¿Qué hace Creador de Videopodcast Lite?
Un pipeline de un solo propósito para uso personal: tema → guion de narración → Azure TTS (SSML) → Remotion → MP4 1080p/4K. Sin habilidades externas, sin archivos de configuración, sin plantillas empaquetadas — la composición de Remotion se genera una vez según el contrato siguiente y luego se reutiliza en todos los videos.
Requisitos previos
pip3 install azure-cognitiveservices-speech # la única dependencia de Python
export AZURE_SPEECH_KEY="..." # clave del recurso Azure Speech
export AZURE_SPEECH_REGION="..." # p. ej. eastasia
# se requiere ffmpeg + node 18+; un proyecto Remotion con npm install realizado
# Playwright MCP (navegador de sesión) solo se necesita para el Paso 5 (obtención de BGM)
Descubrimiento del proyecto (ejecutar antes del Paso 1)
- Localizar el proyecto Remotion — el directorio que contiene tanto
src/remotion/index.tscomonode_modules/remotion/. Verifica primero el directorio de trabajo actual; si no está allí, pregunta al usuario la ruta del proyecto. NO escanees el sistema de archivos y NO crees un nuevo proyecto si ya existe en otro lugar. - Inventariar videos existentes —
ls videos/yls src/remotion/*Video.tsx. El*Video.tsxmás reciente es el componente a copiar en el Paso 3;videos/muestra qué videos ya existen. - ¿Ya existe
videos/{nombre}/? Entonces es una iteración sobre ese video, no uno nuevo — reutiliza el directorio y vuelve a ejecutar solo lo que cambió (ver Iteración). - No hay ningún proyecto (solo primera ejecución) → crear el andamiaje una vez en el directorio de trabajo:
npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom, crearsrc/remotion/, y advertir al usuario sobre la instalación única de ~2 GB. Todos los videos posteriores se saltan esto.
Flujo de trabajo (6 pasos)
Ejecuta todos los comandos desde la raíz del proyecto. Todos los artefactos de un video residen en videos/{nombre}/ dentro del proyecto. {nombre} está en minúsculas en inglés, separado por guiones.
Paso 1 — Escribir el guion: videos/{nombre}/podcast.txt
Un marcador [SECCIÓN:xxx] por segmento de video; los nombres de las secciones están en minúsculas en inglés (hero, content-1, outro). Un título de visualización opcional va después de un | — [SECCIÓN:outro|gracias] — etiqueta la píldora de la barra de progreso y la disposición predeterminada (sin él, la etiqueta se deriva de la primera oración, lo que puede ser incómodo). Las líneas que comienzan con # se ignoran (y pueden mencionar marcadores de forma segura). Solo texto hablado — sin markdown — y sigue las reglas de estilo del guion a continuación. Ejemplo:
# las líneas de comentario no se hablan
[SECCIÓN:hero|introducción]
¡Bienvenidos al video de hoy! Hoy vamos a hablar de un tema que a todos nos interesa.
[SECCIÓN:content-1|punto 1]
Primero, veamos el primer punto. Aquí hay algunos datos clave que necesitas saber.
[SECCIÓN:outro|gracias]
Bueno, eso es todo por hoy. Si te ha sido útil, ¡no olvides darle like y suscribirte! ¡Nos vemos en el próximo video!
Estilo del guion (antihumor, zh-CN)
Aplica mientras escribes y luego haz una autoverificación antes de TTS. Objetivo: chino hablado cotidiano, no prosa escrita con comas. (Destilado de los archivos natural-narration.md + script-polish.md de la habilidad completa — esas son las fuentes canónicas; edita las reglas allí primero, luego refiéjalas aquí.)
Intercambio de conectores (escrito → hablado): 此外→还有 · 然而→但是 · 因此→所以 · 与此同时→这时候 · 总的来说/综上所述→eliminar · 首先/其次/最后→ir directamente al siguiente tema.
Lista de eliminación (reescribir o eliminar): 赋能、打造、深入探讨、值得一提/值得注意的是、众所周知、至关重要、革命性、颠覆、天花板、无缝、闭环、抓手、里程碑、标志着、未来可期、让我们拭目以待.
