Del guion al reel ilustrado, sin pagar nada

🎨 Ilustrado, sin lip-sync

Avatar ilustrado de Nei grande, abajo (≈ 43 % de la altura), en 11 poses vinculadas a la emoción de lo que dice (susto, duda, señala, explica, pulgar arriba…), un dibujo protagonista por escena y una mascota robot. Nadie tiene que grabar nada.

🎙️ Voz de Nei, local

Voz generada con TTS local (inemavox chatterbox), de 160–190 palabras por minuto; Whisper local marca el tiempo de cada palabra para los subtítulos y los disparadores de escena.

✅ QA automático

Mide la duración, el ritmo del habla, el volumen (−14 LUFS), los cambios visuales por minuto, la prueba antes de los 20 s, las opciones de la pregunta sembradas de antemano, la CTA sin promesa de entrega, la tarjeta final y el silencio antes de la máxima. Genera un qa.md y un contact.jpg.

1. Gancho en el cuadro 0, de uno de estos tipos: contrario (ordena dejar de hacer algo que todos hacen), pérdida (¿y si desapareciera X?), estadística de miedo con fuente o historia de otra persona con una cifra. Prohibido: listas («5 cosas…»), «¿sabías que…?», «yo hice…».
2. Titular del cuadro 0 de hasta ~6 palabras, en mayúsculas, con una palabra en amarillo, más agresivo que lo que se dice. Un objeto dibujado con daños (rayado en rojo, roto), el avatar reacciona en el primer segundo y algo cambia cada ~1 s durante los primeros 3 segundos. El cuadro 0 sirve de portada.
3. Prueba antes de los 20 s: una captura real de la página de la fuente, la cifra en el titular y la línea fonte: debajo.
4. El problema de quien mira, con absolución («no es culpa tuya, nadie te dio el mapa»). Aquí ya se plantea la pregunta final: las opciones aparecen en amarillo.
5. Un tema por vídeo, en 2–5 piezas con índice visible y barra de píldoras arriba; un objeto por frase, con cambios cada 2–3 s.

6. Toda cifra tiene su fuente escrita en pantalla (fonte: …).
7. Salvedad honesta hablada, en una tarjeta de aviso (rojo = problema, verde = correcto).
8. Máxima en forma de antítesis, después de 0,8 s de silencio real (se detienen la voz y la música).
9. CTA de opinión: Nei dice de qué lado está y hace una pregunta contundente que se responde con una palabra («comenta PAGO o LOCAL»). La tarjeta muestra la pregunta y las opciones; el cuadro de comentarios escribe una opción, la publica y lo confirma. Permanece ~10 s, sin despedida. Nunca promete entregar nada («te lo mando», «te lo envío»): nadie responde a los comentarios. El enlace y la fuente quedan fijos en el comentario fijado.

Pregunta de opinión

La pregunta del final, con dos opciones de una palabra (en el 1.er vídeo, PAGO o LOCAL). La tensión aparece en el cuadro 0, las opciones se presentan pronto y solo ellas (y la palabra destacada del titular) quedan en amarillo.

Máxima

La frase que resume el final, en forma de antítesis («Ser dueño de tu sistema nunca fue saber cada línea. Es saber qué sostiene qué»). Va después de un breve silencio.

Escenario

La página motor/palco.html que dibuja cada escena. El render toma una captura de ella por cada cuadro.

Base musical

Música suave que suena por debajo de la voz, baja cuando esta habla y se detiene durante el silencio antes de la máxima.

LUFS

Medida del volumen percibido. −14 LUFS es el volumen que las redes usan como estándar.

CTA

«Llamada a la acción»: la petición final del vídeo. Aquí siempre es una sola, una pregunta de opinión que se responde con una palabra.

TTS y lip-sync

TTS es la voz generada a partir del texto. Lip-sync es el movimiento de la boca al hablar; rtexjp no lo hace, el avatar solo cambia de pose.

Whisper y Playwright

Whisper transcribe la voz y marca el tiempo de cada palabra. Playwright abre el escenario en un navegador sin ventana y captura cada cuadro.

Destello tipográfico

Una pantalla rápida con solo texto grande entre las piezas, para que el vídeo no se quede quieto.

Tipos de bloque

tese = afirmación (el gancho, el problema); autoridade = la prueba con fuente; virada = el índice que anuncia las piezas; metodo = cada pieza; planta es solo el id del bloque que introduce las opciones de la pregunta final.

Golpe

Un fragmento del bloque que cambia el titular, el dibujo y la pose en la palabra marcada en em. Así algo cambia cada 2–3 s.

Dibujo protagonista

El objeto ilustrado grande en el centro de la pantalla (terminal roto, mapa, candado), tomado de la biblioteca motor/assets/objetos/.

1. Etiqueta en tipografía monoespaciada (≥ 30 px) y, en las piezas, las píldoras 01–03.
2. Titular en Sora ExtraBold, centrado, de 2–3 líneas, ≥ 96 px, casi blanco, con una palabra en azul acero claro (amarilla solo en el cuadro 0).
3. Dibujo protagonista o captura real, grande, entre el titular y el avatar.
4. Subtítulos tipo karaoke en una franja propia, con la palabra pronunciada resaltada.
5. Avatar grande, abajo y centrado, en la pose del golpe; la cara queda por encima del 80 % de la altura.

