zxd-666/video-flow

Video Flow｜Código para vídeos explicativos

Convierte un tema en un vídeo explicativo en chino, con base factual y fácil de entender. El resultado final puede ser una versión con música y subtítulos, o una versión con locución generada por API. Utiliza código (HTML/CSS/SVG/Canvas/GSAP) para crear diseño, gráficos, diagramas de flujo y animaciones. Puede usar imágenes de red con atribución, materiales del usuario o imágenes generadas por IA como material estático. El metraje final se organiza y renderiza mediante código, sin generar metraje de vídeo con IA.

Proceso de tres pasos, con puntos de control en el guion y la elección de producción

1. Investigación y redacción del guion. El usuario solo da el tema y se comienza a investigar. Se infieren (revocables) la audiencia, duración, formato de pantalla y estilo de expresión. Solo se hacen preguntas cuando un desacuerdo clave cambiaría el guion. Se busca información verificable reciente según Investigación y guion. Se guardan capturas de pantalla de páginas web originales, imágenes y fuentes que puedan aparecer posteriormente. Se escribe el guion completo, el mapeo de fuentes y una breve intención visual. Se entrega el guion y el directorio de evidencias visuales clave al usuario para su revisión.
2. Confirmación del texto, formato de voz y estilo visual. Durante la revisión, se pide al usuario que elija entre "Música y subtítulos" o "Locución (API)", y uno de los estilos nombrados a continuación. Si el usuario ya ha especificado algo, solo se pregunta lo que falta. Solo se procede a la producción después de que el usuario confirme el contenido del guion. Un "ok" confirma el guion, pero no puede sustituir la elección del usuario sobre el formato de voz o estilo que aún no se ha aclarado. Antes de la confirmación, se pueden conservar las capturas de pantalla y materiales obtenidos durante la investigación, pero no se genera locución, imágenes IA, proyectos de animación ni vídeos.
3. Producción y entrega directa según el plan elegido. La versión con música y subtítulos convierte el contenido confirmado en frases cortas adecuadas para lectura en pantalla, organizando las imágenes según la lectura y el ritmo musical. La versión con locución llama a una API de generación de voz, organizando las imágenes y subtítulos según el audio final. Se escribe un plan de dirección y una línea de tiempo unificada según Producción y QA. Se produce, renderiza y verifica el vídeo final. Se entrega MP4, subtítulos o texto explicativo en pantalla, proyecto editable y lista de materiales/fuentes. Confirmar el guion y el plan autoriza la producción local, pero no autoriza la publicación, la compra de servicios ni el uso de muestras de voz personales sin consentimiento.

Estilos visuales ofrecidos durante la revisión

• Documental limpio (清爽纪实): Fondo claro con espacio en blanco, diseño de información claro, capturas de pantalla reales y animaciones sobrias. Ideal para noticias, presentaciones de productos y exhibición de pruebas.
• Collage de papel (纸感拼贴): Material de papel cálido, imágenes y objetos que se combinen/separen en movimiento. Ideal para casos, contenido creativo o concreto.
• Escritorio técnico oscuro (深色技术台): Interfaz oscura, líneas de flujo y ampliaciones de áreas, herramientas/código real. Ideal para tecnología y proyectos de código abierto.

Se da una breve descripción de los tres y una recomendación para el tema actual, y se pide al usuario que elija un estilo. El usuario también puede especificar su propio estilo o combinación. Una vez elegido, se pasa directamente a la producción cuadro por cuadro, sin preparar tres versiones de estilo visual de antemano. Los prototipos visuales solo se hacen si el usuario lo solicita explícitamente.

Cuando el tema está claro, se procede directamente al paso 1, sin que el informe completo de producción se convierta en una barrera. Se priorizan la duración, plataforma, tono de voz y estilo especificados por el usuario. Los elementos no especificados se escriben como suposiciones predeterminadas en la entrega del guion, permitiendo al usuario modificarlos. No se copian las supuestas "preferencias a largo plazo del usuario" de otras habilidades.

