Communitygithub.com

Annie-246/tabcom-skills

Edita video vertical (9:16) para Tabcom desde fuente de hablante + assets ilustrativos, mediante pipeline ffmpeg + Pillow. Se usa cuando el usuario envía un video fuente a la carpeta "Tabcom edit video" y solicita "editar video", "montar video", "hacer video nuevo", "cortar video", "editar vid", o pide editar/renderizar de nuevo un borrador de video Tabcom. Incluye extracción de marcas de tiempo del diálogo, eliminación de fondo AI, montaje de escenas con texto animado, inserción continua de imágenes ilustrativas, logo real, zoom punch, transiciones flash y efectos de sonido.

¿Qué es tabcom-skills?

Este skill de agente AI está diseñado para la edición automática de videos verticales (9:16) para Tabcom, utilizando una pipeline basada en ffmpeg y Pillow para renderizar cada fotograma. Es ideal cuando el usuario necesita editar, montar o renderizar un video Tabcom a partir de un archivo fuente de un hablante y assets visuales. El skill ejecuta un flujo de trabajo completo que incluye: extracción de marcas de tiempo del diálogo con faster-whisper, recolección de imágenes de múltiples fuentes (assets locales, capturas de pantalla de plataformas, fotos de stock libres), separación de fondo del hablante con modelos AI (birefnet/isnet), composición de escenas con animaciones de texto variadas (pop, slide, wipe, flip, shakein, float, fly), y aplicación de overlays, logotipos, transiciones flash y efectos de sonido. El skill está disponible para cualquier interfaz de agente AI que ejecute scripts de Python y comandos de shell (Claude Code, Cursor, Codex, etc.) y asume un entorno con Python, ffmpeg, rembg, faster-whisper y Playwright. Su utilidad principal es automatizar el tedioso proceso de edición de video manteniendo una alta calidad visual y coherencia narrativa, reduciendo el tiempo manual de horas a minutos.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Annie-246/tabcom-skills/tree/HEAD/plugins/tabcom-video-edit/skills/tabcom-video-edit

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Edición de video Tabcom — pipeline para video vertical

Montaje de video mediante código (ffmpeg + Pillow renderizando cada fotograma), sin usar CapCut para el montaje. El usuario solo añade la música de fondo en CapCut después de recibir el archivo — los subtítulos los genera la pipeline directamente (acordado el 18/08/2026).

Parámetros estándar: 1080×1920, 25fps, H.264 crf 19, conservando todo el diálogo original de la fuente. Se concatena OUTRO TABCOM al final (convirtiendo 30fps→25fps y luego concat).

Paso 0 — Leer antes de empezar

  1. tai-lieu/Phan-tich-video-mau.md (dentro de este skill) — análisis de video de muestra, 5 tipos de escena estándar.
  2. tai-lieu/quy-tac-video-tabcom.md (dentro de este skill) — convenciones de logo de marca, convenciones de guardado de salida, convenciones de recolección de imágenes ilustrativas. Obligatorio leer antes de recopilar assets.

Contenido legal/de políticas: los assets deben extraerse del texto original o fuentes oficiales, indicando el nombre del texto debajo de la imagen.

Preparación (solo una vez por máquina)

Los assets fijos (fuentes, fondos, tarjetas degradadas, OUTRO, logos de plataforma, stickers de muestra) ya están en assets/ de este skill — no es necesario descargar nada adicional. Verificar con:

python scripts/tabcom_paths.py     # imprime una tabla OK/FALTANTE para cada asset

Requisitos del entorno: ver cai-dat/README-cai-dat.md en el paquete (ffmpeg, python + rembg, faster-whisper, Playwright). Si faltan librerías, informar al usuario que las instale primero, no improvisar soluciones alternativas.

