Video
Este skill es una capa delgada. El trabajo pesado lo realizan programas (ffmpeg, Whisper) y los skills oficiales de HyperFrames de HeyGen; este archivo solo contiene el enrutamiento y las reglas para videos cortos con subtítulos. Lee solo el skill de HyperFrames que la tarea necesita, no todos.
Primera ejecución: configuración para este ordenador
Funciona solo en Claude Code (app de escritorio, VS Code o terminal): necesita programas en el ordenador.
Primero lee settings.md junto a este archivo. Si el ordenador ya está registrado allí, omite las comprobaciones y usa los comandos de ese archivo (qué python, ruta de ffmpeg, modelo, --cpu o no). Si el archivo está vacío o algo registrado dejó de funcionar, ejecuta la configuración a continuación y escribe el resultado allí.
Configuración — una vez:
| Qué | Comprobar | Por qué |
|---|---|---|
| ffmpeg / ffprobe | ffmpeg -version | audio y fotogramas del video |
| Python 3.10+ con faster-whisper y yt-dlp | python -c "import faster_whisper, yt_dlp" (en Mac — python3) | transcripción, descarga desde enlaces |
| Node.js | node -v | HyperFrames |
| Skills de HyperFrames | está el skill hyperframes en la lista de skills | edición, superposiciones, animación |
| GPU NVIDIA (opcional) | nvidia-smi (nombre y memoria) | transcripción docenas de veces más rápida |
| Un Whisper existente | pip list (faster-whisper, openai-whisper, whisperx), carpetas de modelos, preguntar al usuario | no instalar un segundo |
Su propio Whisper. Si el usuario ya tiene faster-whisper y modelos descargados, no instales otro: pasa la carpeta del modelo al script con --model <ruta> o apunta HF_HOME a su caché. Si tienen un Whisper diferente (openai-whisper, whisper.cpp, whisperx), pregunta si conservarlo. Si es así, transcribe con él y convierte el resultado al formato de nuestro script (words: {"words":[{"text","start","end","type":"word"}]}, flat: la misma lista de palabras sin el envoltorio) — ese es el formato que esperan los skills de HyperFrames.
Modelo para la GPU (faster-whisper):
| Ordenador | Usar |
|---|---|
| NVIDIA con 6 GB+ | large-v3-turbo en la GPU (predeterminado) — mejor calidad |
| NVIDIA 4 GB | large-v3-turbo con --compute int8_float16, o --model medium |
| Sin NVIDIA (incl. Mac, AMD, portátiles con gráficos integrados) | --cpu, modelo small (rápido) o large-v3-turbo (más preciso, varias veces más lento) |
Prueba en un fragmento corto (ffmpeg -t 10) del propio video del usuario: si la ejecución en GPU falla con un error de CUDA o memoria, instala las bibliotecas a continuación o usa un modelo más pequeño. Muestra al usuario la velocidad y la calidad y elijan juntos. Para contenido solo en inglés, small.en / medium.en también son una opción en máquinas lentas.
Si falta algo, enumera para el usuario qué es y su tamaño, e instala solo con su consentimiento. En Windows pregunta qué unidad usar si C tiene poco espacio.
- ffmpeg, Node, Python: Windows —
winget install Gyan.FFmpeg,winget install OpenJS.NodeJS.LTS,winget install Python.Python.3.12; Mac —brew install ffmpeg node python. - Bibliotecas:
python -m pip install faster-whisper yt-dlp. Windows con GPU NVIDIA — tambiénpython -m pip install nvidia-cublas-cu12 "nvidia-cudnn-cu12==9.*". - Skills de HyperFrames:
npx skills add heygen-com/hyperframes --all(github.com/heygen-com/hyperframes, Apache 2.0). - El modelo Whisper (~1.6 GB) se descarga solo en la primera transcripción dentro de la caché de HuggingFace. Otra ubicación — la variable
HF_HOME. - Si el usuario quiere: desactivar la telemetría de HyperFrames con
HYPERFRAMES_NO_TELEMETRY=1yDO_NOT_TRACK=1.
Al final de la configuración, escribe todo en settings.md (siguiendo la plantilla en el archivo): qué python y ffmpeg, GPU, modelo elegido y banderas, dónde está la caché del modelo, velocidad en la prueba. A partir de entonces, ejecuta los comandos en las secciones A y B con esas banderas.
Nuestro script de transcripción es scripts/transcribe.py junto a este archivo. Usa la GPU por sí mismo y recurre a la CPU si no hay una. Banderas: --model (nombre o ruta a tu propio modelo), --compute, --cpu, --language.
No envíes informes de "feedback" de HyperFrames después de renderizar sin preguntar. Ejecuta npx hyperframes skills update solo con el consentimiento del usuario.
