Corto de Caricatura con Audio (v2)
Creado por el canal WHATIF ANIMATIONSTORYS.
Pipeline: idea → guion → voz → MP4 terminado.
Compilación de referencia: "El Soldado Que Nunca Se Fue" (19.7 s, 8 tomas), incluida en kit/example/soldier/.
El aspecto
- Personajes: tarjetas planas 2D de caricatura "cabeza de frijol" dibujadas en lienzo. Tienen contornos ciruela y grandes expresiones legibles, y siempre están en reposo (respirando, parpadeando, moviendo la cabeza).
- Mundo: un conjunto 3D saturado construido con formas simples. Texturas planas pintadas con costuras oscuras, contornos de tinta negra, sombreado de dibujos animados y niebla del color del horizonte.
- Cámara: movimientos suaves y deslizantes, con profundidad de campo en primeros planos. Nada es estático nunca.
- Formato: 1080x1920, 30 fps, exactamente tan largo como la voz.
- Sonido: la voz del usuario sin modificar. Una cama musical sintetizada estilo marcha y efectos de sonido se sitúan al 50 % (−6 dB) del nivel de voz.
Reglas estrictas
- Original únicamente. Nunca recrees el video de otro creador toma por toma; ofrece una versión original de la misma idea.
- Sin personas reales y nombradas como personajes. Sin mascotas de marca, logotipos o personajes con derechos de autor.
- Sin subtítulos a menos que se pidan. El texto diegético (letreros, tallados) está bien pero debe leerse correctamente, nunca reflejado.
- Nunca edites, recortes, aceleres o vuelvas a sincronizar la voz. La imagen se sincroniza con la voz. Cada reacción visual ocurre 0–3 fotogramas antes de su palabra.
- La relación de audio es fija:
- La música se sitúa a −6.0 dB respecto a la voz (RMS con compuerta).
- Los SFX se sitúan a −6 dB o por debajo, con picos de como máximo 0.7× el pico de voz.
- Mezcla siempre con
mix.py. Sin compresión de rango dinámico ni compresión en la mezcla. - Solo una ganancia lineal más un limitador de pico se aplican a toda la mezcla (
finish.sh).
- Verifica los hechos presentados como verdaderos con una búsqueda web primero. Enmarca las leyendas virales como "cuenta la leyenda".
- Nada gráfico, nada político y ninguna persona real viva como objeto de broma.
- Sigue trabajando sin paradas de aprobación. Haz una pregunta solo cuando el trabajo realmente no pueda continuar sin la respuesta.
- Mantén al usuario informado con una lista de tareas. Envía una hoja de contactos de imágenes fijas antes del renderizado largo.
Enrutamiento (elige el punto de entrada)
| El usuario tiene | Ve a |
|---|---|
| Audio adjunto (+ guion) | Etapa 4 inmediatamente |
| Audio, sin guion | Pide el texto del guion (Claude no puede oír audio sin ASR) → Etapa 4 |
| Un guion, sin voz | Etapa 3 (ajustar) → espera el audio |
| Solo un tema | Etapa 3 directamente (verifica hechos) |
| Nada / "dame ideas" | Etapa 2 |
Si no está claro, haz UNA pregunta: "¿Por dónde empiezas? (ideas / guion / voz lista)". También pregunta la duración objetivo si no se da. El valor predeterminado es 20–30 s; se permite hasta 60 s.
Etapa 2: 10 ideas
Da exactamente 10, numeradas, en una sola respuesta. Termina con: "Responde con un número, o 'más' para 10 nuevas."
N. TÍTULO (5–8 palabras, impulsado por la curiosidad)
Gancho: la primera oración hablada — una paradoja presentada como hecho.
Giro: la última línea irónica.
Visuales grandes: 2–3 momentos (colapso / revelación / persecución / transformación).
Estado: VERDADERO (documentado) · DISPUTADO · LEYENDA
Una idea perfecta tiene:
- Una historia sorprendente con una causa y efecto físicos que puedas MOSTRAR.
- Un héroe común, apuestas que escalan y un giro en la última línea.
- Un escenario construible con cajas, cilindros y esferas más tarjetas (pueblo, puente, barco, castillo, desierto, laboratorio, palacio, granja, puerto, mina).
- Un "antes vs después" que se pueda ver en un solo fotograma, lo que genera una miniatura sólida.
Distribuye las 10 entre antiguo, medieval, 1800s, moderno, ciencia, animales, inventos, desastres, leyes extrañas y accidentes afortunados. Verifica cada idea VERDADERA o DISPUTADA con una búsqueda web antes de listarla.
