Communitygithub.com

auto-tutorial-studio

Crea videos tutoriales prácticos: opera una aplicación real, guía la grabación externa y luego edita, sincroniza, añade efectos y exporta el video final automáticamente.

¿Qué es auto-tutorial-studio?

Este skill automatiza la creación de videos tutoriales prácticos. Dado un sitio web o software y un esquema de capítulos, el skill opera la aplicación real (usando CDP para el navegador o automatización de ventanas), notifica al usuario para que grabe la pantalla con herramientas externas (OBS, ShareX, etc.), importa el material grabado, construye un índice de búsqueda, sincroniza cada frase de la locución con la toma correspondiente, añade animaciones, transiciones, ajusta el volumen de la música de fondo (sidechain ducking), realiza una verificación fotograma a fotograma para ocultar ventanas no deseadas (consolas, notificaciones) y exporta el video final. Es ideal para creadores de contenido técnico que necesitan tutoriales profesionales de operación real, liberando al usuario del tedioso trabajo de edición manual. Funciona en cualquier plataforma donde se pueda ejecutar Python y un navegador. El skill sigue estrictas reglas: no graba la pantalla (lo hace el usuario), oculta ventanas emergentes durante la grabación, sincroniza cada toma con una frase de la locución, y verifica que no haya elementos distractores en el video final. Requiere que el usuario tenga un software de grabación de pantalla externo.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/wildmai/video-skills/tree/main/auto-tutorial-studio

Preguntar en tu IA favorita

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

Documentación

Estudio de Video Tutorial Automatizado

Dada una dirección web o un nombre de software, y un esquema aproximado de capítulos, este skill se encarga de:

Operar la aplicación real → Notificar al usuario para grabar → Importar el material grabado → Construir un índice de búsqueda → Sincronizar cada frase con la toma → Añadir animaciones y transiciones → Verificar fotograma a fotograma → Exportar el video final

División del trabajo: qué hace el skill y qué hace el usuario

Quién lo haceDescripción
Grabar la pantallaUsuarioEl usuario graba con herramientas externas como OBS / ShareX / grabador de pantalla del sistema. El skill no graba la pantalla. La grabación externa conserva la resolución y claridad originales, y también puede capturar el audio del sistema.
Operar la aplicación realSkillEl skill completa cada paso usando CDP del navegador o automatización de ventanas, y registra la posición de la operación.
Edición, locución, animaciones, verificaciónSkillTodo automatizado, con compuertas de control.
Ingresar el materialUsuarioDespués de la operación, el usuario entrega el video grabado al skill (solo la ruta del archivo).

El skill no ocupa el ratón físico del usuario: las operaciones del navegador se realizan mediante clics en elementos CDP, sin mover el puntero real.

Siete reglas de oro

  1. La captura es responsabilidad del usuario, el skill no graba la pantalla. El skill solo se encarga de la operación y la postproducción. El usuario debe entregar el archivo grabado al skill.
  2. La operación es responsabilidad del skill, la ventana de grabación es responsabilidad del usuario. El skill solo actúa después de que el usuario anuncie "iniciar grabación", y notifica al usuario que detenga la grabación inmediatamente después de terminar la operación.
  3. No debe haber consolas en la pantalla durante la grabación. Cada comando del skill debe ejecutarse sin ventana, y debe activar guard para ocultar inmediatamente cualquier consola o superposición que aparezca — todo eso se grabaría.
  4. Solo ocultar ventanas, no cerrarlas. Usar SW_HIDE, y guard stop para restaurarlas todas.
  5. Cada toma debe estar vinculada a una frase de la locución. En plan.json, cada beat declara a qué frase de la locución sirve. La duración total del capítulo debe ser igual a la duración total de la locución de ese capítulo.
  6. Los números pronunciados deben leerse de la interfaz real. El número de vértices, el precio, el número de versión, todo debe basarse en la interfaz.
  7. La auditoría de oclusión es una compuerta, no un informe. Antes de la construcción, se realiza OCR fotograma a fotograma de la ventana de salida. Si se detectan consolas / notificaciones / pantallas de inicio, se rechaza la salida. La música de fondo debe ceder paso a la voz humana. El video final debe tener −16 LUFS y un pico real ≤ −1.5 dBFS.

Fase 0 · Inicio del proyecto

Confirmar tres cosas, imprescindibles:

  • Objetivo: dirección web o nombre del software de escritorio, versión.
  • Esquema: orden de los capítulos (el usuario proporciona uno aproximado, el skill lo completa).
  • Plan de grabación: qué herramienta de grabación de pantalla usa el usuario, qué monitor graba, si graba audio del sistema, formato de salida y resolución.

También determinar el alcance de la captura (pantalla completa o una ventana específica) y si se grabará por segmentos. Grabar por segmentos, una función por vez, es más fácil de mantener; grabar todo el flujo de una vez también es posible, apoyándose en el índice para localizar.

Fase 1 · Redacción del guion

build/script.md, cada capítulo con un título ## , formato ## <ID del capítulo> | <Título a mostrar>:

## ch00 | Introducción

Primero, mira lo que he creado.

Esta figura se generó a partir de una imagen.

## ch01 | Registro e inicio de sesión

El sitio web oficial es hi3d.ai, ábrelo en el navegador y ya puedes usarlo.
  • ID del capítulo: solo caracteres en minúsculas, números, guiones bajos y guiones (requisito de la lista de TTS). Debe coincidir exactamente con el id del capítulo en plan.json. Los segmentos múltiples del mismo capítulo se generan automáticamente como ch01, ch01_1, ch01_2.
  • Título a mostrar: para la tarjeta del capítulo, puede estar en español.
  • Los ID de los capítulos no deben ser prefijos entre sí (ch0 y ch01 pueden confundirse). Se recomienda usar uniformemente chNN.
  • Comienza con el resultado final (la imagen más reconocible), luego vuelve a la operación.
  • Las funciones secundarias se mencionan brevemente. El espacio se dedica a "los parámetros que determinan el resultado" y "cómo verificar que se hizo correctamente".
  • Los prompts, código y configuraciones se guardan en bloques de código con ``` — los bloques de código no se leerán en voz alta, solo sirven como imagen de pantalla.
  • Cada segmento de locución debe tener una imagen de pantalla real correspondiente; los párrafos sin imagen de pantalla por el momento deben reescribirse como frases que la imagen pueda probar.

Fase 2 · Locución

python scripts/studio.py voice --project <proyecto>

Se divide por capítulos ## <ID del capítulo> | <Título>, se separan por líneas en blanco, se omiten los bloques de código y las notas >, y se produce build/audio_map.json, cada segmento con su duración real medida.

Presta atención a chars/s en la salida: los segmentos por debajo de 3.0 son anomalías de TTS (una síntesis que se alargó). Reescíbelo y regenéralo, no lo lleves a la edición.

Fase 3 · Operación real y grabación externa ★

Este es el núcleo del skill.

3.1 Preparar el entorno de grabación

python scripts/studio.py windows                      # Encontrar la ventana objetivo
python scripts/studio.py prep --project <proyecto> \
    --keep-title "Chrome" --maximize-title "Chrome"   # Ocultar ventanas irrelevantes, maximizar la ventana objetivo

prep nunca oculta la propia terminal del skill (se excluye por PID ancestro).

3.2 Iniciar el guardián de pantalla ★

Este paso no se puede omitir. El skill ejecutará comandos (ffmpeg, ffprobe, subprocesos de Python) durante la operación, cada uno de los cuales puede abrir una ventana de consola que caería justo en la pantalla de captura del usuario y se grabaría.

python scripts/studio.py guard start --project <proyecto> \
    --protect "DeepSeek Harness" --protect "Chrome"

El guardián es un proceso de fondo independiente que escanea la lista de ventanas cada 0.25 segundos, y oculta inmediatamente (SW_HIDE) las ventanas de consola recién aparecidas (ConsoleWindowClass, cmd, PowerShell, terminal, xshell, etc.) y las superposiciones de entrada / notificación. Recuerda qué ventanas ha ocultado y las restaura tal cual al ejecutar guard stop.

  • --protect protege los programas que se están demostrando (coincide por título, obligatorio).
  • Por defecto, solo oculta las ventanas de consola del propio árbol de procesos del skill, no las GUI — la interfaz de sesión del usuario permanece visible.
  • Si es necesario ocultar también la GUI, añade --hide-own-gui.
  • El criterio del guardián es "superposición real": las ventanas que solo se superponen unos pocos píxeles en el área de captura (en otro monitor) no se ocultan por error.

3.3 Notificar al usuario para comenzar

Indica claramente al usuario: Por favor, comienza la grabación. Cuando termines, responde "grabado". No actúes antes de que el usuario confirme — de lo contrario, esta preparación se grabará.

3.4 Realizar la operación real

Opera en orden de capítulos, cada paso:

  • Navegador: usar CDP para hacer clic en elementos, sin mover el ratón real. Antes de hacer clic, registra las coordenadas para usarlas después en las anotaciones: python scripts/studio.py aim <proyecto> <x> <y> --note "Formato de exportación".
  • Software de escritorio: activar la ventana + priorizar el teclado; si es necesario hacer clic, usar el ratón real, pero advertir al usuario que no mueva el ratón durante la grabación.
  • Si es necesario confirmar el estado, no es necesario interrumpir al usuario — captura un fotograma y míralo:
python scripts/studio.py shot --out <proyecto>/build/check.png
  • Inicio de sesión, autorización, código de verificación: mantén la grabación, el usuario los completa por sí mismo. El skill solo confirma si la operación fue exitosa. Corta las credenciales, códigos de verificación y claves — puedes grabar en segmentos antes y después del inicio de sesión, y luego unirlos según el orden de dependencia.
  • Cada comando del skill debe ejecutarse sin ventana: scripts/h.ps1 inicia subprocesos con CreateNoWindow, y los subprocesos internos del skill siempre llevan CREATE_NO_WINDOW.

3.5 Notificar al usuario para detener

Después de completar todas las operaciones, dile inmediatamente al usuario: Operación terminada. Por favor, detén la grabación y dame la ruta del archivo de video. Espera a que el usuario devuelva la ruta. No busques ni elimines ningún archivo de grabación por tu cuenta.

3.6 Finalización

python scripts/studio.py guard stop --project <proyecto>      # Detener el guardián y restaurar ventanas
python scripts/studio.py guard status --project <proyecto>    # Confirmar que no quedan consolas en la pantalla de captura

guard status lista las ventanas de consola aún visibles en el área de captura — debe estar vacío para considerarse limpio. Si hay residuos, significa que algún programa está abriendo ventanas repetidamente. Haz que el usuario regrabe ese segmento.

Fase 4 · Importar material y construir índice

python scripts/studio.py import --project <proyecto> --file "D:\video\rec.mp4"
python scripts/studio.py index  --project <proyecto> --clip rec.mp4 --step 2

index escanea todo el video grabado con un paso fijo, realiza OCR fotograma a fotograma y registra:

  • Qué texto hay en la pantalla en cada momento (para saber qué está pasando en un segundo determinado);
  • Puntos de cambio visual (puntos de corte naturales);
  • Intervalos de contaminación (consolas / burbujas de notificación / pantallas de inicio, que deben evitarse).

Produce build/index_<nombre>.txt (búsqueda directa) y .json (estructurado). Antes de organizar las tomas, lee primero el índice. No adivines los códigos de tiempo basándote en la memoria.

Fase 5 · Organizar tomas

build/plan.json:

{
  "display": {"region": [0, 0, 1920, 1080]},
  "voice": {"voice": "es-ES-ElviraNeural", "rate": "+5%"},
  "chapters": [
    {
      "id": "ch02", "num": "02", "title": "Generación de imagen a partir de texto", "sub": "Prompt de tres partes, determina la fidelidad",
      "beats": [
        {"seg": 0, "src": "rec.mp4", "in": 120,  "out": 134},
        {"seg": 1, "src": "rec.mp4", "in": 136,  "out": 152, "zoom": 1.0}
      ],
      "callouts": [
        {"seg": 1, "offset": 1.0, "text": "Prompt de tres partes\nPersonaje → Material → Composición",
         "x": 120, "y": 680, "pointer": "up"}
      ]
    }
  ]
}
  • src es el nombre del archivo en raw/ (grabación del usuario importada por import), in/out son segundos.
  • seg es a qué frase de la locución sirve esta toma, contado dentro del capítulo, comenzando desde 0.
  • zoom > 1 hace un acercamiento (recorte estático ampliado).
  • callouts usa seg + offset para posicionar el momento de la anotación, siguiendo la locución; x/y es la posición de la anotación (se pueden usar las coordenadas registradas por aim).
  • El id del capítulo debe ser igual al ID del capítulo en script.md, y también debe ser igual al prefijo del segmento en audio_map.json.
  • Ver el ejemplo completo en assets/plan.example.json.

Reglas para organizar tomas:

  • Una toma sirve a un punto operativo clave. La duración de la toma está determinada por esa frase de la locución.
  • El nombre debe aparecer antes o al mismo tiempo que el control correspondiente; al aparecer una retroalimentación clave, deja tiempo para leer.
  • Los controles adyacentes deben compartir una sola toma cuando sea posible, no cambies con frecuencia.
  • Comprime razonablemente las esperas reales, pero conserva el tiempo reconocible entre "activar acción → procesar retroalimentación".
  • Los párrafos sin imagen de pantalla deben reescribirse como frases que la imagen pueda probar, o regrabarse.
  • Evita los intervalos de contaminación marcados por el índice.

Fase 6 · Edición, verificación, entrega

python scripts/studio.py build  --project <proyecto>
python scripts/studio.py verify --video <proyecto>/final.mp4 --expect-duration <duración total de la locución>

build hace automáticamente: sincronizar cada frase con su toma → tarjeta de título de capítulo → superposición de anotaciones → árbol de transiciones de disolución cruzada → reducción de volumen de la música de fondo mediante sidechain → normalización de sonoridad.

