polyir/ai-video-production-skill

Producción de Video con IA

Un sistema de producción que ha lanzado más de 40 reels y episodios largos. Es dogmático: cada regla a continuación proviene de un fracaso real o una decisión explícita del propietario. Las elecciones específicas del proyecto (marca, logotipos, voces, presupuestos) no están aquí — cada nuevo proyecto establece las suyas (ver "Configuración por proyecto").

Principios fundamentales

1. Puerta de aprobación antes de gastar. El guion + guion gráfico van primero al propietario; no se genera nada de pago (TTS, imágenes, video, sincronización de labios) hasta que ambos estén aprobados. La investigación de material de archivo y las listas de fuentes están bien antes de la aprobación. Cualquier cambio sustancial en el contenido después de la aprobación se vuelve a mostrar. Cada carga pública necesita su propia aprobación.
2. El propietario decide las fechas. Nunca propongas fechas de producción o publicación a menos que el propietario haya establecido una cadencia fija. Mantén un archivo de calendario de contenido y actualízalo inmediatamente después de cada producción y cada publicación (estado, fecha real, ID de la publicación) — la tarea no está terminada hasta que se haga.
3. Diseño de movimiento primero, IA después. Antes de solicitar cualquier clip de IA, pregúntate: "¿se puede construir esto con código?" Si algo se puede mostrar (mapa, indicador, línea de tiempo, lista de verificación, número, comparación, tarjeta de reglas, alegoría), constrúyelo en Remotion/SVG sin costo alguno. IA solo para lo que debe ser visto (rostros, escenas históricas, pinturas, atmósfera). Cada video — incluyendo reels de 30 segundos — utiliza diseño de movimiento construido con código. Etiqueta la capa de cada toma del guion gráfico (código / IA / sincronización de labios) e indica la proporción de diseño de movimiento.
4. Cada video de IA comienza a partir de una imagen de referencia aprobada (imagen a video, referencia a video o primer-último fotograma). No hay texto a video.
5. El audio siempre proviene de una herramienta de audio dedicada (ElevenLabs): narración, ganchos, música, SFX. Desactiva el audio propio de los modelos de video (también suele duplicar el precio).
6. Los límites de presupuesto se aplican con herramientas, no con la memoria. Usa scripts/fal_jobs.py con un límite; se niega a enviar si la estimación supera el límite o si alguna imagen cuesta ≥ $1.
7. No puedo escuchar audio ni juzgar rostros de forma fiable. Mide en su lugar: F0 para el género de la voz, LUFS para el volumen, STT para el texto, fotogramas fijos/hojas de contacto para imágenes. Pide al propietario que escuche nombres y palabras ambiguas.
8. Registra las decisiones. Mantén un DECISIONS.md (reglas del propietario + lecciones, con fecha) y un PRODUCTION_WORKFLOW.md (reglas actuales). El conocimiento/investigación va en un archivo separado con niveles de confianza; se convierte en regla solo cuando el propietario lo aprueba.

Orden de producción

1. Revisar el texto fuente y el objetivo → 2. Redactar guion + guion gráfico (marcar los cortos y sus ganchos ahora; limitar el material reutilizado a ~25%) → 3. Extraer la lista exacta de activos → 4. Verificar los activos existentes, descargar solo los faltantes de fuentes con licencia → 5. Verificar las descargas (tema, duración, resolución) → 6. Finalizar el guion/guion gráfico con los archivos reales → 7. Mostrar al propietario, detenerse hasta que esté aprobado → 8. Generar (TTS → imágenes de referencia → I2V → sincronización de labios) → 9. Ensamblar en Remotion + control de calidad técnico → 10. Revisar el corte para aprobación de publicación → 11. Subir después de la aprobación → 12. Actualizar el calendario + registro de análisis.

Pipeline con script (detalles en references/pipeline.md): turns.py → tts.py → stt_check.py → build_audio.py (→ timing.ts + subtítulos) → Remotion → scripts/master.sh (dos pasadas −14 LUFS + QC).