Criterios de finalización para la investigación y el guion

• Para hechos recientes, cambiantes, oscuros o controvertidos, se verifica en línea. Se priorizan anuncios originales, documentación oficial, artículos académicos, tablas de datos originales o partes involucradas en el evento. Se comparan la hora de publicación y la hora del evento. Los resúmenes de búsqueda no cuentan como fuentes. El conocimiento existente se usa para organizar preguntas y explicar contextos estables, no para sustituir la evidencia de hechos recientes.
• Al navegar por materiales originales, se seleccionan simultáneamente imágenes reales que ayuden a los espectadores a ver la evidencia, como títulos y fechas de anuncios, listas de archivos de repositorio, texto original clave, interfaces de producto reales o gráficos de datos. Según Investigación y guion, se guardan capturas/archivos originales y un índice de evidencia, registrando URL, hora de obtención, párrafo correspondiente, alcance de uso y forma de presentación. Especialmente cuando la página puede cambiar o desaparecer, se conserva inmediatamente. Las capturas de pantalla se tratan solo como una representación de la fuente en ese momento, no como una verificación independiente de los hechos. Si no se puede guardar, se registra la entrada exacta y el motivo.
• El guion de contenido tiene IDs de párrafo estables. Para la versión con locución, se prepara un guion palabra por palabra que se pueda leer completament. Para la versión con música y subtítulos, se refinan las frases cortas en pantalla a partir de esto, sin meter texto largo en la pantalla. Los hechos clave se pueden rastrear hasta fuentes específicas. Se separan hechos, inferencias y opiniones. Para cifras, casos y efectos sin evidencia, no se escriben como resultados confirmados.
• Para vídeos cortos, primero se define una declaración central. Se conectan el gancho emocional del inicio, la explicación del medio y el contenido sustancial del final en una sola línea narrativa. Cuando hay mucha información, se eliminan las ramas, sin convertir un vídeo en un catálogo de puntos de conocimiento. Se planifica el gancho de los primeros 2 segundos y los giros que vuelvan a captar la atención a medio camino según la plataforma objetivo. El ritmo lo determina el contenido.
• El final debe ofrecer al espectador contenido sustancial para llevarse. Se indica dónde encontrar la información original, qué partes priorizar, y se dan 1 a 3 inspiraciones, preguntas para reflexionar o comprobaciones ejecutables directamente relacionadas con el tema. Los nombres/rutas de materiales buscables y los enlaces directos necesarios se colocan fuera del guion y en la planificación de la pantalla final. No se termina con resúmenes vagos como "vale la pena seguir" o "esperemos y veamos".
• La duración estimada se marca como estimada. El ritmo real de la versión con locución se basa en el audio generado por la API. La versión con música y subtítulos se basa en el tiempo de lectura del texto final en pantalla y el ritmo musical. Las citas y notas de pantalla se colocan fuera del guion, sin mezclarse en el texto explicativo final.
• Al entregar para revisión, se proporciona al usuario un guion que permita juzgar directamente si el contenido es preciso y la expresión adecuada, junto con una lista de formatos de voz y tres estilos nombrados para elegir. Hasta que el usuario no confirme el guion, se detiene aquí.