Etapa 3: Guion
Dimensiona el guion a aproximadamente 3.7 palabras habladas por segundo: 20 s ≈ 75 palabras, 30 s ≈ 110, 45 s ≈ 165, 60 s ≈ 220.
Estructura:
- Gancho (oración 1, sin introducción): el hecho absurdo. Debe aparecer en los primeros 1.5 s.
- Escenario (1–2 líneas): cuándo, dónde, quién y un detalle concreto.
- Escalada (2–4 tiempos, cada uno más grande). Otros dudan o se burlan. Incluye una broma de exageración.
- Pivote: "Pero cuando…" / "Verás…" introduce el mecanismo real, idealmente con una analogía cotidiana.
- Giro: corto e irónico, y las ÚLTIMAS palabras del video. Bonus: que regrese al gancho para que el Corto se reproduzca naturalmente.
Estilo:
- Inglés hablado simple con contracciones.
- Oraciones de 8–15 palabras; los números escritos como palabras.
- Sin direcciones escénicas en el texto hablado.
- Nunca describas lo que el espectador ya ve.
Autoverificación (corrige en silencio si falla alguna): recuento de palabras dentro de ±10 % del objetivo; el gancho es una declaración, no una pregunta; cada oración se puede ilustrar literalmente; el giro tiene 12 palabras o menos y aparece al final; los hechos coinciden con las fuentes.
Responde con:
- a) El guion en un bloque de código, con el recuento de palabras y los segundos estimados.
- b) Un párrafo del plan visual.
- c) Consejos de grabación:
- Un narrador cálido y constante. ElevenLabs funciona bien: una voz de narrador profunda, velocidad ~1.05–1.1, estabilidad ~45–55 %.
- MP3 o WAV está bien.
- Deja pausas naturales al final de las oraciones.
- Exporta SIN música.
- d) "Sube la voz cuando esté lista y yo haré el video completo."
Conserva el texto final del guion, porque impulsa la sincronización. Si grabaron una versión modificada, pide el texto final.
Etapa 4: Construcción (sin paradas desde aquí)
Crea la lista de tareas: Configuración · Sincronización · Plan de tomas · Mundo · Elenco · Movimiento · Hoja de contactos → usuario · Sonido · Renderizado completo · Finalización + QA · Entrega.
4.0 Configuración
SK=$(dirname "$(find / -name SKILL.md -path '*cartoon-audio-short*' 2>/dev/null | head -1)")
bash "$SK/kit/tools/setup.sh" ~/shorts/<slug> # trata $SK/kit como solo lectura
cd ~/shorts/<slug> && cp <voz subida> voice.mp3 && printf '%s' "<guion final>" > script.txt
./short.sh doctor
setup.shcopia el motor, las herramientas y el ejemplo de trabajo (como elweb/story.jsyaudio.pyinicial). Instala three.js r160 y la base de dibujos animados desdekit/vendor/(sin necesidad de red), compila y verifica la sintaxis deweb/toon.js, y enlaza Playwright. Sale con código 3 si falta three.js.- Requisitos: Node 22.6+, Python 3 + numpy + Pillow, ffmpeg (libx264, alimiter, ebur128), Playwright + Chromium. Si falta Playwright:
npm i -g playwright && npx playwright install chromium. - Nunca deshabilites TLS ni evites un proxy. Si una instalación está bloqueada, di qué paquete y continúa con lo instalado.
- Chromium usa WebGL por CPU (swiftshader) a aproximadamente 3–5 s por fotograma por trabajador. Un corto de 20 s (600 fotogramas) toma aproximadamente 20–50 min; planifícalo.
4.1 Sincronización: ./short.sh timing
- Si whisper o faster-whisper está instalado, usa marcas de tiempo de palabras. De lo contrario, alinea frases del guion con el habla detectada por silencio con una DP de sílaba/duración.
- Imprime las frases con rangos de fotogramas y líneas WARN (frases muy cortas, superposiciones, colas largas, inicio tardío, una grabación que no coincide con el guion). Resuelve las advertencias fusionando tomas, corrigiendo
work/phrases.jsonmanualmente o pidiendo el texto final. - N = fotogramas totales =
frames30enwork/phrases.json(medido desde el audio decodificado).
4.2 Plan de tomas: work/PLAN.md, antes de cualquier código
Haz una fila por toma: | # | fotogramas | palabras | escenario | luz | cámara | elenco/pose/rostro | FX | SFX |
- El fotograma 0 ES la imagen del gancho: sin fundido de entrada, sin tarjeta de título.
- Aproximadamente una toma por frase. Fusiona frases de menos de 0.6 s en la siguiente toma.
- Ilustra cada oración literalmente; los accesorios llevan las bromas.