Entrada

Cada video es una carpeta yy.mm.dd - Nombre del video/ que contiene el archivo fuente del hablante. Se especifica mediante variables de entorno, no se hardcodean rutas en el script:

# PowerShell
$env:TABCOM_SRC    = "D:\Video\26.08.20 - Ten video\source.mp4"     # archivo fuente del hablante
$env:TABCOM_OUT    = "D:\Video\26.08.20 - Ten video\26.08.20 - Ten video (draft v1).mp4"
$env:TABCOM_ASSETS = "D:\Video\26.08.20 - Ten video\assets"          # imágenes ilustrativas de este video

Todos los scripts leen las rutas desde scripts/tabcom_paths.py:

VariableApunta aNotas
P.FIXassets/co-dinh/Fondos, tarjetas degradadas de escena split, OUTRO, logos sobre fondo claro
P.LOGOassets/logo/Logos de Shopee, TikTok, Facebook, Zalo sin fondo — añadir nuevos guardándolos aquí
P.FONTSassets/fonts/ps-display/PS Anton - Regular V1.0.otf (texto grande), Big Shoulders ExtraBold Viet Hoa.otf (línea secundaria). Tamaño de fuente multiplicado por 1.22 por ser fuente condensada
P.STICKERSassets/stickers/Stickers, badges de plataforma, muestras de PNG flash
P.src() / P.out_file()TABCOM_SRC / TABCOM_OUTReporta error claro si no están configuradas
P.assets()TABCOM_ASSETSImágenes ilustrativas específicas del video que se está montando
P.work()./build o TABCOM_WORKLugar para guardar fotogramas, clips, máscaras intermedias

Paso 1 — Extraer marcas de tiempo del diálogo (obligatorio)

ffmpeg -i "source....mp4" -ac 1 -ar 16000 audio.wav

faster-whisper modelo small, language='vi', word_timestamps=True, vad_filter=True.

Whisper puede reconocer incorrectamente nombres propios ("shop"→"SOAP", "Tabcom"→"TAPCOM", "Shopee"→"Soppy") — ignorar, solo se necesitan las marcas de tiempo. Crear una tabla: marca → idea que se está diciendo → escena prevista.

Paso 2 — Recopilar imágenes (OBLIGATORIO, determina la calidad del video)

Requisito estricto del usuario: las imágenes deben ser continuas, cada pantalla debe tener una imagen, ninguna pantalla solo con texto liso. Un video de ~115 segundos necesita 25–30 imágenes.

Fuentes en orden:

  1. Assets de la sesión ya recopilados en la carpeta TABCOM_ASSETS del video (P.assets()) — usarlos todos, no desperdiciar.
  2. Capturas de pantalla de la plataforma/app: scripts/17_collect_platform_images.py — ver SOP abajo.
  3. Fotos de stock gratuitas: ejecutar scripts/16_get_stock_photos.mjs (Playwright + Chrome).
    • Pexels está bloqueado por Cloudflare ("Just a moment...") — no perder tiempo.
    • Unsplash y Pixabay se pueden raspar. Wikimedia solo sirve para obtener logotipos, no fotos de stock.
  4. Ilustraciones del vendedor / imágenes generadas (opcional): colocar en <VIDEO_ROOT>/tai-nguyen/carousel-hook-video-ban-hang/ y <VIDEO_ROOT>/tai-nguyen/generated-carousel/, llamar con P.extra("..."). Se puede montar igual si no están.

Verificar las imágenes antes de usarlas — el usuario detecta este error: abrir y ver qué representan realmente. Ejemplos de errores pasados: imagen de gráfico de velas de acciones usada para "dashboard ads" (incorrecto), imagen de puerto de carga de teléfono usada para CTA de comentar (sin relación). Descartar imágenes con contexto incorrecto, no insertar solo para cumplir con la cantidad.

SOP para buscar capturas de pantalla de plataformas (Shopee, TikTok Shop, Zalo, Facebook)

Si el contenido menciona una función de una plataforma, debe tener una captura de pantalla real de esa función específica. Cuatro fuentes, ejecutar con scripts/17_collect_platform_images.py:

Qué se necesitaComandoNotas
Interfaz de app (comprador y vendedor)play <package>Fuente oficial, en vietnamita, recortar automáticamente al marco del teléfono
Interfaz no accesible con bot (Shopee Live, TikTok LIVE)page <url-guide> <slug>Buscar artículo primero con WebSearch
Sitio web público (fanpage, grupo, Zalo OA, Academy, sitio web)shot <url> <nombre>Playwright + Chrome del sistema
Imágenes ilustrativas generalesbing "<query>" <slug>La consulta debe ser específica

Paquetes de Play ya utilizables: com.shopee.vn · com.shopee.shopeeseller (con pantalla Rendimiento de ventas con marco de 7/30 días — imagen estándar para cada frase "abrir análisis, ver 30 días") · com.tiktokshop.seller · com.zing.zalo · com.facebook.katana.

