O que render-cartoon-music-video faz?
Monta um videoclipe de animação a partir de uma configuração: uma história animada / ilustrada / artesanal (stop-motion de feltro e espuma, claymation, 2D cartoon, recorte) onde uma música cantada é todo o roteiro e um personagem animado recorrente carrega cada cena, cortado no compasso com a linha de clímax no drop. Esta capacidade é a montagem GRATUITA e determinística — corte no compasso, concatenação rígida, logotipo da marca + queima de legendas e o cartão final em cor sólida.
scripts/config.example.json é o exemplo prático (Coinbase "Aposte em qualquer coisa", ~55s 1080×1920 9:16, 16 compassos de corpo + um cartão final de 3s — seu visual de feltro, personagem, história e música são escolhas da demo, nunca padrões); scripts/PIPELINE.md mapeia cada bloco de configuração para sua etapa de origem e scripts/README.md documenta a montagem gratuita.
Escolhas
As decisões criativas são do solicitante (a receita do formato de vídeo pergunta ao usuário); esta montagem nunca as escolhe. O valor da demo é apenas um exemplo:
- Estilo visual / pacote visual (feltro stop-motion, claymation, 2D cartoon, recorte…) — demo: diorama de feltro e espuma.
- Personagem — a ÚNICA figura animada recorrente — demo: figura de feltro sem gênero definido, com uma camisa azul da marca.
- Arco narrativo — demo: o azarão vence.
- Estilo da música + vocal principal — demo: hype dance-pop / EDM-trap, vocal principal masculino meio falado.
Execução
Esta é a etapa de montagem GRATUITA e determinística — não gasta nada. As entradas pagas são capacidades separadas: a música cantada (create-music-elevenlabs, ou um mp3 fornecido pelo usuário + timings de palavras do Whisper) com beat-tracking via librosa para que a GRADE DE COMPASSOS defina a linha do tempo; um personagem fixo e recorrente + um keyframe por compasso em um pacote visual (create-image-fal, Nano Banana); e um clipe Seedance i2v por compasso (create-video-fal). Dados a música + word-timestamps.json + bars.json + um clipe por compasso + o logotipo da marca em SVG, render-cartoon-music-video corta cada clipe na janela do compasso, concatena rigidamente no compasso, queima o logotipo + legendas, anexa o cartão final em cor sólida e multiplexa a música por baixo → o master. Re-cortes reutilizam a música / keyframes / clipes existentes e custam $0.
Contrato (a montagem gratuita)
- A música cantada carrega a narrativa — sem locução separada. A faixa gerada/fornecida É a base (sem locução para abafar); não adicione narração falada ou uma segunda faixa de fundo.
- Planeje a linha do tempo em TORNO da GRADE DE COMPASSOS da música entregue. Faça o beat-tracking da música com librosa (assuma 4/4); um compasso = uma cena (padrão). Encaixe cada janela de cena nos limites do compasso — nunca corte a música para se ajustar a uma grade pré-planejada.
- Legendas a partir dos timings das palavras da música, reescritas contra a letra fixa. Whisper ouve errado sotaques gritados ("APOSTAS" → "Corações"); reescreva os tokens temporizados contra o arquivo de letra fixo (nunca edite a letra para corresponder ao Whisper). VEED-whisper branco negrito sem serifa no TERÇO INFERIOR (Alinhamento 2,
margin_vacima do logotipo no canto inferior esquerdo), ~4–5 palavras por legenda, SEM fundo em pílula; as legendas PARAM no limite do cartão final. Nunca no meio do quadro — cobre o personagem (fixo 2026-07). Se o ffmpeg do host não tiver libass, renderize as legendas como sobreposições PIL PNG temporizadas (ffmpeg overlay=…:enable='between(t,st,en)') na mesma posição inferior. - Coloque a linha de clímax no drop. A cena do clímax é temporizada para que a linha de recompensa caia no drop do sub-grave; acentue essa linha.
- Logotipo persistente, suprimido no cartão final. Queime um logotipo branco da marca no canto inferior esquerdo sobre os compassos de corpo (cairosvg → PIL a partir do SVG real), suprimido no cartão final onde o logotipo grande domina.
- Cartão final via cairosvg + PIL a partir da palavra da marca real — nunca renderize texto da marca com IA. Cartão em cor sólida da marca + logotipo branco + subtítulo, segurando ~3s COM a música ainda tocando por baixo (afade-out sobre a cauda — sem cauda silenciosa). Um modelo de difusão distorce um logotipo.
- Composição FFmpeg, determinística, GRATUITA. Corte cada clipe na janela do compasso, concatene rigidamente, queime o logotipo + legendas, anexe o cartão final, multiplexe a música sobre o vídeo inteiro com uma cauda afade de 0,5s,
loudnorm I=-14→ um master 1080×1920 h264+aac. Sem chamadas pagas, sem chaves. Quando o ffmpeg do host não tiver libass/drawtext, TANTO as legendas quanto o logotipo são sobreposições PIL PNG temporizadas (overlay=x:y:enable='between(t,st,en)'), não uma queima ASS. - QC POR CENA, nunca apenas o master — os dois modos de falha são de conteúdo, não de montagem. As etapas upstream de keyframe/i2v podem (a) desviar o personagem do seu visual (feltro → 3D liso "homem" na demo) no meio do caminho (fora do visual escolhido — na demo de feltro, feltro → 3D liso) e (b) alucinar mãos — dedos realistas em uma macro de mão, um dedo apontando em uma cena de "toque no telefone", ou uma mão desencarnada deslizando pela borda do quadro. Ambos se escondem em tamanho de miniatura. Extraia uma folha de contato a 2 fps + um recorte de ROSTO por compasso e um recorte de MÃO (ao longo da duração total de cada clipe), confirme que cada compasso mantém o ÚNICO visual escolhido (a demo: feltro fosco) com o ÚNICO personagem e sem mãos humanas/flutuantes, e verifique novamente os bytes servidos após a publicação. Um compasso desviado significa regenerar o KEYFRAME daquele compasso (não recortar) — veja a receita ETAPA 3/6.