Communitygithub.com

observación-de-video

Inspecciona acciones en videos de referencia, atención general, diálogo hablado y reacciones de los compañeros. Utiliza vistas de tomas y recortes vinculados al contexto, con transcripción opcional de voz local o subtítulos importados, para conectar lo que se dice con quién actúa o responde. Mantiene distinguibles la evidencia visible, la derivada del audio y la interpretada.

¿Qué es observación-de-video?

La habilidad 'observación-de-video' permite que un asistente de IA analice actuaciones visibles para el público en videos de referencia. Se enfoca en identificar quién atiende a quién o qué, qué acciones realizan o dicen, cómo responde el cuerpo, y cómo reacciona un compañero. Es útil para tareas de análisis de escenas, planificación de tomas, o revisión de actuación, ya que separa claramente la observación, la interpretación y las preguntas abiertas. Funciona en plataformas que admiten herramientas de imagen y procesamiento de video local; utiliza un script Python que exporta imágenes y metadatos, y puede integrar transcripción de voz opcional (ASR local) o subtítulos importados. No requiere modelos de nube ni API externas para el análisis visual, y mantiene una estricta separación entre los hechos visibles, la evidencia derivada del audio y las interpretaciones, documentando las incertidumbres cuando la fuente no puede resolver una pregunta.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/SharingYu/video-performance-skills/tree/HEAD/skills/video-observation

Preguntar en tu IA favorita

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

Documentación

Observación de Video

Ayuda al asistente existente a entender una actuación ordinaria y visible para el público: quién atiende a quién o a qué, qué hacen o dicen, cómo responde el cuerpo, y cómo responde un compañero. No conviertas una pregunta general de actuación en una medición precisa de músculos faciales, esqueleto o mirada.

Responde en el idioma del usuario y conserva el alcance solicitado. Lee el flujo de trabajo de observación de imágenes para comandos, manejo de evidencia y traspaso. Su herramienta CPU utiliza estas dependencias, sin pesos de modelo ni API en la nube. Cuando el habla pueda tener significado narrativo o una señal de reacción, lee también el flujo de trabajo de diálogo: el ASR local opcional o las transcripciones importadas admiten la misma línea de tiempo de origen, pero no certifican la escucha ni identifican a un personaje visible.

Observar antes de explicar

  1. Cubre las tomas. Inspecciona las imágenes generales antes de decidir qué momentos importan. Los límites de corte automáticos son candidatos de navegación, no chistes detectados ni límites de escena garantizados. Las poses generales no establecen cada acción entre ellas.
  2. Vuelve a una pregunta. Si un turno, una acción interrumpida o la respuesta de un compañero no queda clara, solicita una ventana corta alrededor de ella. Comienza con los cuatro fotogramas por segundo predeterminados; aumenta el muestreo o abre un fotograma original solo cuando la pregunta lo requiera. No amplíes exhaustivamente cada momento.
  3. Mantén visible la relación. Revisa la composición completa junto con un recorte útil. Un rostro solo puede ocultar su objetivo de atención; una mano aislada puede ocultar la señal del compañero.
  4. Escribe primero los hechos visibles. Describe la dirección aproximada, el acercamiento o la retirada, los cambios de acción, la respuesta del compañero y el resultado. Separa la dirección del cuerpo/cabeza, la dirección legible de los ojos y el objeto que se maneja. Usa un lenguaje calificado para un objetivo de atención aparente; una dirección de ojos ilegible puede permanecer desconocida sin bloquear el resto de la escena.
  5. Revisa la incertidumbre importante. Un observador independiente puede inspeccionar el mismo material antes de recibir la primera interpretación. Usa el desacuerdo para elegir una vista de retorno útil. El acuerdo entre asistentes no es la verdad absoluta. Deja de repetir vistas cuando la fuente no pueda resolver la pregunta; conserva la incertidumbre y continúa con el trabajo útil.

Para una recreación de referencia, determina si hay diálogo y qué cobertura se obtuvo realmente. Conecta las líneas importantes con el hablante, la acción y la respuesta del oyente utilizando el flujo de trabajo de diálogo. Una pista de audio, un resultado de ASR silencioso o un archivo de subtítulos por sí solos no pueden establecer que la escena no tiene habla.

Haz que la observación sea real

La herramienta exporta imágenes y metadatos. Una ruta, un mensaje de éxito, un recuento de fotogramas, un título o una decodificación completada no son evidencia de que el asistente haya visto las imágenes. Abre la views[].image_path relevante con la herramienta de visualización de imágenes del anfitrión, o inspecciona el contenido de imagen real devuelto al anfitrión. Luego registra los ID de vista reales con note.

Revisa la respuesta del anfitrión en busca de imágenes omitidas o descartadas. Si un lote está truncado, vuelve a abrir las vistas faltantes en lotes más pequeños antes de registrarlas. Llamar a una herramienta de imágenes no es suficiente cuando su salida de imagen nunca llegó al modelo.

Mantén la observación, la interpretación y las preguntas abiertas distintas. Vincula las afirmaciones a la versión de origen suministrada y a los fotogramas vistos. Los vacíos de muestreo siguen siendo vacíos; no ver una respuesta en unos pocos fotogramas no prueba que nunca ocurrió.

Las secuencias estáticas respaldan las poses y el orden visible. No establecen el ritmo cómico en tiempo real ni la calidad audible. Registra esos límites en lugar de afirmar una reproducción o escucha. Completa el trabajo disponible para el anfitrión sin hacer de la confirmación rutinaria del usuario por toma una dependencia.

Transfiere acciones amplias verificadas y detalles no resueltos al flujo de trabajo de adaptación, planificación de tomas o revisión del usuario. Si performance-direction ya está disponible, su tarjeta de evento puede consumir estas observaciones; esta habilidad no lo requiere ni ningún backend de producción en particular.

Las herramientas incluidas no realizan ninguna solicitud de API de modelo; la observación de imágenes y la importación de transcripciones no necesitan un modelo de voz. La transcripción opcional requiere archivos de modelo local preparados por separado y el extra de voz. No sustituye silenciosamente un servicio en la nube. La revisión adicional en la nube es externa: úsala solo dentro de la autorización de la tarea y, cuando no se requiera un costo adicional de API, después de confirmar que el proyecto/modelo real está en un nivel gratuito. Un sitio web gratuito o una clave no verificada no son prueba de una API gratuita. Un servicio no disponible o una cuota hace que el flujo de trabajo local de imagen/importación siga siendo utilizable.

Reconocimientos y límites de las fuentes: fuentes.

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Skills relacionados