A. Ver y desglosar un video
- Obtener el archivo. Toma una ruta de archivo tal cual; nunca modifiques el original. Descarga un enlace en una carpeta temporal:
python -m yt_dlp --no-playlist -o "<carpeta>/video.%(ext)s" --print-to-file "%(uploader)s | %(duration)s s | %(like_count)s likes | %(comment_count)s comments | %(description)s" "<carpeta>/info.txt" <enlace>Para YouTube, si solo se necesita el texto, prueba primero los subtítulos:--write-auto-subs --sub-langs en --skip-download. Instagram y canales privados pueden requerir inicio de sesión — entonces pide al usuario que descargue el archivo por sí mismo. - Inspeccionar el archivo:
ffprobe -v error -show_entries format=duration:stream=codec_type,width,height -of compact <video>. - Transcribir:
python scripts/transcribe.py <video> --out <carpeta>/transcript.txt(texto con marcas de tiempo). - Hojas de contacto (12 fotogramas por imagen — ahorra tokens):
vertical:
ffmpeg -v error -y -i <video> -vf "fps=1/2,scale=216:-2,tile=6x2:padding=4:color=white" <carpeta>/sheet_%02d.jpghorizontal: igual conscale=320:-2,tile=4x3. Para videos de más de 2 minutos —fps=1/5o1/10. Lee las hojas como imágenes. - Responder: autor y números (si los hay), el formato del video, la transcripción (o un resumen si es larga), qué hay en pantalla, y por separado — qué es útil para el usuario. Si el video exagera, dilo honestamente.
B. Hacer un video con HyperFrames
Qué skill usar:
| Tarea | Skill |
|---|---|
| cualquier video, el punto de partida; cuando no estés seguro de qué usar | hyperframes (entrada principal, enruta por sí mismo) |
| subtítulos para un video hablando a cámara: 1–3 palabras, palabras clave en color, karaoke | embedded-captions |
| gráficos sobre un video de cabeza parlante: tarjetas, iconos, inserciones "en un teléfono", pantalla dividida, círculo de imagen en imagen | talking-head-recut |
| una animación corta sin habla de hasta ~30 s: intro, números, logo, maquetas de UI, antes → después | motion-graphics |
| estructura del video: capas, cuándo aparece cada tarjeta, inserciones de video | hyperframes-core |
| cómo se deslizan las tarjetas, pegatinas, "golpes" de palabra a pantalla completa, tipo cinético | hyperframes-animation |
| empujes y alejamientos de cámara, zooms suaves | hyperframes-keyframes |
| música, efectos de sonido, iconos, procesamiento de inserciones | media-use |
| comprobaciones, renderizado a MP4, eliminación de fondo (inserciones "por detrás del hombro") | hyperframes-cli |
| efectos listos (glitch, confeti, gráficos), volumen de música bajo la voz, colores y fuentes | hyperframes-registry, hyperframes-audio, hyperframes-creative |
Por las reglas de HyperFrames, el skill hyperframes se lee primero; para tareas simples su SKILL.md es suficiente, sin las referencias.
Preparar la transcripción con nuestro script (temporización precisa de palabras, usa la GPU), en lugar del hyperframes transcribe integrado:
- para
embedded-captions:python scripts/transcribe.py <video> --out <carpeta de trabajo>/transcript.json --format words— el skill recoge eltranscript.jsonlisto; - para
talking-head-recut: igual con--format flat(un array plano de palabras), omite el paso de transcripción del skill. Antes de usarlo, lee la transcripción y corrige errores de reconocimiento (nombres, marcas, términos). Muestra al usuario la lista de correcciones en una línea.
Proyecto: pregunta qué carpeta usar. Dentro: sources/ (copias de los archivos fuente — nunca modifiques ni elimines los originales), los archivos de trabajo de HyperFrames, done/ para los MP4 finales.
Formatos: Reels/Shorts/Stories/TikTok — 1080×1920, 9:16, 30 fps; YouTube — 1920×1080; publicación de feed — 1080×1350.
Subtítulos y texto en pantalla
- La fuente debe tener todos los glifos que el texto necesita (acentos, otros alfabetos si el video es multilingüe) — verifica antes de renderizar. Prefiere un
.woff2local en la carpeta del proyecto sobre Google Fonts a través de la red. - 2–4 palabras por línea. No termines una línea con un artículo, preposición o conjunción (a, an, the, of, to, in, on, and, but) — muévelo a la siguiente palabra.
- Números como dígitos, comillas y apóstrofos curvos, guiones largos reales.
- MAYÚSCULAS solo para acentos cortos (1–3 palabras), no oraciones completas.
- Los subtítulos no deben cubrir la cara ni la zona inferior de la interfaz de Reels/TikTok (botones, subtítulos) — mantente en la zona segura. Coloca el gancho en el centro del fotograma o ligeramente más abajo, no en el borde superior.
- Si
brand.mden la carpeta del skill está lleno (fuentes, colores, cómo acentuar) — úsalo. Si está vacío, pregunta al usuario sobre su estilo una vez y ofrece guardar la respuesta allí.
Antes de decir "listo"
Muestra el plan (qué, dónde, qué estilo) antes de un renderizado largo. Después de renderizar, recorta una hoja de contacto del resultado (A4) y mírala tú mismo: el texto es legible, no se sale del borde, todos los glifos se renderizan, en sincronía con el habla. Solo entonces da al usuario la ruta al archivo en done/.