Communitygithub.com

Texto a video animado

Convierte una idea, guión, URL de blog, PDF o PPT en un video animado completo, con guión por escenas, estilo coherente, voz en off, subtítulos sincronizados y efectos de sonido, renderizado en MP4.

¿Qué es Texto a video animado?

Esta habilidad transforma cualquier tipo de contenido textual (una idea simple, un guión, una URL de blog, un PDF o una presentación PPT) en un video animado listo para publicar. Genera automáticamente un guión segmentado por escenas, elige un estilo visual predefinido (como dibujo animado 2D, estilo anime, cómic, cuento de hadas, pizarra o tipografía cinética), produce voz en off mediante archivo MP3 del usuario o ElevenLabs, sincroniza subtítulos palabra por palabra, añade efectos de sonido y música (si se proporciona) y renderiza el resultado en MP4 con relaciones de aspecto 9:16, 16:9 o 1:1. Es ideal para crear explicaciones animadas, lecciones, cuentos infantiles, episodios de YouTube sin rostro o anuncios animados sin necesidad de material de archivo. Todo el contenido visual se dibuja mediante código, no usa modelos generativos de video ni servicios externos, y garantiza consistencia en los personajes y escenas a lo largo del video. Los agentes de IA como Claude Code, Cursor o Codex pueden invocar esta habilidad paso a paso: primero recopilan la información del usuario, luego generan el guión, planifican las escenas, crean la voz, alinean los tiempos, dibujan los personajes, generan el HTML con canvas, renderizan y mezclan el video final. Para clips generados con modelos como Veo, Kling o Seedance, se debe usar el generador de video IA en su lugar.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/1Harsh88/Video-skill/tree/HEAD/.claude/skills/text-to-animated-video

Preguntar en tu IA favorita

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

Documentación

Texto → video animado

Este es un pipeline de "texto a animación" estilo Fliki (consulta references/fliki-notes.md), pero los elementos visuales se dibujan en código y se renderizan en este contenedor, por lo que no hay créditos de Fliki ni modelos, no hay marca de agua y no hay límite de 3 minutos.

Entrada: una de las siguientes:

  • una idea de una línea
  • un guión
  • una URL de blog
  • un PDF o PPT
  • un archivo MP3 de voz en off existente

Salida: un MP4 terminado, más una copia para WhatsApp, en la relación de aspecto que el usuario haya elegido.

Pasos

  1. Brief. Recopila estos datos, usando los valores predeterminados cuando el usuario no los especifique:

    • idioma (predeterminado: el idioma del usuario; Hinglish/Hindi está bien)
    • tono (neutro)
    • duración (60 s)
    • aspecto (9:16 para reels/shorts, 16:9 para YouTube, 1:1 para feed)
    • preset de estilo (ver más abajo)
    • voz: el MP3 del usuario, ElevenLabs o ninguna

    Pregunta solo sobre aquello que no puedas predeterminar.

  2. Fuente → guión.

    • Idea: escríbelo tú mismo.
    • URL / PDF / PPT: lee la fuente, conserva solo los hechos que respalde y cítala en la tarjeta final.
    • Longitud: escribe un guión segmentado por escenas a unas 140 palabras/min para inglés, 120 para hindi.
    • Estructura: un gancho en los primeros 3 s, una idea por escena, un CTA al final.
    • Revisión: muestra el guión y espera la aprobación, a menos que el usuario haya proporcionado el guión.
  3. Plan de escenas. Escribe plan.json (formato a continuación) con 1 escena cada 4–8 s, y muéstralo como una tabla corta.

    {"W":1080,"H":1920,"fps":30,"style":"2d-cartoon","scenes":[
      {"id":1,"t0":0,"t1":5.2,"text":"<línea de voz>","visual":"<lo que se dibuja>","motion":"<cámara/animación>","sfx":["whoosh:0.1"]}]}
    
  4. Voz. Elige una:

    • MP3 del usuario: úsalo tal cual. Si hay música debajo de la voz, separa primero las vocales (demucs) antes de alinear.
    • ElevenLabs: el usuario necesita una clave. Pídela con request_credential para el host api.elevenlabs.io, encabezado xi-api-key. Nunca le pidas que pegue la clave en el chat. Luego llama a POST https://api.elevenlabs.io/v1/text-to-speech/{voice_id} con model_id eleven_multilingual_v2 (o el modelo multilingüe más reciente que liste la API), una solicitud por escena o para todo el guión.
    • Sin voz: usa solo subtítulos y efectos de sonido, temporizando cada escena en su duración planificada.
  5. Alinear.

