Preprocesamiento Multimedia HyperFrames
Tres comandos CLI que producen activos para composiciones: tts (voz), transcribe (marcas de tiempo) y remove-background (vídeo transparente). Cada uno descarga un modelo en la primera ejecución y lo almacena en caché bajo ~/.cache/hyperframes/. Deja el resultado en el proyecto y referéncialo desde el HTML de la composición; consulta el skill hyperframes para las convenciones de elementos de audio/vídeo.
Texto a Voz (tts)
Genera audio de voz localmente con Kokoro-82M. Sin clave 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 # todas las 54 voces
Selección de Voz
Elige la voz según el contenido. La voz predeterminada es af_heart.
| Tipo de contenido | Voz | Motivo |
|---|---|---|
| Demostración de producto | af_heart/af_nova | Cálida, profesional |
| Tutorial / guía | 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 / redes sociales | 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 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 que no sea en inglés requiere espeak-ng a nivel de 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: introducciones, transiciones, contenido animado1.5+: rara vez 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 voz 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 a nivel de 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 el 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 e 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, pruebas de pipeline |
base | 142 MB | Rápido | Clips cortos, audio claro |
small | 466 MB | Moderada | Predeterminado — la mayoría del contenido |
medium | 1.5 GB | Lenta | Contenido importante, audio ruidoso, música |
large-v3 | 3.1 GB | Más lenta | Calidad de producción |
Música con voces: empezar como mínimo con medium; las pistas producidas a menudo necesitan importación manual de SRT/VTT. Para comprobaciones de calidad de subtítulos (obligatorias después de cada transcripción), el JS de limpieza, las reglas de reintento y la ruta de importación de la API de OpenAI/Groq, consulta hyperframes/references/transcript-guide.md.
Formato de Salida
Las composiciones consumen un array plano de objetos de palabra. El campo id (w0, w1, ...) se añade 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 vídeo o imagen para que el sujeto (típicamente una persona — avatar, presentador, interlocutor) aparezca como una superposición transparente en una composición.
npx hyperframes remove-background subject.mp4 -o transparent.webm # predeterminado: VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444 (edición)
npx hyperframes remove-background portrait.jpg -o cutout.png # recorte de imagen única
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # ambas capas en una 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 vídeo transparente junto con el recorte: mismo RGB de origen, pero el canal 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 | El alfa es… | Úsalo para… |
|---|---|---|
-o subject.webm | La máscara — sujeto opaco, fondo transparente | Capa frontal, colocar 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 preset --quality y se ejecutan desde una única pasada de inferencia: el costo de codificación se duplica aproximadamente, pero el costo de segmentación sigue siendo el mismo. Solo es válido para entradas de vídeo y salidas .webm/.mov.
Placa con agujero, no una placa limpia reconstruida. 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 se verá 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 (la razón de ser de este comando) | Agujero (--background-output) |
| Sujeto sobre una escena no relacionada | Solo subject.webm; ignora la placa |
| Mostrar la sala sin la persona, sola, sin otro contenido | Placa limpia — necesita un reconstruidor (LaMa, ProPainter, E2FGVI). No es este comando. |
| Reemplazar al sujeto por otro 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 reconstruidor.
Composición típica en capas (el caso de uso canónico del agujero):
<!-- z=1 la placa con 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 los gráficos/texto viven entre las dos capas -->
<h1 id="headline" style="z-index:2; ...">HAZLO EN HYPERFRAMES</h1>
<!-- z=3 el recorte flota al 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 permitir 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 imagen única (sujeto fijo, superpuesto sobre un fondo). |
Chrome descodifica el alfa VP9 de forma nativa, por lo que el .webm se integra en una composición como cualquier otro vídeo con reproducción automática silenciada; consulta el skill hyperframes para las convenciones de pista <video>.
Presets de Calidad
--quality fast|balanced|best controla solo el CRF del codificador VP9: la calidad de segmentación es fija.
| Preset | CRF | Cuándo |
|---|---|---|
fast | 30 | Iterando, archivo más pequeño, coincidencia de color más laxa |
balanced | 18 | Predeterminado. Visualmente idéntico para la mayoría de usos |
best | 12 | Máster / entrega final. Archivo más grande, coincidencia más ajustada |
Patrones de Composición — elige el adecuado
El webm recortado es una copia recodificada del RGB del mp4 de origen. Esta elección tiene consecuencias dependiendo de lo que se coloque detrás:
| Patrón | Qué hay detrás del recorte | Resultado |
|---|---|---|
| Recorte sobre una escena diferente (más común) | Imagen estática, degradado o vídeo no relacionado | Se ve genial. El RGB del recorte es la única fuente del sujeto: sin duplicación, sin halo de borde. 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 (crf 18) la duplicación apenas es visible; con --quality fast (crf 30) verás un ligero cambio de color / halo de borde. Usa --quality best (crf 12) para másters. |
| Recorte sobre una toma diferente de la misma persona | Metraje del mismo sujeto | Parecerán 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; ...">HAZLO 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 vídeo recortado en un
<div>sin temporización y anima la opacidad del contenedor, no la del elemento de vídeo. El framework fuerza opacity:1 en clips activos (cualquier elemento condata-start/data-duration), por lo que animar la opacidad del vídeo directamente se sobrescribe silenciosamente. El contenedor no tiene atributosdata-*, por lo que es controlado por tu CSS/GSAP. - Ambos vídeos usan
data-start="0"ydata-media-start="0"para que el framework los descodifique sincronizados desde t=0. Montar el recorte tarde (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, con GSAP, invierte la opacidad del contenedor en el corte: tl.set(cutoutWrap, { opacity: 1 }, 3.3).
TTS → Transcripción → Subtítulos
Cuando no hay una locución pregrabada, genera una y transfórmala de nuevo para obtener marcas de tiempo a nivel de palabra para los subtítulos:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json
Esto produce un transcript.json (consulta la sección de transcripción para el formato), que luego se pasa a la composición para anotar cada palabra.