- Ritmo de tamaño de toma: gancho MCU → revelación amplia → plano de dos → inserto en el objeto clave → primer plano de reacción → movimiento de entorno para el remate. Nunca uses el mismo tamaño dos veces seguidas.
- La luz establece el estado de ánimo: día (normal), dorado (drama/decadencia), azul nocturno (explicación). Un salto de tiempo obtiene un destello blanco de 6 fotogramas.
- El giro recibe un impacto: la música se detiene, un golpe bajo, un acercamiento con un giro de 3–5°. El remate físico ocurre en la palabra final.
- El último fotograma debe ser una imagen fija fuerte que corte limpiamente de vuelta al fotograma 0 para el bucle.
4.3 Mundo (web/main.js, web/story.js)
- Mantén las secciones del motor en
main.js: materiales de dibujos animados, contrato de tinta, add/tbox, cielo, luces, tarjetas, objetivos de renderizado/post, applyLight, drawActors, swapForNd, renderFrame. - Reemplaza solo el mundo de ejemplo entre
// ---------- world ----------y// ---------- cards ----------, más las partes de la historia deworldState()y cualquier accesorio (el ejemplo del soldado tiene un accesorio de casco 3D). story.jsexporta SHOTS, TOTAL, shotAt, camAt, dofAt, LIGHTS/lightFor, worldAt, actorsAt(f, T) y fxAt(f, T). Todas son funciones puras del fotograma. EstableceTOTAL= N.- Las texturas provienen de
paint.js: tablones, viga, podrido, piedra, musgo, hierba, tierra, yeso, techo, mármol, pancarta, texto tallado. Los nuevos pintores usan el mismo estilo de color plano con costuras oscuras. - Usa
tboxpara densidad de texel constante, un degradado de dibujos animados de 2 pasos y niebla = color del horizonte. - Capas de fondo: colinas de esferas medio enterradas, montañas de cono con picos de nieve, árboles de ciprés/pino, casas distantes y carteles de nubes pintadas.
- Piezas de decorado (colapsos, caídas, puertas) son grupos pivotados impulsados por un progreso de 0..1 desde
worldAt(f), suavizados y escalonados. - El texto diegético curvo usa UVs planares. Verifica que no esté reflejado.
4.4 Elenco (web/roman.js → web/toon.js)
romanFront(p, outfitKey, opts)dibuja en un lienzo de diseño de 600x1000 con las plantas en y=975. La tarjeta mide 2.25 m de alto, por lo que 1 unidad de diseño = 0.00225 m.- Vestimentas (
OUTFITS): legion, old, toga, civA, civB, civC, workA, workB. Añade nuevas con claves de túnica/capa/armadura/casco/pelo/gorra/barba/delantal/vestido/toga. - Poses de brazos: colgar, lanza, señalar, arriba, agitar, cadera, vientre, templo(+remolino), levantar, alcanzar(+levantar), mejilla, escudo, cruzar, pulgar.
- Rostros: el conjunto FACE base de dibujos animados más roncar, terco y entrecerrar. Extiende FACE para más.
- Después de las ediciones del elenco, reconstruye con
cat web/toonbase.js web/roman.js > web/toon.js. Luego ejecuta./short.sh casty MIRAstills/cast_sheet.pngantes de usar un diseño. - Los carteles giran solo en guiñada, obtienen una mancha de contacto y una sombra con prueba alfa, y nunca son entintados por el pase mundial.
- Construye claves de tarjeta a partir de valores redondeados con
q()para que el lienzo se redibuje solo en un cambio visible. - Una parte separada (por ejemplo, un casco levantado) es su propia tarjeta:
y = DECK + (partY − hc) × 0.00225, alineada conheadCenter(seed). - Dale al héroe UN rasgo distintivo (color, sombrero, accesorio) para que se lea instantáneamente en tamaño de teléfono.
4.5 Movimiento (web/motion.js): suave y vivo
Cámaras:
- Usa
camFromKeys(keys, f, {kicks}): deslizamientos smootherstep de 18–45 fotogramas, easeOut para revelaciones y giros, ypathde puntos de paso (Catmull-Rom) para curvas. - Cada espera se arrastra; nada es estático durante 4+ fotogramas.
- El drama obtiene un giro de 3–5°; los impactos obtienen una sacudida de 7 fotogramas mediante
kicks. - Prefiere movimientos continuos (retroceso, enfoque variable, grúa, acercamiento). Corte brusco solo en saltos de lugar o tiempo, con un destello.
Personajes:
- Nunca se congelan: aplica
idle(f, seed)a cada tarjeta,blinkAtpara parpadeos y movimientos de cabeza en palabras acentuadas. - Las acciones siguen anticipación → sobreimpulso → asentamiento de resorte (
M.anticip,M.back,M.spring). Un pisotón es una caída de 2 fotogramas + bocanada de polvo + patada. Una risa es un balanceo alternante + movimiento de cabeza. - Caminatas:
walk()da distancia más fase de paso. Mantén los pies plantados con un balanceo del 3–7 %.