Probados y bloqueados, no perder tiempo: shopee.vn (devuelve "Página no disponible"), tiktok.com/shop y páginas personales de TikTok (captcha), API banhang.shopee.vn y Shopee Uni/TikTok Academy en formato SPA (WebFetch/curl solo muestra marco vacío, API necesita token de inicio de sesión), Google Images (HTML ya no contiene URL de imagen original — usar Bing).

Artículos en vietnamita con capturas de pantalla reales reutilizables: shopee.vn/blog (oficial, prioridad), misaeshop.vn, cellphones.com.vn/sforum, ghn.vn. No tomar imágenes de competidores (tukigroup.vn).

Después de recopilar: ejecutar sheet out/<slug> y luego leer la hoja de contactos para seleccionar — no seleccionar por nombre de archivo.

Entregar assets con README (obligatorio)

En la carpeta de assets del video (TABCOM_ASSETS) debe haber un README.md que incluya: qué imagen corresponde a qué parte del guión · URL de la imagen + URL de la página + fecha de captura · qué no se ha podido obtener · notas para el montaje. Incluir _preview-all.png (hoja de contactos) para que el usuario pueda revisar rápidamente.

Tres cosas que siempre deben registrarse y hacerse:

  • Los números en las capturas de app son números de muestra del desarrollador — no leerlos como datos reales, no usarlos como evidencia de resultados.
  • Imágenes que contengan nombre de cuenta, nombre de tienda, nombre de comentarista → recortar o desenfocar antes de incluirlas en el video.
  • Datos de tienda en descenso/gráficos de fuentes de tráfico: no buscar imágenes de dashboard para simular datos reales, ni agregar la etiqueta "ilustrativo" en la pantalla (ver sección "No usar etiquetas ilustrativas").

Paso 3 — Separar el fondo del hablante para la escena split

Lección importante: el método de compuerta (birefnet en fotogramas de muestra + isnet fotograma por fotograma) no es suficientemente limpio — la máscara unida a través de muchos fotogramas aún devora objetos de fondo cercanos a la cabeza (estrella de copa, hojas, borde de silla), y el paso de "oscurecer áreas brillantes" solo los convierte en bloques negros más feos.

Método correcto:

  • Mantener las ventanas split cortas (≤ 4 segundos). Segmentos más largos convertirlos en pantalla de asset a pantalla completa (la imagen sigue siendo grande, más fácil de leer).
  • Ejecutar scripts/15_cutout_birefnet.py: birefnet-portrait fotograma por fotograma (~17 s/fotograma; 90 fotogramas ≈ 25 minutos). Esta es la única forma de obtener bordes de cabello absolutamente limpios.
  • Recortar fotograma: crop=940:1040:70:340 (verificar con drawgrid para cada fuente).

Composición de escena split ya aprobada:

  • Tarjeta degradada 800×690 colocada en (140, 1226) — centro del marco.
  • Persona scale=760:842, overlay=160:1074 — centrado correcto, pies tocando el borde inferior.
  • Dejar la mitad superior del marco vacía para el subtítulo. Solo colocar una etiqueta pequeña en la esquina izquierda + 1 imagen + 1 cápsula.
  • Usar esta composición varias veces en el video, no solo al final en la CTA — el usuario solicita variedad (18/08/2026). Al planificar, calcular el costo de cutout con anticipación: birefnet-portrait ejecuta ~50 segundos/fotograma en esta máquina, es decir, cada segundo de split cuesta ~21 minutos. 3–4 ventanas × 2,5–3 segundos son aproximadamente 4 horas — ejecutar en segundo plano y hacer otras tareas mientras se espera, no dejarlo para el último minuto.

Paso 4 — Montaje de escenas

scripts/10_scene_helpers.py (Layer, capsule, textimg, icon, render) + 11_scenes_images.py (imágenes en todas las pantallas) + 12_layout_archetypes.py (composiciones variadas).

