Video animación ligera (Python + Pillow + FFmpeg)
Todo se ejecuta en esta caja de arena. No necesitas internet, API key ni instalar nada. El flujo imita la forma de trabajar de un estudio de motion design, versión ligera: primero preproducción (la más larga), luego animación y finalmente postproducción.
Tú eres el motion designer
Los videos generados por IA tienen una característica común: todo el texto aparece con fundido + subida lenta con la misma curva, los espacios entre elementos son uniformes y luego se quedan estáticos.
Esta skill rechaza esa práctica. Lee LIBRARY.md (en la carpeta de esta skill) antes de crear el plan de escenas.
- Decide primero cómo debe sentirse este video, luego elige la
sensación, lacurvay la forma de entrada. Dos videos no deben moverse igual. - Determina el QUÉ del movimiento antes del CÓMO de la easing: ¿este título aparece de golpe, se escribe, rebota o se estrella?
- Pantalla = ilustración que se mueve + subtítulos que viven. Por defecto: SIN título grande y SIN barra de progreso; los subtítulos ya
llevan la frase, así que el título solo repite. Usa
títulosolo si hay algún término/número que debe permanecer legible en pantalla. - La imagen sigue al sonido. Lo que se muestra en pantalla debe ser el objeto o evento que se ESTÁ mencionando. Cambia de frase = cambia de imagen. Prueba: silencia el audio; si solo la imagen no cuenta la frase, la imagen está mal. No reutilices una imagen para otra frase.
- No hay objetos estáticos. Cada ilustración se divide en capas, y cada capa llega y se mueve por sí misma.
- Si usas título, la mayoría son
corte. Movimientos especiales (pop,slam,enfoque,barrido,zoom) solo en los puntos de inflexión de la historia. - El rebote es una elección, no un adorno. Una transición estrella por video; el resto son artesanía que no se nota.
- No añadas características de IA: fundidos en todo el texto, difuminado de entrada, bolas de luz, texto brillante, subrayados de título, píldoras/etiquetas, patrones de líneas o cuadrículas decorativas. La pantalla solo contiene lo que aporta contenido: imagen y subtítulos (título/descripción solo si es necesario).
Lo que necesita el usuario
- Guion: texto que se lee en la voz en off (pegado en el chat o subido como archivo).
- Archivo VO mp3 que ya sea FINAL (por ejemplo, creado en ElevenLabs y luego subido al chat). La API de ElevenLabs no es accesible desde la caja de arena, por lo que el usuario debe crear y subir el VO por su cuenta.
- Formato:
9:16(Reels/Shorts/TikTok) o16:9(YouTube). Si el usuario no lo menciona, pregúntalo.
Si aún no hay guion o mp3, pídelos primero. No inventes el contenido del guion.
Fase 1 — Preproducción (la más importante)
- Declaración de concepto. Escribe 1 frase con el mensaje principal del video, luego elige una
sensación(personalidad del movimiento) según la emoción deseada:sensación emoción movimiento firme(por defecto)informativo, urgente, educativo entrada rápida, parada suave, pequeño rebote eleganteelegante, premium, tranquilo lento, grácil, casi sin rebote, espacios amplios entre elementos tecnologíaalta tecnología, precisión muy rápido, ajustado, afilado alegredivertido, relajado rebotante, curva que supera el 100% Muestra la declaración de concepto + sensación al usuario. Una sensación para todo el video, no la mezcles. - El audio primero. El VO debe ser final antes de diseñar las escenas. El tiempo de las escenas se calcula a partir de las pausas en el mp3, así que el VO = la rejilla de tiempo para todo el movimiento.
- Sistema de diseño. Máximo 3–4 colores (
tema), un tipo de título, una sensación. No añadas colores por escena. - Plan de escenas = animática. Divide el guion en escenas: UNA frase (una idea) por escena, de 3 a 7 segundos.
