HyperFrames Media
Cree los activos de audio y multimedia que necesita una composición: locuciones (TTS), música de fondo + efectos de sonido, transcripción, subtítulos, eliminación de fondo — y luego consuma y anime esos datos en HTML. Para colocar activos en composiciones, consulte hyperframes-core.
El motor de audio — una única fuente para TTS · BGM · SFX
Los flujos de trabajo NO implementan audio a mano ni distribuyen copias. Hay un único motor — scripts/audio.mjs — que toma un audio_request.json neutral y escribe audio_meta.json (además de los activos en assets/voice|bgm|sfx):
# <MEDIA_DIR> = directorio de este skill
node <MEDIA_DIR>/scripts/audio.mjs --request ./audio_request.json --hyperframes . --out ./audio_meta.json
Las tres capacidades se degradan según UN SOLO INTERRUPTOR — si hay una credencial de HeyGen presente (resuelta desde $HEYGEN_API_KEY / $HYPERFRAMES_API_KEY / ~/.heygen, no desde la CLI):
| Capacidad | Credencial HeyGen presente | ausente |
|---|---|---|
| TTS | HeyGen Starfish REST (marcas de tiempo de palabras nativas) | → ElevenLabs → Kokoro (encadenar transcribe para palabras) |
| BGM | Recuperación de música de HeyGen | Generación local Lyria → MusicGen (desacoplada) |
| SFX | Recuperación de efectos de sonido de HeyGen (min_score 0.4) | Biblioteca empaquetada de 21 archivos (assets/sfx/) |
- Solicitud (
audio_request.json):{ provider?, lang?, speed?, lines: [{ id, text, sfx?: [names] }], bgm: { mode?, query?, prompt? } }.idvincula cada línea al modelo del invocador (un número de fotograma, un ID de escena, …).bgm.mode=retrieve | generate | none; omitir para automático (recuperar cuando hay credenciales, si no, generar). Unretrieveexplícito es estricto — se salta en lugar de iniciar una generación desacoplada (para invocadores sin pasowait-bgm). - Salida (
audio_meta.json, indexado por id):{ tts_provider, voice_id, bgm, bgm_pending, …, voices: [{ id, path, duration_s, words }], sfx: [{ id, name, file, source, offset_s, duration_s, volume }], total_duration_s }. --only tts,bgm,sfxejecuta un subconjunto y fusiona con un--outexistente (p. ej., TTS+BGM temprano, SFX una vez que existan las pistas).- La generación de BGM se lanza desacoplada (
bgm_pending: true) — ejecutescripts/wait-bgm.mjsantes de ensamblar. scripts/heygen-tts.mjses una CLI de un solo disparo sobre el mismo código (un texto → wav + palabras) para cuando solo se necesita TTS de HeyGen sin un archivo de solicitud.
La lista completa de banderas y el esquema de audio_meta.json se encuentran en el encabezado de scripts/audio.mjs. Las referencias a continuación cubren los detalles de los proveedores y los casos límite detrás de cada capacidad.
Verificación previa — mostrar estado de inicio de sesión antes de cualquier audio
Ejecute siempre esto antes de generar voz o BGM — dentro de un flujo de trabajo completo o una solicitud única de "generar un BGM/locución". La ausencia de credenciales de HeyGen no es motivo para recurrir silenciosamente a los motores locales: primero recomiende iniciar sesión y deje que el usuario decida. Ejecute la verificación previa compartida y transmita su salida textualmente — no improvise su propio mensaje de "clave faltante" y no ofrezca escribir claves en un .env por repositorio:
npx hyperframes auth status
- Sesión iniciada → imprime la cuenta; proceda.
- Sesión no iniciada (se espera
exit 1aquí — "no ha iniciado sesión" es un estado normal, no un fallo) → imprime instrucciones de registro primero. Recomiende iniciar sesión:npx hyperframes auth logines OAuth del navegador — inicia sesión y crea una cuenta (siempre disponible a través de la CLI de este repositorio). Para usar una clave API de HeyGen existente (de app.heygen.com/settings/api), ejecutenpx hyperframes auth login --api-key— la guarda en~/.heygencompartido (sin.envpor repositorio). La salida también enumera los motores locales de voz/BGM a los que se recurrirá y una pista depipcuando faltan dependencias. Transmita esta salida tal cual — no la parafrasee con sus propias palabras. Luego PARE y espere a que el usuario elija — iniciar sesión, o decir "adelante" / "local" para continuar sin conexión — antes de generar nada. Este es un punto de decisión real, no una nota pasajera: no lo integre en otra pregunta, y no continúe por su cuenta. (Excepción: en modo autónomo / no interactivo, anote el estado y continúe sin conexión). npx hyperframes auth status --jsondevuelve{ configured, recommended_action, offline_engines }para bifurcaciones deterministas.- Si la CLI no se puede ejecutar (no está en PATH y
npxno puede obtenerla) → aún así recomiende iniciar sesión (npx hyperframes auth login) y PARE para la decisión del usuario — no trate "sin credencial" como una luz verde silenciosa para generación local.
La resolución de credenciales, la prioridad completa de claves y la lista de dependencias locales se encuentran en references/requirements.md.
