music, Lyria 3; mismo flujo en navegador que las imágenes, el resultado es un.wavfirmado encms-toolkit-artifacts.artlist.io/...music-<uuid>— descarga la fuente EXACTA). Mezcla DEBAJO de la VO:volume≈0.13(~−18 dB),afadeentrada 1.5 s / salida ~1.8 s,amix=inputs=2:normalize=0. Verifica convolumedetect: pico general < 0 dB (sin recorte), media de la música ~15+ dB por debajo de la VO.
Salida
final-1080p-music.mp4 (el entregable) + un style-token.md reutilizable. Reporta la ruta y los artefactos por etapa. Para publicación/estrategia de canal, deriva a video-distribution-strategist; recuerda la divulgación de contenido sintético en la subida.