Video Podcast Maker Nano

Creador de Video Podcast Nano

Un pipeline de 7 pasos para uso personal: investigación ∥ materiales → guión → TTS → punto de verificación de audio → video → punto de verificación de vista previa → render 4K ∥ kit de publicación. Sin scripts empaquetados, sin backends codificados, sin plantillas. La habilidad posee la lógica y se ejecuta de forma autónoma por defecto; el backend TTS y la herramienta de video se eligen por video (consulta Selección de herramientas por video).

Lo que hace que esto funcione independientemente de la elección de herramientas — los tres invariantes:

1. Los puntos de verificación nunca se omiten — pero quién verifica es política. Existen tres puntos de verificación: guión (después del Paso 2), audio (después del Paso 3), vista previa (antes del render). El verificador por defecto es el propio agente (auto-verificación, definida por punto de verificación); el archivo AGENTS.md/CLAUDE.md del proyecto puede actualizar cualquier punto de verificación a una puerta humana — consulta Política de supervisión.
2. El audio es el reloj maestro. La duración del video final debe coincidir con el audio de la narración dentro de ±0.5s (usa ffprobe para ambos). Los visuales se cortan al audio, nunca al revés.
3. Un cambio en el guión invalida todo lo posterior. Editar el guión → volver a ejecutar el punto de verificación del guión, luego TTS → punto de verificación de audio → visuales → punto de verificación de vista previa → render. Nunca ajustes los tiempos a mano.

Política de supervisión

El modo por defecto es autónomo: el pipeline se ejecuta de principio a fin, con el agente realizando la auto-verificación de cada punto de verificación. El archivo AGENTS.md/CLAUDE.md del proyecto puede anular por punto de verificación con una línea cada uno:

• Punto de verificación 1 (guión): humano — detenerse después del Paso 2 hasta que el usuario apruebe el guión. Vale la pena: un cambio tardío en el guión cuesta una ejecución completa.
• Punto de verificación 2 (audio): humano — el usuario escucha el audio completo antes de los visuales. Vale la pena cuando las lecturas incorrectas de TTS son costosas de detectar después.
• Punto de verificación 3 (vista previa): humano — el usuario revisa el borrador antes del render. Vale la pena para canales sensibles al estilo.

Los puntos de verificación no mencionados permanecen verificados por el agente. Los archivos de política del proyecto comienzan desde AGENTS.template.md (junto a este SKILL.md): cópialo en la raíz del proyecto de video como AGENTS.md (más una copia CLAUDE.md para Claude Code) y completa los enlaces de herramientas. La habilidad nunca sube ni publica nada en ningún lugar — el kit de publicación son archivos en disco; la publicación es siempre un acto humano fuera de este pipeline.

Selección de herramientas (por video)

Decide el backend TTS y la herramienta de video una vez, antes del Paso 3, en este orden de prioridad:

1. Los enlaces del proyecto ganan. Un AGENTS.md/CLAUDE.md completo en el proyecto de trabajo (consulta Política de supervisión) ES la especificación permanente del usuario — úsalo, sin escanear, sin dudas. Si el usuario nombra una herramienta en la sesión, eso anula el archivo. Si el archivo de política falta o aún contiene marcadores de plantilla (/ruta/absoluta/a/...), resuelve los enlaces mediante las reglas 2–3, luego escribe los valores resueltos de nuevo en el archivo de política del proyecto para que la próxima ejecución comience enlazada.
2. Detectar automáticamente habilidades instaladas. Escanea las habilidades disponibles en la sesión para cualquier cosa que pueda hacer el trabajo — video: habilidades que envuelven una herramienta de autoría (Remotion, HyperFrames, CapCut, ...); TTS: cualquier habilidad que envuelva un motor TTS. Excluye habilidades de pipeline de extremo a extremo (por ejemplo, otras variantes de creador de video podcast, si están instaladas): son pipelines como este, no backends — invocarlas aquí anidaría flujos de trabajo y duplicaría los puntos de verificación. Una que encaje → úsala; varias → elige la mejor coincidencia para el idioma y las necesidades de salida del proyecto. Registra la elección en research.md; menciónala en el resumen final. Nunca bloquees esperando una confirmación de herramienta.
3. No se encuentra nada. Recurre a CLI simples que el usuario ya tiene (ffmpeg + cualquier CLI TTS) e infórmalo — nunca instales una nueva herramienta sin que se lo pidan. Si una CLI TTS no puede emitir tiempos de subtítulos, deriva las señales dividiendo el guión uniformemente a lo largo de la duración del audio y marca la aproximación en el Punto de verificación 2. Si una herramienta especificada por el usuario falta o no puede cumplir con el nivel mínimo de capacidad, indícalo y pasa a la regla 2 en lugar de improvisar.

