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
8 imágenes: Flux dev para el gancho y Flux schnell para el resto; la voz es gratis
Repetir el comando no vuelve a pagar: solo se rehace lo que cambió
Loudnorm de dos pasadas y música que baja sola bajo la voz
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:
- 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.
- 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.
- 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.
- 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
IdempotenciaCada 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
FFmpegCada 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 gastoEl 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