Efectos de texto — deben ser variados, sincronizados con el ritmo del habla

pop (ease-out-back), slide, wipe, slideL/slideR (alternar para crear ritmo zig-zag), blurin (para imágenes), flip (estiramiento horizontal), shakein (cápsula de advertencia), none (aparición instantánea, sin animación), float (flotante con vibración ligera), fly (volar de A a B), TypeLayer (escritura de texto para hook/CTA), CountLayer (contador, ej. 0→50%, con boom al detenerse), MarkerLayer (resaltador que barre el fondo detrás del texto).

Amplitud de efectos — el usuario detecta errores de "mareante, dolor de cabeza" (09/08/2026)

Ser dinámico no significa rebotar bruscamente. Parámetros aprobados: pop escalar desde 74% (no 60%), flip comprimir a 48% del ancho (no 15%), shakein reducir al 84% + vibrar ≤4px a 7 ciclos/segundo durante ≤0,45s. Multiplicar la duración total por ~18%.

El segmento de apertura debe ser más espaciado que el cuerpo: los elementos separados ≥0,4 segundos, TypeLayer ≤16 caracteres/segundo.

Si una imagen ya apareció en la escena anterior, al entrar en la siguiente escena ya está presente (anim="none", t0=0), no hacerla aparecer de nuevo — de lo contrario, el texto en esa escena acumula efectos y el espectador lo percibe como apresurado.

No usar etiquetas ilustrativas (acordado el 20/08/2026)

No estampar texto "ILUSTRATIVO" en ningún lugar — ni sobre elementos gráficos (billetes, iconos), ni sobre gráficos generados automáticamente, ni poner etiquetas como "imagen ilustrativa de interfaz…" debajo de capturas de app. El usuario lo considera molesto y desordena la pantalla. Cómo mantenerse dentro de los límites de afirmación sin etiqueta:

  • Columnas/gráficos generados automáticamente: dejarlos sin etiquetas, no adjuntar ningún número — solo comparación visual alto–bajo (ej. columna "TREO LIVE" baja · columna "LIVE AI" alta). Sin números, no hay compromiso de resultados.
  • Capturas de app/plataforma: seleccionar imágenes sin datos visibles (recortar eliminando banda de ingresos, nombre de tienda, nombre de comentarista) desde la fase de recopilación de assets, en lugar de dejarlo y luego etiquetar.

Superposición sobre el hablante — un tipo de montaje obligatorio, usado a lo largo del video (20/08/2026)

En lugar de cortar a una pantalla gráfica a pantalla completa, renderizar secuencia PNG RGBA superpuesta sobre la imagen del hablante: texto float flotante con vibración ligera en el espacio vacío sobre la cabeza (evitando el área facial, medir con drawgrid previamente), imágenes ilustrativas dispuestas en una franja horizontal debajo de la persona, a la altura de la mesa de trabajo. Compositar usando el mismo mecanismo que la escena split: -framerate 25 -start_number 1 -i seq_XXX/%04d.png luego overlay=0:0:enable='between(...)'.

No solo al inicio del video. El usuario solicita (20/08/2026) considerar la superposición como un tipo de montaje igual a la pantalla gráfica completa y la escena split, y alternar los tres tipos a lo largo del video:

TipoCuándo usarCosto
Pantalla gráfica completaFrase con múltiples ideas que necesitan enumeración, datos, cuadrícula, lista de verificaciónBarato, render Pillow
Superposición sobre el hablanteFrase con solo 1–2 ideas; quiere mantener el flujo facial, mantener ritmo del hablaBarato, render Pillow
Escena split (persona con fondo separado)Punto destacado, conclusión, CTACaro, ~50 s/fotograma de cutout

Objetivo de ritmo: cada 2–3 pantallas completas, insertar 1 segmento de superposición, cada video ≥ 3–4 ventanas de superposición, cada ventana de 2,5–5 segundos. La superposición es la forma más barata de tener "imágenes continuas" sin separar al hablante.