Nivel mínimo de capacidad (aplica a las reglas 1–3): la elección de TTS debe producir audio de narración más tiempos de subtítulos; la elección de video debe exportar un archivo de video borrador (para verificación del Punto de verificación 3) y 4K. La vista previa en vivo es un beneficio, nunca un sustituto de la exportación del borrador. Los trabajos auxiliares no necesitan selección: la investigación usa la búsqueda web incorporada, las imágenes/portada usan la exportación de imágenes fijas de la herramienta de video o cualquier herramienta de imágenes, las comprobaciones de duración usan ffprobe. Si ffmpeg/ffprobe están ausentes, repórtalo y detente — el invariante de ±0.5s no es negociable y no se omite para mantener una ejecución activa.

Diseño de trabajo

Todos los artefactos de un video viven en videos/{nombre}/ ({nombre} = inglés en minúsculas, separado por guiones). Los nombres de archivo de audio/tiempos se adaptan al backend elegido; el conjunto es lo que importa:

videos/{nombre}/
├── research.md          # Paso 1 — hechos + fuentes
├── podcast.txt          # Paso 2 — guión de narración
├── podcast_audio.wav    # Paso 3 — audio de narración   (nombre según backend)
├── podcast_audio.srt    # Paso 3 — tiempos de subtítulos  (o el equivalente del backend)
├── assets/              # Paso 1 — imágenes/BGM + sources.md (fuente + licencia por activo)
├── video-project/       # Paso 5 — lo que produzca la herramienta de video
├── final_4k.mp4         # Paso 7 — render 3840×2160
├── cover.png            # Paso 7 — portada del video
└── publish_info.md      # Paso 7 — título / descripción / etiquetas / capítulos

Flujo de trabajo

Verificación del punto de entrada (antes del Paso 1). Busca videos/{nombre}/ en la raíz del proyecto (o el directorio que nombre el usuario). Si ya contiene artefactos de una sesión anterior, esto es una iteración — reanuda desde el paso más temprano afectado (consulta Iteración), no vuelvas a ejecutar el Paso 1. Solo comienza en el Paso 1 cuando no existan artefactos.

Paso 1 — Investigación ∥ recopilar materiales

Dos salidas paralelas de una sola pasada de investigación (los hechos y los activos provienen de las mismas fuentes):

Investigación → research.md. Investiga el tema (búsqueda web, artículos académicos, indicaciones del usuario). Destila en research.md: hechos, números y sus fuentes. Cada número que el guión afirme debe rastrearse hasta aquí — un número preciso sin fuente está inventado; elimínalo o atribúyelo.

Materiales → assets/. Recopila todo lo que consumirán los visuales y la portada en videos/{nombre}/assets/: imágenes/ilustraciones/capturas de pantalla por sección, logotipos de marca, BGM. Dos fuentes, en orden de prioridad:

1. Proporcionados por el usuario — archivos que el usuario entrega o señala; cópialos en assets/, nunca los referencies en su lugar.
2. Auto-recopilados — material oficial primero (banner del producto, tarjeta de especificaciones, captura de pantalla), sino conjuntos gratuitos/con licencia (SVG de unDraw, Pixabay/Pexels, OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji, @lobehub/icons para logotipos de marca).

