Diego Viscarra
←Volver a proyectos
Automatización con IA / CLI en Python / Video

Short Video Pipeline — Automatización de videos cortos con IA

Una CLI en Python que convierte un tema en un video listo para TikTok, Reels o YouTube: guion, voz, imágenes, subtítulos y edición, por unos centavos.

Rol
Autor · Python & Media Engineering
Cliente
Proyecto personal
Periodo
2026
Estado
Herramienta propia en uso
Ver el código en GitHub
~$0.07
Por Short de 35 s

8 imágenes: Flux dev para el gancho y Flux schnell para el resto; la voz es gratis

sha256
Caché por artefacto

Repetir el comando no vuelve a pagar: solo se rehace lo que cambió

-14 LUFS
Audio normalizado

Loudnorm de dos pasadas y música que baja sola bajo la voz

5 perfiles
Formatos de contenido

Curiosidades, micronovelas, «¿Qué pasaría si…?», historias y chismes

Así se ve

Del tema al Short terminado. Las 8 imágenes que generó Fal.ai para un Short de 34.5 s y el fotograma final de cada escena, ya con movimiento de cámara, subtítulos karaoke y texto gancho.

Capturas reales: salidas de la CLI y fotogramas de videos que generó el pipeline. La corrida y la estimación se hicieron en caché y sin pagar imágenes ($0.00).

El problema

Hacer un video corto «sin cara» parece sencillo, pero a mano lleva horas: escribir el guion, conseguir imágenes, grabar la voz, sincronizar subtítulos y editar. Las herramientas web que lo automatizan cobran por suscripción y no dejan controlar nada. Quería un flujo propio, reproducible y barato, con cuatro problemas por resolver:

  1. 01

    Horas de trabajo por 30 segundos

    Guion, imágenes, locución, subtítulos y edición vivían en cinco herramientas distintas, y cualquier cambio obligaba a rehacer medio video.

  2. 02

    Costos de IA impredecibles

    Cada vez que algo salía mal se volvía a pagar todo, y no había forma de saber cuánto costaría un video antes de generarlo.

  3. 03

    Personajes que cambian de cara

    Los generadores de imágenes no recuerdan a nadie: el protagonista salía distinto en cada escena y la historia perdía sentido.

  4. 04

    Voz, cortes y subtítulos desfasados

    Redondear duraciones escena por escena acumula milisegundos: al final del video los subtítulos ya no coinciden con lo que se escucha.

Decisiones de arquitectura

Caché por huella de contenido

Idempotencia

Cada artefacto (guion, audio, imagen, clip, mezcla) guarda su huella sha256 en cache_manifest.json. Volver a ejecutar solo rehace lo que realmente cambió.

  • Editar a mano la narración de una escena en script.json rehace solo esa escena; cambiar la música rehace solo el video final.
  • `retry-scene` regenera la imagen de una escena con otra semilla, o corrige su narración, sin tocar el resto.
  • Flags `--force-script|audio|images|video` para invalidar una sola etapa a propósito.

Línea de tiempo exacta por fotogramas

FFmpeg

Cada escena dura un número entero de fotogramas y su audio un número entero de muestras (1 fotograma = 1600 muestras a 48 kHz), así cortes, efectos y subtítulos nunca se desfasan.

  • Tiempos por palabra desde los eventos WordBoundary de edge-tts para el karaoke de los subtítulos .ass.
  • Movimiento Ken Burns por escena, whoosh en cada corte y música con ducking (sidechaincompress).
  • Mezcla final normalizada a -14 LUFS con loudnorm de dos pasadas; clips renderizados en paralelo.

Tiers de imagen y costo antes de pagar

Control de gasto

El modelo de cada escena lo decide un tier: el gancho usa Flux dev, el resto Flux schnell, y Seedream con imagen de referencia solo donde aparece el protagonista.

  • El guion del LLM se valida con Pydantic (escenas, palabras por escena, duración total) y se reintenta con el error como pista.
  • Con un guion propio se muestra una estimación desglosada por modelo y se pide confirmación [y/N] antes de generar.
  • Modos `--mock-script` y `--mock-images` para probar todo el flujo a $0.00.

Stack

Núcleo
  • Python 3.10+
  • Typer + Rich (CLI)
  • Pydantic v2
  • asyncio + httpx
IA vía Fal.ai
  • Gemini 2.5 Flash (guion)
  • Flux schnell / Flux dev
  • Seedream v4.5 edit
  • edge-tts (voz)
Audio y video
  • FFmpeg + libass
  • loudnorm de dos pasadas
  • sidechaincompress (ducking)
  • Pillow