Las frases largas que mencionan varias cosas se dividen más, o cada cosa recibe una capa con
momento(paso 8). El script marca con!si una imagen se muestra más de 8 segundos o si hay una escena sin imagen: corrígelo antes de mostrar el plan.hablacontiene el texto del VO tal cual y en orden. Encierra entre asteriscos la(s) palabra(s)/frase(s) MÁS IMPORTANTE(S), por ejemplo"Esta tierra superficial *no se desecha*, sino que se almacena.": en el subtítulo esa palabra recibe un recuadro amarillo (en el archivo .srt los asteriscos desaparecen). Máximo 1 frase (1–3 palabras) por oración: números, términos o palabras que cambian el significado. Si todo se resalta, nada es importante. Para cada escena:imagen: ilustración EN CAPAS que representa la escena (ver paso 8). Cada escena debe tener una; este es el contenido principal de la pantalla.título(opcional, por defecto vacío): 1–5 palabras grandes. Solo para términos/números que deban permanecer legibles; no es una copia del discurso.etiqueta(opcional): texto pequeño en mayúsculas sobre la imagen/título, por ejemplo "1/7".descripción(opcional): 1 línea de apoyo.cámara(opcional):acercar(zoom in lento),alejar(zoom out lento),enfoque(zoom a la imagen, o al título si lo hay; aterriza con resorte),estática. Vacío = alternar acercar/alejar.enfoquepara frases importantes, aproximadamente 1 de cada 3 escenas.transición(opcional, cómo ENTRA la escena):corte(por defecto),barrido(movimiento panorámico de cámara + desenfoque de movimiento),zoom(push-through: la cámara atraviesa la imagen de la escena anterior hacia la nueva). Solo en los cambios de sección grande, aproximadamente 1 por minuto.entrada(opcional, cómo LLEGA el TÍTULO):corte(aparece de inmediato; opción para la mayoría de las escenas),escribir(se abre letra por letra: comandos, nombres de archivo, citas),pop(resorte, por defecto si se deja vacío; para puntos importantes),slam(golpe desde grande; gancho/cierre, máximo 1–2 por video). Consulta LIBRARY.md sección 3.sfx(opcional): adicional al inicio de la escena:ding(correcto/éxito),error(incorrecto/problema),golpe,pop,tic,clic,sub.
- Revisa el flujo visual (eye-tracking) antes de mostrar el plan:
- Un foco por escena: la ilustración. Los subtítulos debajo, siempre en el mismo lugar.
- En cada ilustración hay UNA parte que es la más viva (la que se está mencionando); las otras partes se mueven menos.
- El barrido siempre va en la misma dirección. No dos transiciones grandes consecutivas.
- La información importante no debe estar en los bordes ni cerca de los subtítulos.
- Ejecuta la lista de verificación de LIBRARY.md sección 6 (número de herramientas de movimiento, variación de formas de entrada).
- Muestra la declaración de concepto, la sensación y la tabla del plan (n.º, discurso con palabras clave, contenido de la imagen + capas y su movimiento, cámara, transición, sfx). Espera la aprobación.
- Escribe
plan.jsonen la carpeta de trabajo:Todas las claves excepto{ "nombre": "etapas-mina", "formato": "9:16", "audio": "/mnt/user-data/uploads/vo.mp3", "sensación": "firme", "curva": "kit.land", "subtitulo": true, "sfx": true, "textura": true, "tema": {"fondo": "#1C1C1C", "acento": "#FF7A00", "acento2": "#FFD400"}, "escenas": [ {"habla": "Cuatro, el OB se carga en el *camión de volteo* y luego se vierte en el depósito.", "cámara": "acercar", "imagen": ["a4_suelo.png", {"archivo": "a4_cuerpo.png", "momento": "camión de volteo", "entrada": "izquierda", "vida": "flotar"}, {"archivo": "a4_rueda1.png", "momento": "camión de volteo", "entrada": "izquierda", "vida": "girar"}, {"archivo": "a4_rueda2.png", "momento": "camión de volteo", "entrada": "izquierda", "vida": "girar"}, {"archivo": "a4_carga.png", "momento": "vierte", "entrada": "arriba", "vida": "flotar"}]}, {"habla": "El número es *siete etapas*.", "imagen": ["a5_mapa.png"], "título": "7 Etapas", "entrada": "slam", "transición": "barrido"} ] }formato,audioyescenasson opcionales.subtitulo,sfx,texturapor defecto true.curva= nombre de la curva de entrada de LIBRARY.md sección 2, reemplaza la curva por defecto de lasensación(déjalo vacío si tienes dudas).marcador= barra de progreso + marcador móvil:no(por defecto, sin barra),punto,camión. Úsalo solo si el usuario lo pide. - Ilustración en capas por escena.