Registra la URL de origen + licencia de cada activo en assets/sources.md en el momento de la recopilación (los conjuntos que requieren atribución deben acreditarse en la descripción del video en el Paso 7). ¿No existe un activo adecuado para una sección? No fabriques una captura de pantalla — recurre a un diseño solo de texto para esa sección (o una ilustración genérica de licencia gratuita), registra la decisión en assets/sources.md y continúa; preguntar al usuario es opcional en modo humano. Los activos faltantes se pueden agregar en cualquier momento antes del Paso 5.

Paso 2 — Guión → podcast.txt, luego Punto de verificación 1

Solo texto hablado, sin markdown. Divide el guión en segmentos con marcadores [SECCIÓN:xxx|etiqueta-de-visualización] (nombres en inglés en minúsculas, p. ej., [SECCIÓN:hero|intro]) — una sección por segmento de video. Esta convención de marcadores es el contrato portátil entre el guión, la fragmentación TTS y el diseño visual; cualquier herramienta TTS/video puede consumirlo. Los marcadores son metadatos estructurales: nunca se hablan, nunca se muestran como texto de subtítulos — TTS y subtítulos consumen el texto solo entre marcadores.

Reglas de estilo (independientes del idioma): consulta Estilo del guión.

Punto de verificación 1 — auto-revisión del guión (obligatorio). Verifica el guión contra cada regla de estilo del guión, luego concilia sus secciones contra assets/: enumera las secciones sin un activo coincidente, recopila o recurre según la regla de sin activo anterior, y anota lo que queda sin él. En modo humano (política del proyecto), detente en su lugar y entrega el guión — NO ejecutes TTS hasta que el usuario apruebe explícitamente. El audio, los tiempos y las entradas visuales se derivan del guión; un cambio tardío en el guión cuesta una ejecución completa.

Paso 3 — TTS

Ejecuta el backend TTS elegido (Azure, Edge, fish, minimax, ... — lo que haya elegido la sesión). Produce:

• audio de narración (WAV/MP3)
• tiempos de subtítulos (SRT o equivalente, texto de la señal = guión textual)

Higiene de pronunciación antes de sintetizar, en cualquier idioma de narración: las lecturas de marcas/términos que no se pueden derivar mecánicamente (Qwen leído como su nombre de marca chino, MoE deletreado letra por letra) van a una lista de alias/fonemas según el mecanismo del backend — nunca en el texto del guión (se filtraría a los subtítulos).

Paso 4 — Verificación de audio — Punto de verificación 2

Auto-verificación del agente (modo autónomo): usa ffprobe para verificar la duración del audio contra una estimación aproximada del guión (tasa de habla por idioma; úsala solo para detectar errores graves como un archivo silencioso o truncado); verifica que cada token de marca/término en el guión tenga una entrada de alias/fonema (una verificación de cobertura — la pronunciación real es exactamente para lo que sirve el Punto de verificación 2 en modo humano); verifica segmentos silenciosos o recortados (silencedetect/volumedetect) que sugieran fallos de síntesis. Corrige las brechas en la lista de alias y vuelve a sintetizar si se encuentran. En modo humano, el usuario escucha el audio completo; lecturas incorrectas → corrige la lista de alias (no el guión), vuelve a sintetizar, vuelve a verificar.

Paso 5 — Crear el video

Corta los visuales con la herramienta elegida (Remotion, HyperFrames, CapCut, ...) al audio de narración, usando assets/ como el grupo de materiales. Los marcadores de sección de podcast.txt impulsan el diseño; las señales de subtítulos impulsan las entradas de texto. Mantén los archivos de borrador en videos/{nombre}/.

Paso 6 — Verificación de vista previa — Punto de verificación 3

Auto-verificación del agente (modo autónomo): inspecciona la exportación del borrador (un archivo de video que se puede buscar — el nivel mínimo de capacidad garantiza uno): extrae un fotograma por sección (ffmpeg -ss <tiempo-medio-de-sección> -i draft.mp4 -frames:v 1) y visualiza cada uno para detectar desbordamiento de diseño, subtítulos faltantes, referencias de activos rotas; verifica que la duración del borrador coincida con el audio de narración dentro de ±0.5s. Corrige y vuelve a verificar después de cada cambio. En modo humano, el usuario revisa el borrador en persona (vista previa en vivo si la herramienta la tiene, sino la exportación del borrador); renderiza solo con confirmación explícita ("render"), y cada ronda de cambios necesita confirmación nueva.