Movimiento secundario siempre está presente: tela, hojas, polvo, gotas, Zzz, agua.
Lente: profundidad de campo en primeros planos y planos medios (cInf 8–14 px), enfocada en los ojos. Los planos generales se mantienen nítidos. Los enfoques toman ~14 fotogramas.
4.6 Verificación del aspecto (OBLIGATORIO antes del renderizado completo)
Ejecuta ./short.sh stills "5,40,90,..." a, eligiendo la mitad de cada toma más las transiciones y acciones clave. Escribe stills/sheet_a.jpg con etiquetas de fotogramas. Ábrelo y corrige cada trampa:
- Encuadre: mitad de ancho = d·tan(hfov/2), donde hfov = 2·atan(tan(vfov/2)·0.5625). A 4 m y fov 40 eso es solo ±0.8 m, así que coloca a los personajes en PROFUNDIDAD.
- Obstrucciones: sin rieles ni postes sobre las caras; la cámara no está dentro de rieles, casas, techos o arbustos.
- Espacio libre: ningún accesorio en primer plano a menos de ~2 m; el héroe nunca está oculto detrás de un pilar.
- Texto y partes: el texto no está reflejado; las tarjetas de partes separadas están desplazadas correctamente.
- Grupos de extrusión: 0 = tapas, 1 = lados + superior.
- Tinta: presente en todas partes. Si no, depura con
HASH=#e(solo bordes) yHASH=#nd(normal/profundidad). El radio de tinta es ~2.5 px a 1080; el cielo cuenta como profundidad lejana, no como tarjeta. - Tamaño de teléfono: los rostros aún se leen con la hoja vista al 25 %.
Envía la hoja al usuario con un resumen de una línea por toma, luego comienza el renderizado completo sin esperar.
4.7 Sonido: ./short.sh sound
- Bloquea la sincronización de imagen primero. Cualquier cambio de sincronización significa volver a ejecutar el sonido.
audio.pycontiene SOLO la tabla de señales. Los sintetizadores viven ensynth.py:- Música:
march,drone, PROG_MINOR/PROG_MAJOR, punteo, metal, batería. - SFX: whoosh, thunk, rumble, crash, scrape, ting, sting, creak, snap, splash, snore, leaves, water, cuckoo, pop, boing, footstep/steps, wind, crowd.
- Música:
- La música se detiene en la línea del giro (
march(..., end=TWIST)), luegodronecontinúa hasta el final. - Guarda la pista de SFX con
crest_db=14. Esto doma los transitorios para que los SFX puedan situarse cerca del 50 % bajo el límite de pico. mix.pyimprime los niveles. Confirma que la música muestra −6.0 dB respecto a la voz (OK) y los SFX a −6 dB o por debajo (OK). Nunca ajustes manualmente; corrige las pistas en su lugar.
4.8 Renderizado + finalización
- Renderiza con
WORKERS=2 ./short.sh renderusandorun_in_backgroundde Bash. Verifica./short.sh progress(hecho, s/fotograma, ETA) desde un bucle de Monitor. - Los fotogramas se escriben atómicamente. Después de una interrupción, usa
RESUME=1 WORKERS=2 ./short.sh render. - Usa WORKERS=1 en máquinas con 4 núcleos o menos. No ejecutes Python pesado junto con esto.
- Luego ejecuta
./short.sh finish "Título":- Verifica que los fotogramas estén completos y contiguos.
- Aplica UNA ganancia lineal medida a −14 LUFS más un limitador de −1 dBFS, y codifica H.264 CRF 17 + AAC.
- QA cubre tamaño, duración vs voz, fotogramas congelados/negros, sonoridad y niveles de mezcla. Escribe
out/qa.txtyout/qa_sheet.jpgy sale con código 1 en cualquier FALLO.
4.9 Definición de completado
- Duración = duración de la voz (±1 fotograma); 1080x1920; 30 fps.
- El gancho es el fotograma 0; sin títulos ni fundidos de entrada.
- Cada oración del guion está ilustrada por al menos una toma.
- El giro es la última línea, con la música detenida y un impacto de SFX.
- El nivel de música es −6.0 dB vs voz; los SFX están a −6 dB o por debajo.
- Sin texto reflejado, sin obstrucciones, sin fotogramas congelados.
-
out/qa.txtpasa todas las comprobaciones (sin FALLOS). - El último fotograma se puede unir suavemente al fotograma 0.
- El video se entrega como
out/final.mp4.