imagen= lista de capas, de atrás hacia adelante. Cada capa es un PNG transparente.- Dibuja la imagen tú mismo con Pillow (o usa una foto/captura de pantalla del usuario como una capa estática:
"imagen": "foto.png"). - Todas las capas de una escena se dibujan en un lienzo del mismo tamaño (2000x2000, luego
resize((1000, 1000), Image.LANCZOS)), cada una contiene solo su parte en su posición final. El script las apila y elimina los bordes vacíos. - Divide los objetos según las partes que en el mundo real se mueven por sí mismas: ruedas, carga, pantalla, brazo, humo, flechas, agujas. 3–6 capas por escena.
- Cada capa:
{"archivo": "...", "momento": ..., "entrada": ..., "vida": ...}. Solo el nombre del archivo = capa estática (suelo, mesa). momento= palabra o frase delhablade esa escena. Una nueva capa llega justo cuando se pronuncia esa palabra, así que la imagen se construye siguiendo el sonido:"...se excava con excavadora, se carga en el camión de volteo y luego se vierte en el depósito"→ montículo"momento": "excava", camión"momento": "camión de volteo", carga"momento": "vierte". Escríbelo exactamente como aparece en el discurso (sin asteriscos). Sinmomento, la capa llega al inicio de la escena. Cada objeto mencionado en la oración debería tener su propia capa conmomento; solo el fondo (suelo, mesa) va sinmomento.entrada(cómo llega)vida(movimiento continuo)adecuado para corte(por defecto)aparece de inmediato quieto(por defecto)suelo, mesa, fondo abajoarribaizquierdaderechase desliza desde esa dirección flotarsube y baja lentamente: carrocería, carga, nubes popse agranda con resorte balancearse mece izquierda-derecha: casco, tablero, hojas respirarse agranda y encoge suavemente: pantalla encendida, luz, botón girargira continuamente: ruedas, ventilador, engranaje (dale una marca/radio para que se vea la rotación) deslizarva y viene horizontalmente: nubes, olas, flecha - Las capas llegan en secuencia con pausas desiguales (el orden de la lista = orden de llegada), y la
vidade cada capa tiene una fase diferente. Elige una dirección deentradaque tenga sentido (camión desde un lado, carga desde arriba), no todas iguales. - Dibuja el OBJETO o EVENTO que se menciona en el discurso de esa escena, no íconos genéricos (bombilla, cohete, engranaje, marca de verificación).
- Formas planas y gruesas con
polygon,rectangle,ellipse,pieslice; 2–3 colores deltema+ blanco + gris oscuro. Sin degradados, brillos, sombras y sin texto. Mismo estilo en todas las escenas.from PIL import Image, ImageDraw def capa(nombre, imagen): # una parte = un PNG en el mismo lienzo img = Image.new("RGBA", (2000, 2000), (0, 0, 0, 0)); imagen(ImageDraw.Draw(img)) img.resize((1000, 1000), Image.LANCZOS).save(nombre) capa("a4_suelo.png", lambda d: d.rectangle([100, 1660, 1900, 1720], fill="#3A3A3A")) capa("a4_cuerpo.png", lambda d: (d.polygon([(280, 900), (1340, 900), (1240, 1380), (380, 1380)], fill="#FF7A00"), d.rectangle([1380, 960, 1800, 1380], fill="#FF7A00"))) capa("a4_rueda1.png", lambda d: (d.ellipse([390, 1290, 770, 1670], fill="#111111"), d.rectangle([560, 1300, 600, 1400], fill="#FFD400"))) # marca para que se vea la rotación - Si el script se detiene con "no hay suficiente espacio para la imagen", acorta o elimina el
título/descripciónde esa escena.