Criterios de finalización para la producción

• Al elegir "Música y subtítulos", se usa música de fondo y efectos de sonido sincronizados con las acciones de la imagen, sin generar voz. Los subtítulos son el texto explicativo en pantalla, alineados con la legibilidad y la música/acción. Al elegir "Locución (API)", se llama a una API de generación de voz disponible y autorizada para producir una narración natural, pudiendo añadir música de fondo de bajo volumen. "Locución" se refiere a la interpretación de voz, no requiere la presencia de una persona real ni presupone la clonación del tono del usuario. No se sustituye con TTS del sistema o solo música sin autorización. Primero se escucha el gancho emocional y las palabras técnicas, luego se determina la voz y la línea de tiempo. Sin autorización, no se clona la voz personal ni se activan servicios de pago. Al elegir la clonación de tono y generación de voz de MiniMax, se verifican los derechos de cuenta, la autorización de tono y la facturación según Integración de voz MiniMax. Se mide la duración con el audio final. Los subtítulos deben coincidir con el guion confirmado. Si el audio real tiene cambios, se revisan y verifican. Se indica si la alineación por palabra es medida, ASR alineada o estimada, y no se llama sincronización precisa a una estimación.
• Las claves API de pago no deben escribirse en texto plano en SKILL.md, references/, agents/, scripts/ u otros archivos de esta habilidad, ni en proyectos de vídeo, comandos, registros o paquetes de entrega. Al llamar a la API, solo se lee desde fuentes de credenciales seguras ya configuradas. Solo se registran el servicio, modelo, tono y parámetros no sensibles, no el valor de la clave.
• Cada cuadro cumple una función explicativa. Según el párrafo del guion, se planifican objetos, acciones y cambios de información visibles: al hablar de una solicitud entrante, se muestra el flujo de la solicitud; al hablar de programación, se muestra la asignación; al hablar de límites, se muestran los límites; al hablar de una entrada de datos, se hace legible la ruta. Unificar el lenguaje visual no significa repetir el mismo conjunto de animaciones o tarjetas de plano medio. Se prioriza el dibujo con código para texto, números, estructuras, gráficos, UI, comparaciones, etc. Las imágenes estáticas solo se usan cuando explican mejor que el código. Se registra la fuente y las condiciones de uso de los materiales externos. No se usan imágenes con marca de agua como material de vídeo final.
• Se produce directamente según el estilo visual elegido por el usuario durante la revisión. No se convierte la "vista previa de tres versiones" en un requisito previo. Cuando el usuario especifica su propio estilo, se ejecuta según ese estilo. Los subtítulos o el texto explicativo en pantalla son parte del diseño visual, y deben revisar por separado su jerarquía, división de frases, pausas y relación con la imagen principal en el formato de pantalla de teléfono.
• Después de confirmar el guion y el plan, se escribe primero un breve plan de dirección: el planteamiento, nudo y desenlace de la declaración central, el tema visual, la acción de cada cuadro y la relación que explica, y las indicaciones de cuadro/subtítulo/voz. Para la versión con locución, se usa el audio de narración final para establecer la línea de tiempo unificada. Para la versión con música y subtítulos, se basa en el tiempo de lectura en pantalla y el ritmo musical. Las capturas de pantalla reales se priorizan para el momento en que "aparece la evidencia". Los procesos y mecanismos se explican con animaciones de código. Dentro del mismo lenguaje visual, se cambian objetos, escalas y perspectivas para evitar la repetición de tarjetas a medio camino. Se revisa el vídeo final según Producción y QA.
• Se prioriza el uso de la CLI huashu-motion ya presente en la máquina local como backend de efectos de código y renderizado. Primero se revisan sus capacidades, luego se produce y verifica según su contrato de proyecto. Si no está disponible, se explica la falta y se elige una ruta de renderizado de código verificable en el entorno actual. No se afirma falsamente que se ha producido un vídeo. La versión del backend y la ruta absoluta no deben escribirse de forma fija en el proyecto.
• Después del renderizado, se verifica el audio, duración, formato de pantalla, legibilidad de subtítulos, imágenes clave y transiciones de escena del MP4 real. Además de la verificación automática, se visualiza o muestrea manualmente las ventanas de tiempo clave. Se guardan los archivos fuente editables, el audio de música o narración, los subtítulos/texto de pantalla y el mapeo de materiales. Las verificaciones que no se hayan ejecutado se marcan como no verificadas.

Límites de reelaboración

Al modificar hechos o contenido explicativo ya confirmados, primero se muestran los cambios y los párrafos afectados, se obtiene la confirmación del usuario sobre el nuevo guion, y luego se rehacen el audio o el texto de pantalla, subtítulos y cuadros correspondientes. Si solo se cambian las imágenes, el ritmo o la mezcla de audio, se reelabora según los párrafos afectados. Si la retroalimentación indica que los cuadros a medio camino se repiten o que las imágenes no están sincronizadas con la explicación, se debe reorganizar la narrativa visual de ese segmento, no solo cambiar colores o añadir efectos decorativos. No es necesario pedir consentimiento repetidamente para cada etapa de producción normal. Los asuntos como cobro, publicación pública y muestras de voz personales se tratan por separado.