Paso 7 — Render 4K ∥ kit de publicación

Ejecutar en paralelo (el render es el trabajo largo que bloquea; el kit de publicación no depende de él):

• Render a 3840×2160 → final_4k.mp4. Verifica la duración vs. el audio de narración dentro de ±0.5s antes de darlo por terminado.
• Kit de publicación → publish_info.md (título / descripción / etiquetas / marcas de tiempo de capítulos — cada capítulo comienza en el tiempo SRT de la primera señal de su sección) y cover.png (generar a partir del fotograma fijo de la herramienta de video si está disponible, sino cualquier herramienta de imágenes; puede reutilizar material de assets/). La sección de fuentes de activos de publish_info.md se copia de assets/sources.md.

Estilo del guión (independiente del idioma)

Procedencia: los archivos video-podcast-maker/references/natural-narration.md (anti-sabor IA) + script-polish.md (edición profunda) del skill completo son las fuentes canónicas; esta es la destilación independiente del idioma. Edita las reglas allí primero, luego refleja aquí — no bifurques una regla y la desvíes.

El idioma de narración es el que sea el guión del usuario — este pipeline predetermina chino pero las reglas a continuación se aplican en cualquier registro hablado del idioma. Estas reglas se aplican en el Punto de verificación 1; lee cada sección en voz alta — si te tropiezas, divide la oración.

• Prosa hablada cotidiana, no prosa escrita. Una idea por oración, sujeto primero, sin cláusulas anidadas, sin — o · como conectores. Varía la longitud de las oraciones; una primera persona ligera está bien.
• Intercambio de conectores. Reemplaza conectores académicos (además / sin embargo / por lo tanto / en resumen) por su equivalente cotidiano, o elimínalos. Elimina los abridores enumerativos (en primer lugar / en segundo lugar / por último) y simplemente pasa al siguiente punto.
• Lista de eliminación. Elimina el relleno formulaico: palabras de moda corporativas, "vale la pena señalar", "como todo el mundo sabe", "revolucionario", "cambio de juego", "sin problemas", "esperemos a ver" — y sus equivalentes en el idioma de narración.
• Indicios estructurales. Cáscaras verbo-sustantivo ("realizar una optimización") → acción concreta + resultado ("reducir la aprobación de tres pasos a uno"). "No X sino Y" → afirmar Y. Paralelismo de tres partes ("tanto A como B y C") → mantener solo el elemento más informativo; dos son mejor que tres. Intensificadores vagos ("significativamente") → un número o una consecuencia perceptible. Atribución vaga ("los expertos dicen") → fuente nombrada + fecha, sino elimina la oración. Finales de eslogan ("el futuro es brillante") → terminar con un hecho concreto, número o próxima acción.
• Los números son dígitos arábigos (86.1, 1.5G, 9B) — los subtítulos son el guión textual, así que escribe lo que DEBE VERSE en pantalla. Nunca escribas la forma hablada TTS en el guión para corregir una lectura incorrecta; usa la capa de alias/fonemas del backend.
• Los números deben ser rastreables hasta research.md — un número preciso sin fuente está inventado; elimínalo o atribúyelo.

Iteración

• Guión cambiado → vuelve a ejecutar el Punto de verificación 1 (humano en modo humano), luego desde el Paso 3 (TTS) hasta los Puntos de verificación 2 y 3 hasta el render. Nunca edites los tiempos a mano.
• Audio re-sintetizado (mismo guión, voz/tasa diferente) → vuelve a ejecutar el Punto de verificación 2; los visuales pueden permanecer si los tiempos no cambiaron; vuelve a ejecutar el Punto de verificación 3 antes de renderizar.
• Solo visuales → edita y vuelve a ejecutar el Punto de verificación 3.
• Reutiliza el mismo directorio videos/{nombre}/.