División de herramientas predeterminada (anular por proyecto)

Trabajo	Herramienta	Notas
Imágenes	Agentes gratuitos primero (Codex image_gen / Antigravity a través de un MCP entre agentes) si están disponibles; si no, fal (nano-banana-2 nuevo, nano-banana-pro/edit para consistencia de estilo e i2i; Flux 2 Pro como alternativa cuando Nano Banana se niega)	objetivo ≤ $0.30/imagen, nunca ≥ $1
Video (I2V)	fal: Veo 3.1 (incl. lite/fast, primer-último fotograma para transiciones), Gemini Omni Flash 1.1, Wan 3.0, Kling 2.6 Pro	siempre establecer la resolución explícitamente — el precio depende de ella
Sincronización de labios	Hedra hedra-character-3 solo	a menudo más barato por segundo que I2V → contar la historia a través de un personaje cuando sea posible
Voz, música, SFX	ElevenLabs, modelo TTS insignia más reciente (list_models; nunca copiar un model_id antiguo)	solo voces de biblioteca, nunca voces diseñadas
Limpieza de voz grabada	fal veed/clean-audio → fal-ai/lava-sr (denoise desactivado) → pulido ligero	mejora, no generación
Edición / renderizado	Remotion (+ @remotion/three para como máximo una escena 3D destacada)
Master / QC	ffmpeg	scripts/master.sh, scripts/qc.sh

Detalles de modelos/precios y trampas: references/ai-generation.md.

Reglas ganadas con esfuerzo (las que costaron dinero)

• Nunca diseñar una nueva voz TTS (text_to_voice). Las voces diseñadas pronuncian mal el inglés no nativo y el STT no puede detectar errores vocálicos. Selecciona de la biblioteca existente; si nada encaja, pregunta.
• Emparejar el personaje con la voz antes de generar un rostro de sincronización de labios. Mide la F0 mediana (~85–155 Hz masculino, ~165–255 Hz femenino) y lee la transcripción. Un avatar masculino con una voz femenina desperdició un renderizado completo.
• Nunca asumas el género o la identidad de una persona en cámara en el material de archivo del propietario — generalmente es el propio propietario.
• El TTS en escritura persa/árabe necesita signos diacríticos (especialmente ezafe kasra y palabras cortas ambiguas) solo en el texto TTS; los subtítulos se mantienen simples. Un signo diacrítico mal colocado es peor que ninguno. Ver references/audio.md.
• La música debe ser claramente audible: ~10–13 dB por debajo del habla con ducking, más alta en pausas/portada/tarjeta final. Los fondos fijos con ganancia 0.06 eran inaudibles.
• fal_pricing devuelve solo el nivel más bajo (ej. 360p). Haz el presupuesto desde la tabla por resolución.
• Los rostros fotorrealistas de personas reales no se reconstruyen. Usa siluetas/vistas traseras/manos, etiquetadas como "reconstrucción simbólica". Las caricaturas obvias de figuras públicas pueden decir solo citas documentadas, fechadas y con fuente, etiquetadas como tales.
• Nunca pongas texto legible en un mensaje de modelo de imagen/video — produce galimatías; añade texto en Remotion. No pongas nombres de personajes en los mensajes (el modelo los escribe en la imagen); di "simple, sin símbolos" para banderas/atrezzo.
• Mira el final de cada clip de IA — el contenido a menudo se rompe en los últimos segundos; acorta clipLen.

