Preprocesamiento de Medios HyperFrames
Tres comandos de CLI que producen activos para composiciones: tts (voz), transcribe (marcas de tiempo) y remove-background (video transparente). Cada uno descarga un modelo en la primera ejecución y lo almacena en caché en ~/.cache/hyperframes/. Coloca la salida en el proyecto y luego haz referencia a ella desde el HTML de la composición; consulta la habilidad hyperframes para conocer las convenciones de elementos de audio/video.
Texto a Voz (tts)
Genera audio de habla localmente con Kokoro-82M. Sin clave de API.
npx hyperframes tts "Texto aquí" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # las 54 voces
Selección de Voz
Empareja la voz con el contenido. El valor predeterminado es af_heart.
| Tipo de contenido | Voz | Por qué |
|---|---|---|
| Demostración de producto | af_heart/af_nova | Cálida, profesional |
| Tutorial / cómo hacer | am_adam/bf_emma | Neutral, fácil de seguir |
| Marketing / promoción | af_sky/am_michael | Enérgica o autoritaria |
| Documentación | bf_emma/bm_george | Inglés británico claro, formal |
| Casual / social | af_heart/af_sky | Accesible, natural |
Multilingüe
Los IDs de voz codifican el idioma en la primera letra: a=Inglés americano, b=Inglés británico, e=Español, f=Francés, h=Hindi, i=Italiano, j=Japonés, p=Portugués brasileño, z=Mandarín. La CLI detecta automáticamente la configuración regional del fonetizador a partir del prefijo; no se necesita --lang cuando la voz coincide con el texto.
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
Usa --lang solo para anular la detección automática (acentos estilizados). Códigos válidos: en-us, en-gb, es, fr-fr, hi, it, pt-br, ja, zh. La fonetización en idiomas distintos al inglés requiere espeak-ng instalado en el sistema (brew install espeak-ng / apt-get install espeak-ng).
Velocidad
0.7-0.8— tutorial, contenido complejo, accesibilidad1.0— ritmo natural (predeterminado)1.1-1.2— intros, transiciones, contenido animado1.5+— raramente apropiado; probar con cuidado
Guiones Largos
Para más de unos pocos párrafos, escribe un archivo .txt y pasa la ruta. Las entradas de más de ~5 minutos de habla pueden beneficiarse de dividirse en segmentos.
Requisitos
Python 3.8+ con kokoro-onnx y soundfile (pip install kokoro-onnx soundfile). El modelo se descarga en el primer uso (~311 MB + ~27 MB de voces, almacenado en caché en ~/.cache/hyperframes/tts/).
Transcripción (transcribe)
Produce un transcript.json normalizado con marcas de tiempo por palabra.
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # importar existente
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
Regla de Idioma (No Negociable)
Nunca uses modelos .en a menos que el usuario indique explícitamente que el audio está en inglés. Los modelos .en (small.en, medium.en) traducen audio no inglés al inglés en lugar de transcribirlo. Esto destruye silenciosamente el idioma original.
- Idioma conocido y no inglés →
--model small --language <código>(sin sufijo.en) - Idioma conocido y inglés →
--model small.en - Idioma desconocido →
--model small(sin.en, sin--language) — whisper detecta automáticamente
El modelo predeterminado es small, no small.en.
Tamaños de Modelo
| Modelo | Tamaño | Velocidad | Cuándo usarlo |
|---|---|---|---|
tiny | 75 MB | Más rápido | Vista previa rápida, prueba del pipeline |
base | 142 MB | Rápido | Clips cortos, audio claro |
small | 466 MB | Moderado | Predeterminado — la mayoría del contenido |
medium | 1.5 GB | Lento | Contenido importante, audio ruidoso, música |
large-v3 | 3.1 GB | Más lento | Calidad de producción |
Música con voces: comenzar con medium como mínimo; las pistas producidas a menudo necesitan importación manual de SRT/VTT. Para verificaciones de calidad de subtítulos (obligatorias después de cada transcripción), el JS de limpieza, las reglas de reintento y la ruta de importación de API de OpenAI/Groq, consulta hyperframes/references/transcript-guide.md.
Forma de Salida
Las composiciones consumen un arreglo plano de objetos de palabras. El campo id (w0, w1, ...) se agrega durante la normalización para referencias estables en anulaciones de subtítulos; es opcional para compatibilidad hacia atrás.
[
{ "id": "w0", "text": "Hola", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "mundo.", "start": 0.6, "end": 1.2 }
]
Eliminación de Fondo (remove-background)
Elimina el fondo de un video o imagen para que el sujeto (típicamente una persona — avatar, presentador, cabeza parlante) se asiente como una superposición transparente en una composición.
npx hyperframes remove-background subject.mp4 -o transparent.webm # predeterminado: VP9 alfa WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444 (edición)
npx hyperframes remove-background portrait.jpg -o cutout.png # recorte de una sola imagen
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # ambas capas en una sola pasada
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # proveedores detectados
Usa u2net_human_seg (MIT). La primera ejecución descarga ~168 MB de pesos en ~/.cache/hyperframes/background-removal/models/.