Indicaciones estructurales — los patrones de corrección:
| Patrón | Corrección |
|---|---|
| Estructuras verbo-sustantivo: 进行优化/实现增长/做出选择 | acción concreta + resultado: "把审批从三步改成一步" |
| Contraste de negación: 不是 X,而是 Y | exponer Y directamente |
| Paralelismo de tres partes: 既是…又是…更是… | mantener el elemento más informativo; dos mejor que tres |
| Intensificadores vacíos: 显著/大幅/非常 | un número o una consecuencia perceptible |
| Atribución vaga: 业内普遍认为/有专家指出 | fuente nombrada + fecha, si no, eliminar la oración |
| Finales eslogan: 未来可期/注入新的活力 | aterrizar en un hecho concreto: número, fecha, próxima acción |
Escribe para el oído: una idea por oración, sujeto primero, variar la longitud de las oraciones, sin cláusulas anidadas, sin — o · como conectores (no se hablan y saturan los subtítulos). Un ligero uso de la primera persona está bien ("我实测下来").
Los subtítulos SON el guion, palabra por palabra — por lo tanto, escribe los números como deben verse en pantalla: dígitos arábigos (3.8, 63K, 98.8%, 128G), nunca numerales chinos (六十五点一 / 三百九十七). La misma regla de dígitos se aplica al texto en pantalla en los componentes de Remotion (tarjetas, titulares). NO escribas la forma hablada en el guion para corregir la pronunciación — se filtrará a los subtítulos. tts.py deriva la capa hablada por sí mismo: cada token que contiene números (86.1, 9B, 5600, Qwen3.5) se convierte a su lectura en chino (八十六点一, 九B, 五千六百, 千问三点五) antes de la síntesis, luego los límites de las palabras se asignan de nuevo para que los subtítulos mantengan el texto mostrado. (Las voces multilingües como zh-CN-XiaoxiaoMultilingualNeural leen los dígitos desnudos en inglés en contexto mixto — eso es exactamente lo que esta capa impide. Se probó SSML <sub alias> y se abandonó: los eventos de límite de palabra de Azure para <sub> son defectuosos y corrompen el SRT.)
Los números deben ser trazables — un número preciso sin fuente está inventado; elimínalo o atribúyelo.
Autoverificación antes del Paso 2: ¿ninguna palabra de la lista de eliminación? ¿ningún "不是…而是…"? ¿ningún final de eslogan? Lee cada sección en voz alta — si te trabas, divide la oración.
ALTO — puerta de revisión del guion (obligatoria): cuando podcast.txt esté escrito, detén el pipeline y entrega el guion al usuario para su revisión. NO ejecutes TTS (Paso 2) hasta que el usuario apruebe explícitamente el guion. Esta puerta viene antes de todo lo demás — audio, tiempos y entradas visuales derivan del guion, por lo que un cambio tardío del guion cuesta una repetición completa.
Paso 2 — TTS
python3 "${SKILL_DIR}/scripts/tts.py" videos/{nombre}/podcast.txt videos/{nombre}/
Ejecuta --check primero (solo lint, sin síntesis, gratuito) para detectar polifonías y brechas de alias antes de pagar por la síntesis.
Produce podcast_audio.wav + podcast_audio.srt + timing.json + cues.json (texto por señal, fotograma global y section_frame — úsalo para alinear las entradas visuales en el componente en lugar de analizar manualmente el srt). Cada sección se sintetiza por separado mediante SSML y se concatena, por lo que los tiempos de las secciones son exactos por construcción. Las señales de subtítulos son frase-primero: una oración de menos de 30 caracteres visibles se muestra completa; las oraciones más largas se empaquetan a partir de cláusulas de coma/punto y coma (~22 por señal); una cláusula demasiado larga se corta en el límite de palabra más cercano a su centro, nunca a media palabra; las señales finales muy pequeñas se fusionan con la anterior solo dentro de la misma sección (una oración corta al inicio de la siguiente sección nunca debe sangrar en la última señal de la sección anterior). Volver a ejecutar sobre un timing.json existente imprime una diferencia de duración por sección; cualquier sección que se mueva >0.3s significa que los retrasos de entrada codificados en el componente deben realinearse desde el nuevo cues.json.