Reglas de montaje de superposición:

  • Medir el espacio vacío con drawgrid en el fotograma exacto de esa ventana. El hablante se sienta desplazado/gesticula según el segmento — no reutilizar coordenadas de la ventana anterior sin verificar.
  • No cubrir la cara ni las manos en movimiento. Colocar el texto en el espacio vacío sobre la cabeza o al lado del hombro libre; imágenes ilustrativas dispuestas en franja horizontal a la altura de la mesa, o columna vertical al lado del hombro libre.
  • El fondo de la superposición debe ser semi-transparente, no un bloque sólido: panel blanco con alpha 200–225 y esquinas redondeadas de 28, o scrim degradado navy con alpha 0→150 en el borde superior/inferior. 100% opaco se convierte en pantalla completa, perdiendo el propósito de la superposición.
  • El texto debe tener contorno/sombra marcada porque el fondo detrás es video real, con cambios de brillo continuos.
  • Efectos prioritarios float, blurin, slideL/slideR con amplitud pequeña — la superposición está sobre imágenes en movimiento, por lo que efectos fuertes desordenan. No usar shakein en superposición.
  • Mantener la zona segura de Reels: texto en y ≈ 1500, evitar columna derecha x > 900.
  • Los subtítulos del diálogo siguen activados durante la ventana de superposición (este marco es despejado), a menos que la superposición ya sea una lista de verificación de varias líneas.

Composición — no permitir que dos pantallas consecutivas sean iguales

Los arquetipos ya aprobados: imagen de ancho completo + texto superpuesto (con scrim claro para que el texto navy sea legible) · cuadrícula 2×2 con etiquetas · columna de imagen izquierda + lista de verificación derecha · imagen en la mitad superior + panel blanco flotante en la mitad inferior · franja de 3 imágenes horizontales · imagen circular con borde de color · imagen izquierda + cápsula deslizante derecha · bloque doble con imagen dentro · número grande + imagen auxiliar · flujo de flecha vertical.

Términos que deben usarse correctamente

"treo live" — no "chèo live". Es como los vendedores llaman a reproducir un video pregrabado como sesión en vivo. Whisper siempre lo transcribe como "chèo live"/"TeoLive"; corregir manualmente en subtítulos y texto en pantalla.

Márgenes de seguridad superior e inferior del marco (acordado el 20/08/2026)

El fondo de Tabcom tiene logo en y 48–122 y línea directa/sitio web en y 1829–1872. El usuario detecta errores como "texto pegado al logo, imagen pegada al borde inferior":

  • Cápsula del título de pantalla COMPLETA colocada con centro y ≥ 240 (borde superior a ≥ 90px del logo).
  • Borde inferior de cualquier imagen ≤ 1820. La franja de imágenes de superposición colocada con centro y ≈ 1670 (altura ~300) en lugar de 1770.
  • Mantener el límite anterior para texto: texto y números terminan por encima de y ≈ 1500.

El color naranja de Shopee es el tercer color de acento

ORANGE = (238, 77, 45) — naranja Shopee #EE4D2D, usado intercaladamente con teal y navy para cápsulas de acento relacionadas con Shopee, flechas, bordes de números grandes, y fondo de palabras clave "SHOPEE"/"SHOP" en subtítulos (caption(..., hi_col=ORANGE) — texto sobre fondo naranja es blanco, sobre fondo teal es navy). Dosis: aproximadamente 8–12 puntos naranja en un video de ~100 segundos, sin reemplazar teal/navy como colores principales.

Las imágenes de Live AI de Tabcom deben mostrarse a pantalla completa, sin recortar (acordado el 20/08/2026)

El conjunto avatar-* en TABCOM_ASSETS/avatar-ai/ mide 941×1672 = relación 9:16 (0,563) — son imágenes de producto/servicio, recortarlas pierde la composición de la toma y el producto a los lados. El usuario solicita ver el marco completo:

  • Cada celda contenedora de esta imagen debe tener la relación exacta de 0,563: 170×302 · 200×355 · 240×426 · 300×533.
  • No colocar esta imagen en circle_photo() (recorte circular) ni en celda horizontal — usar otra imagen de reutilización para el marco circular.
  • Si hay varias imágenes de Live AI en cuadrícula, disponerlas en fila horizontal (4 imágenes 230×408) o 3×2, no 2×2 porque la imagen estrecha dejaría dos grandes espacios vacíos en la pantalla.

Márgenes de seguridad (el usuario detecta errores de recorte)

Columna derecha: cx ≤ 806 y maxw ≤ 490...

Paso 5 — Exportación

python scripts/20_render_video.py

Este script compone todas las escenas, aplica transiciones, superpone subtítulos y exporta el video final según TABCOM_OUT. Se generan archivos intermedios en P.work() para depuración.

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Skills relacionados