Separación de Capas (--background-output)
Pasa --background-output (o -b) para emitir un segundo video transparente junto con el recorte: mismo RGB de origen, alfa es 255 − máscara en lugar de máscara. El recorte es el sujeto con un fondo transparente; la placa es el entorno original con un agujero transparente donde estaba el sujeto.
| Archivo | Alfa es… | Úsalo para |
|---|---|---|
-o subject.webm | La máscara — sujeto opaco, fondo transparente | Capa frontal, colócala encima |
--background-output plate.webm | Inversa — entorno opaco, región del sujeto transparente | Capa inferior; coloca texto o gráficos entre esta y el sujeto |
Ambas salidas comparten el mismo preajuste --quality y se ejecutan desde una sola pasada de inferencia: el costo de codificación se duplica aproximadamente, el costo de segmentación permanece igual. Solo es válido para entradas de video y salidas .webm/.mov.
Placa con agujero recortado, no una placa limpia con pintura. La región del sujeto en plate.webm es completamente transparente: compón algo opaco debajo para llenar el agujero. La única prueba para saber si --background-output es la herramienta adecuada: ¿alguna vez será visible algo a través de la silueta del sujeto donde solía estar el sujeto?
| Caso de uso | Herramienta adecuada |
|---|---|
| Texto/gráficos entre el recorte y la placa (razón de ser de este comando) | Agujero recortado (--background-output) |
| Sujeto sobre una escena no relacionada | Solo subject.webm; ignora la placa |
| Mostrar la sala sin la persona, sola sobre ningún otro contenido | Placa limpia — necesita un inpainter (LaMa, ProPainter, E2FGVI). No este comando. |
| Reemplazar el sujeto con un sujeto diferente | Placa limpia — igual que arriba |
Si un usuario pide "la sala sin la persona" y planea mostrarla de forma independiente, no uses --background-output. Indícale que necesita un inpainter.
Composición típica en capas (el caso de uso canónico del agujero recortado):
<!-- z=1 la placa de alfa inverso llena todo excepto la región del sujeto -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 gráficos / texto viven entre las dos capas -->
<h1 id="headline" style="z-index:2; ...">HECHO EN HYPERFRAMES</h1>
<!-- z=3 el recorte coloca el sujeto de nuevo sobre el título -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
Esto es funcionalmente equivalente al patrón de texto detrás del sujeto a continuación, pero no necesitas el presenter.mp4 original en el proyecto — la placa lo reemplaza. Útil cuando quieres enviar solo las dos capas transparentes y dejar que el usuario coloque contenido arbitrario entre ellas.
Formato de Salida
| Formato | Cuándo |
|---|---|
.webm (VP9 + alfa) | Predeterminado. Las composiciones lo reproducen directamente mediante <video>. |
.mov (ProRes 4444) | Edición en DaVinci/Premiere/FCP. Archivos grandes. |
.png | Recorte de una sola imagen (sujeto fijo, superpuesto sobre un fondo). |
Chrome decodifica VP9 alfa de forma nativa, por lo que el .webm se integra en una composición como cualquier otro video con reproducción automática silenciada: consulta la habilidad hyperframes para conocer las convenciones de pistas <video>.
Preajustes de Calidad
--quality fast|balanced|best controla solo el CRF del codificador VP9 — la calidad de segmentación es fija.
| Preajuste | CRF | Cuándo |
|---|---|---|
fast | 30 | Iterando, archivo más pequeño, coincidencia de color menos estricta |
balanced | 18 | Predeterminado. Visualmente idéntico para la mayoría de los usos |
best | 12 | Salida maestra / final. Archivo más grande, coincidencia más ajustada |
Patrones de Compositor — elige el correcto
El webm recortado es una copia recodificada del RGB del mp4 de origen. Esa elección tiene consecuencias dependiendo de lo que coloques detrás:
| Patrón | Qué hay detrás del recorte | Resultado |
|---|---|---|
| Recorte sobre una escena diferente (más común) | Imagen estática, degradado o video no relacionado | Se ve genial. El RGB del recorte es la única fuente del sujeto — sin duplicación, sin halo en los bordes. Para esto está diseñado remove-background. |
| Recorte sobre su propio mp4 de origen (texto detrás del sujeto) | El mismo mp4 del que se generó el recorte | Dos fuentes RGB para la misma persona. Con --quality balanced predeterminado (crf 18) la duplicación es apenas visible; con --quality fast (crf 30) verás un ligero cambio de color / halo en los bordes. Usa --quality best (crf 12) para maestros. |
| Recorte sobre una toma diferente de la misma persona | Material del mismo sujeto | Se verá como dos personas superpuestas. No hagas esto. |
Texto detrás del sujeto (título detrás de un presentador):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">HECHO EN HYPERFRAMES</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
Dos reglas clave:
- Envuelve el video recortado en un
<div>sin temporización y anima la opacidad del contenedor, no la del elemento de video. El framework fuerza opacity:1 en clips activos (cualquier elemento condata-start/data-duration), por lo que animar la opacidad del video directamente se anula silenciosamente. El contenedor no tiene atributosdata-*, por lo que es controlado por tu CSS/GSAP. - Ambos videos usan
data-start="0"ydata-media-start="0"para que el framework los decodifique sincronizados desde t=0. Montar el recorte tardíamente (data-start=3.3) introduce una búsqueda + calentamiento que aterriza un fotograma fuera del mp4 base — visible como un fotograma de desalineación en el corte.
Luego, invierte la opacidad del contenedor con GSAP en el corte: tl.set(cutoutWrap, { opacity: 1 }, 3.3).
TTS → Transcribir → Subtítulos
Cuando no hay una voz en off pregrabada, genera una y transcríbela para obtener marcas de tiempo por palabra para los subtítulos:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json
El transcript.json resultante se puede usar directamente para subtítulos en la composición.