Parámetros: --voice (por defecto zh-CN-XiaoxiaoNeural), --style (mstts:express-as, p. ej. gentle / cheerful — cíñete a estos dos; otros pueden sonar forzados), --rate (prosodia, p. ej. -4%), --phonemes (diccionario pinyin de palabras completas para polifonías como 命令行/同行; por defecto se fusionan ~/.video-podcast-maker/phonemes.json y phonemes.json junto a la entrada — las entradas por video ganan), --aliases (alias de pronunciación visual→hablada, p. ej. "Ornith-1.5": "Ornith 一点五"; mismo orden de fusión con aliases.json). Valores de entorno alternativos: TTS_VOICE / TTS_STYLE / TTS_RATE. Para una voz de canal consistente en todos los videos, establécelos una vez en tu perfil de shell (p. ej. TTS_VOICE=zh-CN-XiaoxiaoMultilingualNeural TTS_RATE=+5%) en lugar de pasar banderas cada vez.
Pronunciación: la verificación previa de polifonías, las formas de lectura incorrecta conocidas, la mecánica del diccionario de alias y los comportamientos incorporados de la capa hablada están documentados en references/pronunciation.md — léelo antes de la primera ejecución de TTS de un nuevo tema.
Paso 3 — Componer elementos visuales
- Primer video: genera la composición (
index.ts+Root.tsx+Video.tsxensrc/remotion/) según el contrato de composición. - Cada video posterior: copia el componente del video anterior y edítalo — nunca vuelvas a empezar desde el contrato.
Un proyecto de Remotion alberga todos los videos; un nuevo video agrega exactamente un archivo de componente y un registro <Composition>:
raíz-del-proyecto/ # UN proyecto, npm install una vez
├── src/remotion/
│ ├── index.ts # registerRoot — compartido, nunca cambia
│ ├── Root.tsx # un <Composition id="…"> por video
│ ├── DemoVideo.tsx # componente por video (copia del último, editado)
│ └── NextTopicVideo.tsx
└── videos/{nombre}/ # artefactos por video: podcast.txt, wav, srt, timing.json, mp4
Por video: elige un id de componente/composición PascalCase único (p. ej. ReferenceManagerComparison), establece título / colores, y asigna a cada nombre de sección una disposición (un switch (section.name) sobre hero / content-N / outro funciona bien).
Riqueza visual (estilo predeterminado — el texto plano en una caja NO es el aspecto deseado): cada tarjeta de información, cuadro de flujo, píldora y mosaico de estadísticas lleva UN emoji principal (o un componente de marca @lobehub/icons cuando representa un producto real); como máximo uno por elemento, y nunca dentro de una línea de valor MONO (los emoji rompen la alineación mono — colócalos en la etiqueta/título). Mantén la asignación un concepto = un emoji consistente en todo el video y elígelo con buen gusto para el tema (fechas/parámetros/velocidad/costo cada uno tiene una coincidencia obvia; el agente elige). Cada sección también recibe al menos un ancla visual (una ilustración): primero material oficial (banner del producto, tarjeta de especificaciones, captura de pantalla), si no, una ilustración o conjunto de iconos gratuito (SVG de unDraw, imágenes de Pixabay/Pexels, OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji, @lobehub/icons para logotipos de marca) — anota la fuente + licencia en la sección de fuentes de activos de publish_info (los conjuntos que requieren atribución, como el nivel gratuito de Flaticon, deben acreditarse en la descripción del video). Los emoji decoran las tarjetas de la interfaz de usuario, las ilustraciones anclan la sección; ninguno reemplaza al otro.
Paso 4 — Vista previa (puerta humana obligatoria)
npx remotion studio src/remotion/index.ts --public-dir videos/{nombre}/
DEBE iniciar Studio y esperar a que el usuario revise en persona. NUNCA renderices hasta que el usuario confirme explícitamente ("render"). Una solicitud de ajuste no es una confirmación — aplica el cambio, deja que Studio hot-reload, y vuelve a preguntar. Cada ronda de cambios visuales necesita su propia confirmación nueva; la confirmación nunca se traslada al Paso 5.