    • python scripts/align.py voice.wav script.txt words.json 30 da los tiempos de las palabras, además de words_mouth.json para sincronización de labios.
    • Necesita pip install --break-system-packages torch torchaudio uroman librosa soundfile y descarga su modelo de download.pytorch.org, lo cual este entorno permite.
    • Re-temporiza las escenas de plan.json según las palabras alineadas. Nunca adivines los tiempos cuando exista una voz.
  6. Primero la hoja de personajes (si el video tiene personajes). Dibuja cada personaje una vez como una función con algunas poses (quieto, hablando, señalando, sorprendido) y guarda una hoja PNG. Reutiliza las mismas funciones en cada escena para que los personajes se vean idénticos en todo el video. Los personajes deben ser originales; nunca copies un personaje de dibujos animados o anime existente.

  7. Construye scene.html.

    • Un canvas de tamaño W×H.
    • window.renderAt(t) debe ser determinista: aleatorio con semilla, sin Date.now(), sin animaciones CSS.
    • window.ready se resuelve después de que las fuentes se carguen. Usa archivos woff2 locales: Baloo 2 o Noto Sans Devanagari para hindi, Inter/Anton/Bangers/Caveat según lo necesite el estilo.
    • Los subtítulos se dibujan en el canvas:
      • 2–5 palabras por fragmento, dividiendo en signos de puntuación o en pausas de más de 0.35 s
      • la palabra activa se resalta en el momento en que comienza
      • el texto permanece dentro de la zona segura; para 9:16, nada en los 250 px superiores ni en los 420 px inferiores
    • Movimiento: movimientos suaves, parpadeos cada 2–5 s, balanceo en reposo, un lento zoom in por escena y un movimiento de transición entre escenas.
  8. Revisión de fotogramas fijos. Ejecuta node scripts/render.cjs stills scene.html <8–12 veces> stills/ W H, luego une los fotogramas en una hoja de contactos con ffmpeg tile. Revisa la hoja tú mismo, corrige problemas, luego muéstrasela al usuario y espera la aprobación antes del render completo.

  9. Renderizado y mezcla.

    • Video: node scripts/render.cjs video scene.html 0 DUR v.mp4 30 W H
    • SFX: python scripts/sfx.py DUR sfx.wav whoosh:3.2 pop:8.1 chime:10.5
    • Mezcla la voz a 0 dB y los SFX a aproximadamente −12 dB. Usa música solo si el usuario la proporciona; redúcela bajo la voz con sidechaincompress.
    • Multiplexa, luego loudnorm=I=-14:TP=-1.5.
  10. Entrega.

    • Verifica si hay fotogramas negros con blackdetect.
    • Haz una copia para WhatsApp/720p de menos de 20 MB.
    • Envía ambos archivos con SendUserFile.
    • Para otras relaciones de aspecto, escribe el diseño como función de (W,H) y re-renderiza.

Presets de estilo

presetaparienciamovimiento
2d-cartoonformas redondeadas, color plano con un tono, contorno oscuro de 4–6 px, fondos brillantesdinámico (easing back/elastic), compresión en aterrizajes
anime-styleojos grandes, líneas limpias gruesas, color plano + sombra dura, degradados de cielolíneas de velocidad, fotogramas de impacto, pequeña vibración de pantalla en golpes
comic-booktinta negra espesa, sombreado de medios tonos, viñetas, stickers de ráfaga (POW, WAAH!)golpes de viñeta, zoom-golpe, transiciones de cambio de página
storybook (fantasía)degradados pictóricos suaves, grano de papel, luz cálida, tipografía serif redondeadaparalaje lento, partículas flotantes, fundidos suaves
whiteboardpizarra blanca, trazos de marcador negro dibujados con stroke-dashoffset, un color de acentouna mano/bolígrafo sigue el trazo que se dibuja; borrado con limpieza
kinetic-typetipografía en negrita (Anton/Inter Black), 2–3 colores, formas como acentospalabras golpean, deslizan y escalan al ritmo; máscaras y cortes de coincidencia
cinematic-2dilustración plana semirrealista, luz dramática de una sola fuente, paleta apagadasolo zooms lentos y paneos; ritmo documental

Reglas

  • Dibujar en código. Todo se dibuja en código: sin material de archivo ni generadores de imágenes o video, a menos que el usuario proporcione medios o solicite clips generados (entonces usa ai-video-generator).
  • Personas reales. No crees apariencias realistas de IA de personas reales y vivas, figuras públicas. Usa imágenes simbólicas, siluetas o la propia caricatura del usuario dibujada a partir de sus fotos.
  • Hechos. Los hechos en pantalla deben provenir de la fuente del usuario o de una búsqueda verificada. Nunca inventes estadísticas, citas o testimonios.
  • Sobrescritura. Pregunta antes de sobrescribir un archivo de salida existente.

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Skills relacionados