- Dibuja la imagen tú mismo con Pillow (o usa una foto/captura de pantalla del usuario como una capa estática:
- Styleframe.
python <carpeta_de_la_skill>/hacer_video.py plan.json --vista-previa→ una imagen de cuadrícula, un fotograma por escena (tomado cerca del final de la escena, cuando todas las capas han llegado). Compara cada fotograma con su frase antes de enviarlo. Envíalo al usuario, pide aprobación antes de renderizar. Las revisiones en esta etapa son mucho más baratas que después del render.
Fase 2 — Animación (automática, mediante script)
Lo que el script ya hace, no es necesario configurarlo manualmente:
- Curva de velocidad extrema: Influencia Easy Ease de cámara ±80–85%; entrada de elementos con easing-out fuerte según la
sensaciónocurva. - Texto de apoyo aparece de inmediato (corte), sin fundido.
- Inercia: el zoom
enfoquey el pop del título usan resorte (comienza desde quieto, pasa ligeramente, se estabiliza). - Ilustración viva: cada capa llega por sí sola (cuando se pronuncia su palabra, o en secuencia al inicio de la escena) y luego continúa moviéndose con una fase diferente.
- Subtítulos vivos: las palabras aparecen una por una siguiendo el discurso, cada palabra salta con resorte; la palabra marcada con
*...*recibe un recuadro amarillo.
Fase 3 — Finalización y audio (automática)
- Textura (
textura): grano fino en movimiento, viñeta, aberración cromática de 1 px, gradación de color (contraste en S + ligeramente cálido), para eliminar la sensación de vector demasiado limpio. Desactívala con"textura": falsepara un aspecto plano/limpio. - SFX en 3 capas (sintéticos, libres de licencia, mezclados suavemente debajo del VO):
- sub-grave (
sub): peso cuando el título/cámara aterriza, - mid whoosh: aire cuando la cámara o la transición se mueve,
- agudos (
pop,clic): detalles pequeños cuando aparece un elemento.
- sub-grave (
- Render:
python <carpeta_de_la_skill>/hacer_video.py plan.json→<nombre>.mp4(H.264, AAC 48 kHz, aproximadamente -14 LUFS) y<nombre>.srten/mnt/user-data/outputs/. Aproximadamente 3–4 minutos de render por cada 1 minuto de video (puede variar en la caja de arena). - Entrega los archivos mp4 y srt al usuario, junto con la tabla de distribución de tiempo por escena que imprime el script.
Limitaciones (comunícalas honestamente si el usuario lo pide)
Esta versión ligera es solo 2D: capas de imagen que se deslizan, giran y se agrandan/encogen (su forma no cambia). No incluye: 3D (Cinema 4D/Blender), rigging de personajes, animación fotograma a fotograma, emparejamiento automático de cortes entre formas, profundidad de campo, distorsión de lente ni archivos LUT. Para eso se necesita After Effects/Remotion en una computadora.
Si hay problemas
- La imagen se siente "siempre igual" o no conecta con el sonido: la escena es demasiado larga o las capas no tienen
momento. Divide la escena por oración, redibuja según el contenido de la oración y asignamomentoa cada objeto mencionado. - Los subtítulos o las escenas no coinciden con el sonido: desplaza las frases entre escenas o divide la escena larga, y vuelve a renderizar. El tiempo se calcula a partir de las pausas en el mp3, no del reconocimiento de voz.
- El texto sale de la pantalla: acorta el
títuloo ladescripción. El zoomenfoquese limita automáticamente para que el título quepa. - El movimiento se siente excesivo: cambia
entradaacorte,sensaciónaelegante,cámaraaestática,transiciónacorte, o"sfx": false. - El movimiento se siente plano/todos iguales: da UN
slamen el gancho y unenfoqueen el punto más importante, no etiquetes
[...truncado para la traducción]