Reglas de formato corto (resumen — versión completa en references/short-form.md)

• El gancho funciona en 3 capas a la vez en 0–3 s: fotograma 0 visual, primera línea hablada (comienza en 0.05 s, sin preámbulo, promesa principal para el segundo 4), texto en pantalla legible sin sonido. ≤ 8 palabras. Escribe 2–3 ganchos de tipos diferentes por reel.
• El fotograma 0 = la portada (la entrada se desvanece reducida a un fotograma).
• Límite máximo del reel: 160 s, punto ideal ~80–90 s; Instagram solo recomienda ≤ 3 min a no seguidores.
• Final: voz = seguir con una razón (mejor: un teaser nombrado de la siguiente parte); en pantalla = pregunta de contenido; título = pregunta de comentario + seguir. Invitación a compartir ("envíalo a alguien que…") solo en publicaciones prácticas.
• Nunca hagas preguntas que revelen el grupo, identidad, ubicación o actividades del espectador cuando la audiencia pueda estar en riesgo.
• ≤ 5 hashtags; palabra clave principal explícitamente en las líneas 1–2 del título (los títulos se indexan en las búsquedas).
• Rota familias visuales, tipos de ganchos, narradores y plantillas de portada — los reels consecutivos que se parecen se saltan como "la publicación anterior".

Reglas de análisis (resumen — versión completa en references/analytics.md)

• Compara publicaciones solo a la misma edad (24 h / 48 h / 7 d) y dentro del mismo estado de colaboración; las publicaciones < 24 h son "provisionales".
• Los valores atípicos (impulsados por un compartir externo de una cuenta grande, evento de noticias, etc.) se excluyen de las líneas base hasta que su patrón se reproduzca cambiando parámetros que controlas. Pregunta al propietario sobre los compartidos externos antes de atribuir el mérito al contenido — la API no puede verlos.
• No reclames shadowban/restricción sin evidencia del Estado de la Cuenta de la aplicación.
• El momento de aceptación de la colaboración es impredecible; no atribuyas saltos de alcance a colaboraciones sin evidencia.
• Juzga el éxito por la participación (compartidos, guardados, comentarios por alcance, seguimientos por cada 1k de alcance), no solo por el alcance.
• Dos velocidades: registra datos cada vez; propón cambios de reglas solo en una revisión semanal y solo si ≥ 3 publicaciones de la misma edad muestran el patrón.

Configuración por proyecto (preguntar o leer al inicio de un nuevo proyecto)

Paleta de marca, fuentes y conjunto de logotipos · Voz del narrador + voces secundarias rotativas · Redacción de divulgación de IA · Límites de presupuesto por reel/video · Modelos permitidos/prohibidos · Dónde viven las claves API (nombres de servicio de Llavero / variables de entorno) · Cuentas de publicación y mapa de colaboradores · Ubicaciones del calendario de contenido y archivos de análisis · Restricciones de seguridad de la audiencia · Si el propietario puede aparecer en cámara.

Archivos de referencia

Archivo	Leer cuando
references/pipeline.md	construyendo el pipeline TTS con script → temporización → Remotion; diseño de carpetas; entregables
references/remotion.md	escribiendo o depurando composiciones de Remotion, fuentes, texto RTL, 3D, QC de renderizado
references/audio.md	configuraciones de TTS, signos diacríticos, cadena de voz, ducking de música, volumen, SFX
references/ai-generation.md	eligiendo/precios de modelos fal, reglas I2V, Hedra Character-3, edición de video Omni, matting, LUTs, agentes de imagen gratuitos
references/short-form.md	catálogo de ganchos, CTAs, cortos en bucle, señales de ranking de Instagram, brecha de curiosidad, principios de explicación, encuadre
references/analytics.md	ejecutando un análisis de Instagram/YouTube, esquemas CSV, reglas de comparación
scripts/fal_jobs.py	ejecutor de trabajos de imagen/video fal con límite de presupuesto (estimar / enviar / sondear / descargar)
scripts/stt_check.py	verificar los turnos de TTS contra el guion con ElevenLabs STT
scripts/master.sh	master de sonoridad de dos pasadas + QC de sonoridad/negro/congelación
scripts/qc.sh	cuadrícula de fotogramas + hoja de contacto + comprobaciones técnicas antes de la entrega