El fondo tiene un foco de luz y un granulado suave, y alterna entre azul marino y un papel azul hielo ("tema": "claro" en la escena), con letras azul marino. Durante el silencio antes de la máxima, el último cuadro queda congelado con el avatar pensativo: nunca hay una pantalla vacía.

Control visual: el QA mide directamente en el escenario, con dos muestras por bloque, el titular (≥ 96 px), todo el texto (≥ 30 px), el área ocupada (≥ 55 % del cuadro útil), el contraste del texto (≥ 4,5:1) y la altura del avatar (≥ 38 %). Se aplica a los guiones con "versao": "rtexjp/3".

Guion y validación

checar comprueba la estructura mediante el campo tipo: empieza con tese, incluye virada antes del primer metodo (2–5 piezas), ressalva antes de maxima y maxima justo antes de cta, al final. El 2.º ejemplo usa tese (gancho) → autoridade (prueba) → tese (problema + opciones) → virada → metodo ×3 → ressalva → maxima → cta.

Voz y escena

voz genera un audio por bloque, acelera hasta 1,15× y los une; cena combina el guion con el tiempo de cada palabra.

Render, mezcla y QA

render captura el escenario cuadro a cuadro; mix añade la música (que se detiene durante el silencio de la máxima); qa lo mide todo.

Voz: inemavox + entorno chatterbox

El proyecto inematds/inemavox clonado en ~/projetos/inemavox (el motor llama a su tts_direct.py y whisper_daemon.py). El TTS chatterbox y Whisper large-v3 funcionan en un entorno Python aparte (en el ordenador de Nei, el entorno conda chatterbox en ~/miniconda3/envs/chatterbox); si el tuyo está en otro sitio, ajusta las variables de abajo. Si lo clonas en otra ubicación, exporta RTEXJP_INEMAVOX con la ruta. Whisper large-v3 ocupa unos 10 GB de la tarjeta gráfica (GPU NVIDIA), además de chatterbox. Probado en Linux.

git clone https://github.com/inematds/inemavox ~/projetos/inemavox
cd ~/projetos/inemavox && python3 -m venv venv
./venv/bin/pip install -r requirements.txt   # o rtexjp llama a venv/bin/python tts_direct.py
# chatterbox + faster-whisper en un entorno propio (consulta el README de inemavox)
export CHATTERBOX_PYTHON=/caminho/do/env/bin/python3   # TTS
export CS_WHISPER_PY=/caminho/do/env/bin/python3       # Whisper

Imagen: flux2-klein

El servidor inematds/inemaimg con el modelo flux2-klein (ruta predeterminada http://localhost:8000/generate, o la dirección indicada en RTEXJP_IMG_URL), además de la foto de referencia del avatar (RTEXJP_AVATAR_REF). Solo hace falta para los pasos opcionales 4 y 5 (poses y dibujos de escena); las poses de Nei y la biblioteca de dibujos ya vienen preparadas.

Node, ffmpeg, Python

Node 18 o posterior, ffmpeg (incluye ffprobe) y Python 3 con Pillow y numpy.

git clone https://github.com/inematds/rtexjp
cd rtexjp
npm i
npx playwright install chromium
pip install --user pillow numpy   # o dentro de un venv

Campos de cada bloque

tipo (orden anterior) · fala (escrito con letras, sin cifras) · fala_tts (opcional, grafía para que el TTS lo pronuncie correctamente) · tela (texto grande y palabra resaltada) · cena.comp + cena.params (lo que dibuja el escenario; params.gatilhos vincula un cambio de escena a una palabra de lo que se dice) · pose del avatar · destaque_fala (palabras coloreadas en los subtítulos) · fonte (id en fontes) · rotulo y n (número de la pieza). Solo en maxima: silencio_antes_s (0,5–0,9). Solo en cta: hold_s, cuánto permanece la tarjeta después de la última palabra (5–9 s; con la voz, la tarjeta completa dura ~10 s). Arriba: gancho.tipo (contrario, perda, estatistica, historia) y gancho.objeto; isca con tipo: "opiniao", pergunta, opcoes y lado.

Componentes del escenario (cena.comp)

Formato actual: gancho (cuadro 0 con objeto dañado), contador (acepta decimais), duas (problema + opciones de la pregunta), indice, mapa, explica, impacto, ressalva, flash, opiniao (tarjeta de la pregunta). De la 1.ª edición, aún disponibles en el escenario: titulo, frase, pasta, repo, carro, equipe, cta (legado). La mascota robot la dibuja el propio escenario, junto al avatar, y reacciona a la escena (interrogación, alerta, visto bueno). Poses: bracos, queixo, apontando, segurando, surpreso, mostrando. Los parámetros de cada componente están en los ejemplos edicoes/2026-10-28-china-fecha/roteiro.json y edicoes/2026-10-28-paga-200/roteiro.json.