Podcast Video Creator

Regla de Voz de Marca

• El tono debe ser incisivo, analítico y con tensión intelectual real.
• Evita el lenguaje corporativo vacío, la motivación hueca y los slogans genéricos.
• El vídeo debe transmitir criterio, fricción y contraste de ideas, no resumen plano.
• Si un hook, quote o headline suena intercambiable con cualquier canal de IA, hay que rehacerlo.

Sistema de Presentadores

La conversación no es entre dos voces abstractas: es una dialéctica fija entre Leo y Lola.

• speaker_id: 0 = Leo
• speaker_id: 1 = Lola

Leo (Azul / Cian)

• Arquetipo: el aceleracionista pragmático.
• Tono: enérgico, optimista, directo, orientado a negocio y ejecución.
• Postura típica: lanzar rápido, validar mercado, usar IA como multiplicador, priorizar velocidad e iteración.
• Rol narrativo: defender la utilidad inmediata, el pragmatismo y la presión del mercado.

Lola (Rosa / Magenta)

• Arquetipo: la humanista arquitecta.
• Tono: escéptica, analítica, rigurosa, orientada a fundamentos y consecuencias de largo plazo.
• Postura típica: cuestionar la fragilidad de lo improvisado, defender diseño, arquitectura, ética y sostenibilidad del producto.
• Rol narrativo: introducir fricción intelectual, desmontar simplificaciones y elevar el nivel del debate.

Reglas Visuales para Avatares

• Los avatares usan imágenes PNG reales de Leo y Lola, ubicadas en src/Podcats-production/assets/leo-avatar.png y lola-avatar.png.
• Los PNG deben estar también en public/ para poder servirse via staticFile(). Al incorporar nuevos avatares, copiarlos siempre a public/ además de src/Podcats-production/assets/.
• Cada PNG se renderiza con <Img> de remotion (no <img> nativo) dentro de un div circular borderRadius: "50%", con objectFit: "cover" y width/height: "100%".
• El <Img> queda envuelto en el anillo de conic-gradient animado (from ${frame * 2}deg) y glow pulsante boxShadow. No hay fondo interno — el PNG ocupa todo el círculo.
• El avatar activo tiene opacity: 1, scale ligeramente aumentado y glow intenso. El inactivo tiene opacity: 0.35 y scale reducido.
• En composiciones horizontales deben leerse como una confrontación visual izquierda (Leo) vs derecha (Lola).
• En shorts verticales solo aparece el avatar del ponente activo, centrado al 42% vertical con scale 1.2.
• La etiqueta bajo el avatar debe mostrar el nombre real: "Leo" para speaker_id: 0, "Lola" para speaker_id: 1. Nunca "Speaker A" ni "Speaker B".
• El mapeo de speaker_id a nombre y a ruta del PNG se define en dos objetos constantes al inicio de Avatar.tsx:

  const SPEAKER_AVATARS: Record<0 | 1, string> = {
    0: staticFile("leo-avatar.png"),
    1: staticFile("lola-avatar.png"),
  };
  const SPEAKER_NAMES: Record<0 | 1, string> = { 0: "Leo", 1: "Lola" };
  

• Si en un futuro episodio los presentadores cambian, copiar los nuevos PNG a public/ y actualizar estos dos objetos en Avatar.tsx.

Marco Editorial Obligatorio

Antes de generar hooks, headlines o tags, clasifica el episodio dentro de uno de estos 4 pilares:

1. Economía del Software y la IA: startups, validación, deuda técnica, fundamentos vs velocidad.
2. Futuro del Trabajo: talento, automatización, nuevas jerarquías profesionales, ejecución asistida por IA.
3. Modelos Mentales y Estrategia: marcos de decisión, incertidumbre, trade-offs entre lanzar rápido y construir para durar.
4. Filosofía y Ética: externalización del pensamiento, estoicismo digital, gusto humano, impacto cultural y moral de la IA.

Regla Editorial

• Cada episodio debe quedar asociado explícitamente a un pilar principal.
• El conflicto central del debate debe formularse como una tensión clara: tesis vs antítesis.
• Los hooks, headlines y quotes deben reforzar ese conflicto central, no dispersarlo.

Inputs Requeridos

Hay tres modos de entrada según lo que tengas disponible:

Modo A — ElevenLabs JSON + MP3 (preferido, máxima precisión) ✅

Cuando el audio se genera con ElevenLabs, el pipeline exporta un archivo .mp3.json con timestamps por palabra individual para cada segmento y speaker. Es la fuente más rica disponible: da timecodes precisos, texto completo y sincronización palabra a palabra sin necesidad de Whisper ni parseo de AAF.

1. JSON de transcripción (<audio>.mp3.json): Archivo exportado por ElevenLabs junto al audio. Contiene segments[] con speaker.id, start_time, end_time, text y words[] (con start_time/end_time por palabra). Mover a src/Podcats-production/<episode-slug>/assets/ para su procesamiento.
2. Audio (.mp3): El mix final del podcast. Mover ambos archivos a la misma carpeta de assets. El audio se copia también a public/podcasts/<episode-slug>/audio.mp3.

Con estos dos archivos se ejecuta Fase 0 (ver abajo): el script scripts/gen-data-ts.py genera el data.ts completo en segundos.

Formato del JSON de ElevenLabs:

{
  "language_code": "es",
  "segments": [
    {
      "text": "Soy Leo y bienvenidos...",
      "start_time": 0.0,
      "end_time": 5.303,
      "speaker": { "id": "speaker_0" },
      "words": [
        { "text": "Soy", "start_time": 0.0, "end_time": 0.3 },
        { "text": "Leo", "start_time": 0.3, "end_time": 0.6 }
      ]
    }
  ]
}

Mapeo de IDs: speaker_0 → Leo (speaker_id: 0), speaker_1 → Lola (speaker_id: 1).

Modo B — AAF + MP3 (alternativo, sin JSON disponible)

Si el pipeline no exportó .mp3.json pero sí un archivo .aaf de ElevenLabs, este contiene las pistas separadas por speaker con timecodes a nivel de muestra (44100 Hz). Solo da timecodes, no texto — requiere alinear con Whisper manualmente.

1. Timeline (.aaf): CompositionMob con una pista por voice ID. Mapeo voice-ID → Leo/Lola se confirma con el usuario.
2. Audio (.mp3): El mix final. Se coloca en public/podcasts/<episode-slug>/audio.mp3.

Con estos archivos se usa scripts/parse-aaf-full.py para extraer timecodes y luego se alinea con Whisper. Ver sección Fase 0 (Modo B) abajo.

Modo C — Transcripción manual + Audio (fallback de emergencia)

Si no hay JSON ni AAF, se acepta una transcripción manual con marcas de tiempo: