andyluu98/VideoMotion

Genera voz en vietnamita usando VieNeu-TTS desde script.json de un proyecto de video, autoevalúa la pronunciación con Whisper, conserva la mejor lectura y extrae marcas de tiempo de cada palabra (voice.wav, words.json). Se usa en el paso 4 de /videomotion, o cuando el usuario dice "generar voz", "releer frase", "cambiar voz", "corregir pronunciación".

¿Qué es VideoMotion?

Este skill, parte del ecosistema de /videomotion, automatiza la generación de locuciones en vietnamita para proyectos de video. Lee el archivo script.json del proyecto, envía cada frase al motor de TTS VieNeu-TTS, y luego evalúa automáticamente la pronunciación usando Whisper para asignar una puntuación. Conserva la mejor lectura cuando se ejecuta múltiples veces (con --candidates), y produce un archivo voice.wav de 48 kHz con pausas predefinidas y un archivo words.json detallado que contiene las marcas de inicio y fin de cada palabra, segmento y escena. Soporta más de 25 voces, incluyendo opciones regionales (norte, centro, sur) y estilos (noticias, narración). Es útil para creadores de contenido que buscan locuciones precisas y consistentes sin edición manual. El skill también permite corregir pronunciaciones personalizadas mediante el campo "pron" en script.json o un archivo global ~/.motionfly/pron.json, y maneja automáticamente el cacheo de frases ya generadas para ahorrar tiempo en iteraciones.

Compatible con✓Claude Code~Codex CLI~Cursor

npx skills add https://github.com/andyluu98/VideoMotion/tree/HEAD/skills/vm-giong

Documentación

Generación de Voz

Las variables VV y PY se definen como en el skill videomotion.

Ejecución

"$PY" "$VV/tools/voice/voice.py" <proyecto> > <proyecto>/voice.log 2>&1

Ejecutar en segundo plano si el guion dura más de 1 minuto. Finaliza cuando aparezca VOICEDONE en el log. Cada lectura se cachea por contenido: si se modifica una frase en script.json y se vuelve a ejecutar, solo esa frase se regenera.

Lectura de resultados

Cada frase imprime score <id>: <puntuación> ok|WEAK | <lo que Whisper escuchó>.
Una sola ejecución es suficiente. La puntuación solo sirve para filtrar, no es necesario perseguir una puntuación alta. WEAK causado por Whisper al escuchar mal nombres en inglés ("Claude" como "Clock", "code" como "cốt") no es un error de lectura.
WEAK real (lectura incorrecta, saltos de palabras, errores en números): corregir en este orden
1. reescribir la frase para que tenga un sujeto en vietnamita, evitar frases de menos de 5 palabras o que comiencen con un nombre en inglés;
2. agregar una entrada en "pron" dentro de script.json, por ejemplo "MCP": "em xi pi" (la clave con mayúsculas coincide exactamente con mayúsculas/minúsculas);
3. volver a ejecutar con --candidates 4.
Para palabras que se deben corregir en todos los proyectos: agregar a ~/.motionfly/pron.json.

Voces

Por defecto Ngọc Huyền (femenino, Norte). Algunas voces disponibles: Ngọc Huyền, Mai Anh (noticias), Trúc Ly, Thùy Dung (Sur, noticias), Hải Đăng, Thiện Minh (narración), Quang Sơn y Ngọc Trân (Centro). Ver las 25 voces completas:

"$PY" -c "from vieneu import Vieneu; [print(v[0]) for v in Vieneu().list_preset_voices()]"

Establecer la voz en la clave "voice" de script.json.

Salida

voice.wav: 48 kHz mono, con pausas: inicio 0,5 s, entre frases 0,35 s, entre | 0,55 s, entre escenas 0,7 s, final 0,8 s.
words.json: total, scenes (marcas de inicio y fin de cada escena), segments (cada frase, puntuación, bandera weak), words (cada palabra mostrada con start, end). La palabra mostrada mantiene el texto original del guion, incluso si la pronunciación ha sido modificada mediante pron.