Música de fondo: coloca la música en build/bgm.wav (o build/bgm_final.wav), y el constructor calcula la curva de reducción de volumen según la envolvente de la voz humana y la mezcla. Si no hay este archivo, se puede generar el video igual, pero sin música de fondo.

Cuando la auditoría falla: según el código de tiempo en build/audit.txt, cambia la ventana o regraba. Modifica plan.json y vuelve a ejecutar. La práctica común es mover los in/out contaminados a un intervalo limpio, o pedir al usuario que regrabe ese segmento.

Autocomprobación antes de la entrega:

  • El archivo se reproduce completamente, las pistas de video y audio están completas, la duración se aproxima a la duración total de la locución.
  • Auditoría OCR fotograma a fotograma sin problemas.
  • Mira y escucha todo el video a velocidad normal. Revisa los puntos clave: los primeros 3–10 segundos, cada cambio de función, envíos y resultados, números y nombres propios, segmentos de espera, y el final.
  • Cada punto explicado tiene un punto de cursor correspondiente; no hay grandes fragmentos estáticos de imágenes, no hay pausas sin contenido, la música de fondo no tapa la voz humana.

Referencia rápida de comandos

studio init   <proyecto>                     # Crear la estructura del proyecto
studio windows                            # Listar ventanas, buscar objetivo
studio prep   --project <proyecto> --maximize-title "Chrome"
studio guard  start --project <proyecto> --protect "Chrome"    # ★ Mantener la pantalla de captura limpia durante la grabación
studio shot   --out check.png            # Capturar un fotograma para confirmar el estado
studio aim    --project <proyecto> 1001 720 --note "Formato de exportación"
studio guard  stop  --project <proyecto>      # Detener el guardián y restaurar ventanas
studio guard  status --project <proyecto>     # Confirmar que no hay consolas residuales
studio import --project <proyecto> --file rec.mp4
studio index  --project <proyecto> --clip rec.mp4
studio voice  --project <proyecto>
studio build  --project <proyecto>
studio audit  --project <proyecto>
studio verify --video final.mp4
studio status --project <proyecto>

Referencias

  • references/production.md — Detalles sobre grabación de pantalla, locución, edición, mezcla de audio y verificación
  • references/troubleshooting.md — Síntomas → Causas raíz → Soluciones
  • assets/plan.example.json — Ejemplo completo de un plan de tomas

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

outline-to-video

把「一份视频大纲 + 一个素材视频目录」做成完整的知识/干货讲解成片:清点并转写素材视频、按大纲匹配相关片段、编写带钩子与节奏设计的口播脚本、用免费的 Edge TTS 出试听稿等用户确认,确认后再用豆包声音复刻配音并渲染输出 MP4。当用户说"按大纲做视频""把这些录屏剪成讲解视频""根据大纲配音出片""大纲出片""outline to video"时使用。

web-video-presentation

把一篇文章或口播稿,做成"看起来像视频"的点击驱动 16:9 网页演示,可选合成口播音频。流程:原始文章 → **一次产出**口播稿 + outline 开发计划 → 用户**一次对齐** 5 件事(稿子 / outline / 主题 / 素材 / 开发模式)→ 网页开发(逐章 / 顺序 / 并行)→ 可选音频合成(provider-agnostic:内置 MiniMax mmx-cli + OpenAI TTS,可换 ElevenLabs / edge-tts / Azure / 自带 TTS)。**outline 只规划节奏与信息密度,不规划动画** —— 动画由章节开发时按 PRINCIPLES + ANTI-AI 法则即时设计。每次点击推进口播稿的一个节拍,每一步独占整屏,进度条平时隐藏只在悬浮时出现。适用场景:用网页做视频(动态 PPT 但不像 PPT)、把口播稿 / 文章变成可交互的解说、为 B 站 / YouTube / 视频号录屏教程、做有电影感的产品 / talk demo。本 Skill 沉淀的是设计方法论 + 协作流程 —— 不绑定任何特定样式 / 字体 / 颜色 —— 因此能复用到任意主题与美学。

youtube-viral-thumbnail-designer

Create high-click-through YouTube thumbnails from a video summary, script opening, product test result, or brief topic description. Use this skill when the user asks to design, redesign, generate, or evaluate a YouTube thumbnail, especially for AI, AI coding, agents, software development, model benchmarks, technical tutorials, product tests, workflow automation, and industry-opinion videos. The skill automatically extracts the strongest click hook, compresses it into a short judgment-led headline, selects one visual composition, preserves mobile readability, and follows the formula: one strong judgment + one strong visual subject + one credible proof + generous whitespace.

Skills relacionados