Paso 5 — Render + BGM
Render:
npx remotion render src/remotion/index.ts MyVideo videos/{nombre}/output.mp4 --public-dir videos/{nombre}/
BGM (por defecto; saltar solo si el usuario dice que no a la música): obtener una pista aleatoria de Pixabay Music y mezclarla a bajo volumen (la narración sigue siendo dominante). Licencia Pixabay: libre de regalías, uso comercial permitido, no se requiere atribución — aun así, registra el título/autor en la sección de fuentes de activos de publish_info.
Cómo obtener (verificado el 2026-08-25): las páginas de búsqueda/lista de Pixabay se renderizan en el cliente y tienen un gate de Cloudflare para clientes que no son navegadores, pero una página de pista única abierta en un navegador real incrusta la URL de descarga completa de la pista en su JSON-LD, y esa URL de cdn.pixabay.com se descarga luego con curl simple.
-
Con el navegador de la sesión (Playwright MCP), abre una página de búsqueda —
https://pixabay.com/music/search/cinematic/(orelaxing/ambientsi se desea un fondo más tranquilo). -
Recopila enlaces de resultados que coincidan con
/music/<slug>-<id>/(excluye/music/search/y los que tienen prefijo de configuración regional como/de/music/...), elige uno al azar, ábrelo. -
Lee el JSON-LD de la pista (
script[type=application/ld+json"]→ elAudioObject):contentUrl(MP3 de la pista completa),name,creator.name,duration. Prefiere ~1.5–8 min; si está fuera de rango, abre otro enlace. Si el JSON-LD de la página no tienecontentUrl(cambió el diseño), deja de intentarlo — pide al usuario que elija una pista y proporcione la URL de descarga. -
Descarga con curl (User-Agent de navegador +
Referer: https://pixabay.com/— verificado que funciona):curl -sL -A "<User-Agent del navegador>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{nombre}/bgm.mp3
Mezclar (bgm bajo; la etapa loudnorm es obligatoria — sin ella la mezcla queda en ≈ -32 dB de media, ~10 dB demasiado baja):
ffmpeg -y -i videos/{nombre}/output.mp4 -i videos/{nombre}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{nombre}/final_video.mp4
Detén el servidor de Studio una vez que el render esté confirmado — un Studio sobrante mantiene su puerto ocupado y sigue observando archivos.
Paso 6 — Extras de entrega (solo cuando el pipeline del usuario los incluye)
Renderizados después del Paso 5, en este orden:
- Imágenes fijas de portada: imágenes fijas de miniatura 16x9 + 4x3 mediante
npx remotion still— elimina el PNG antiguo primero, las imágenes fijas saltan archivos existentes. - Verificación de volumen de BGM:
ffmpeg -i final_video.mp4 -af volumedetect -f null -, media ≈ -19 a -22 dB, máximo ≈ -1.5 dB. publish_info.md: título / descripción / etiquetas / marcas de tiempo de capítulos (los capítulos derivan detiming.json).assets/manifest.json: procedencia de los activos.- Mantenimiento a nivel de repositorio: los generadores de índice/tema (p. ej., un creador de
VIDEO_INDEX.md) normalmente se basan en los títulos depublish_info.md, y los scripts de clasificación pueden negarse a ejecutarse hasta que el nuevo directorio de video se agregue a su mapa de asignación — ejecútalos después de que los artefactos de publicación estén en su lugar.
Contrato de composición
La composición consume tres archivos de --public-dir videos/{nombre}/ mediante staticFile(): podcast_audio.wav, podcast_audio.srt y timing.json:
{
"total_duration": 32.1,
"fps": 30,
"total_frames": 964,
"sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}
No negociables al generar una composición (cada uno es un modo de fallo real si se omite):
- El audio es el reloj maestro —
calculateMetadatadevuelvedurationInFrames = timing.total_frames, cargado en tiempo de ejecución. Nunca codifiques una duración. Resolución por convención del proyecto: 1920×1080 a 30 fps, o 4K (3840×2160) mediante un envoltorio que escala una composición base de 1920×1