Cadenas de proveedores (el detalle detrás del motor)
TTS — gana el primer proveedor disponible (el motor, o npx hyperframes tts "..."):
| Orden | Proveedor | Detectado cuando | Marcas de tiempo de palabras |
|---|---|---|---|
| 1 | HeyGen (Starfish) | $HEYGEN_API_KEY / hyperframes auth login | Sí, nativas — pase --words narration.words.json para capturar |
| 2 | ElevenLabs | $ELEVENLABS_API_KEY establecida | No — encadenar transcribe después |
| 3 | Kokoro-82M (local, 54 voces) | siempre (sin clave requerida) | No — encadenar transcribe después |
La CLI publicada
hyperframes ttssuele ser la compilación solo local (su--helpdice "Kokoro-82M", sin--provider/--words) y recurre silenciosamente a Kokoro incluso con$HEYGEN_API_KEYestablecida. Por eso la ruta HeyGen del motor es elscripts/heygen-tts.mjsautocontenido (REST), NO la CLI; la CLI se usa solo para la ruta Kokoro. Consultereferences/tts.md.
BGM y SFX — por defecto se recuperan de la biblioteca de audio de HeyGen (/v3/audio/sounds), misma credencial que para TTS de HeyGen, con la alternativa sin credenciales del interruptor anterior:
| Activo | Tipo HeyGen | Destino | Alternativa (sin credencial) |
|---|---|---|---|
| BGM | music | assets/bgm/track.mp3 (recuperar) · track.wav (generar) | Generación Lyria / MusicGen |
| SFX | sound_effects (min_score 0.4) | assets/sfx/<slug>.mp3 | Biblioteca empaquetada de 21 archivos (assets/sfx/* + manifest.json) |
Consulte references/bgm.md y references/sfx.md.
Enrutamiento
| Tarea | Leer |
|---|---|
El motor de audio — esquema solicitud/meta, --only, el interruptor | scripts/audio.mjs (comentario del encabezado) |
npx hyperframes tts / heygen-tts.mjs — proveedores, voces, palabras | references/tts.md |
| BGM — recuperación HeyGen + generación local Lyria / MusicGen | references/bgm.md |
| SFX — recuperación HeyGen (min_score 0.4) + biblioteca local empaquetada | references/sfx.md |
npx hyperframes transcribe — Whisper, reglas de modelo, forma de salida | references/transcribe.md |
npx hyperframes remove-background — recortes transparentes | references/remove-background.md |
| TTS → transcripción → subtítulos (sin locución grabada) | references/tts-to-captions.md |
| Creación de subtítulos — detección de estilo, diseño, agrupación de palabras, salida | references/captions/authoring.md |
| Manejo de transcripciones — formatos de entrada, controles de calidad, limpieza, APIs | references/captions/transcript-handling.md |
| Movimiento de subtítulos — karaoke, efectos de marcador, audio-reactivo | references/captions/motion.md |
| Cachés de modelo, dependencias del sistema, solución de problemas | references/requirements.md |
Reglas no negociables
- Un solo motor, sin copias distribuidas. Produzca audio a través de
scripts/audio.mjs(oheygen-tts.mjspara TTS HeyGen de un solo uso). No reimplemente TTS/BGM/SFX dentro de un flujo de trabajo — escriba un adaptadoraudio_request.jsony llame al motor. - "HeyGen disponible" = una credencial resoluble, no la CLI. Todo el interruptor depende de
heygenCredential(); la CLI publicadahyperframes ttspuede ser solo Kokoro, y no existe ningún comandohyperframes bgm/hyperframes sfx. - Los IDs de voz son específicos del proveedor.
am_michaeles solo Kokoro; los UUIDs de HeyGen no funcionan en Kokoro. Si pasa--voice, también fije--providerpara evitar una deriva silenciosa del proveedor cuando cambie el entorno del usuario. - Pase siempre
--modelatranscribe. El valor por defecto de la CLIsmall.entraduce silenciosamente audio no inglés. Consultereferences/transcribe.md→ "Language Rule". - HeyGen devuelve marcas de tiempo de palabras; ElevenLabs / Kokoro no. El motor encadena
transcribeautomáticamente para estos dos últimos; de forma independiente, pase--wordsa HeyGen o ejecutetranscribecontra el archivo de audio. - Los subtítulos consumen el formato de matriz plana de palabras con
{ id, text, start, end }. Consultereferences/transcribe.md→ "Output Shape". remove-background --background-outputes recorte de agujero, no relleno. Para "escena sin la persona", se necesita una herramienta diferente. Consultereferences/remove-background.md→ "When NOT the right tool".- BGM/SFX por defecto usan recuperación de HeyGen; la alternativa sin credenciales es generación (BGM) o la biblioteca empaquetada (SFX).
/audio/soundsclasifica por una consulta de texto — nombre los efectos de forma concreta (glass shatter, nodramatic sound); una falta de coincidencia se salta, nunca bloquea la representación. Los SFX se sitúan en un volumen ~0.35 por debajo de voz + BGM. Consultereferences/sfx.md/references/bgm.md. - Trate el HTML de subtítulos del flujo de trabajo como salida generada. Para videos respaldados por plantillas, la fuente de piel reutilizable reside en
.hyperframes/caption-skin.htmly el script del flujo de trabajo escribecompositions/captions.html; no edite elcompositions/captions.htmlgenerado para arreglar la piel. Reconstruya a través delcaptions.mjsdel flujo de trabajo, o use el mecanismo de anulaciones explícitas de ese flujo de trabajo cuando esté presente.