Cada escena dura lo que tardan sus palabras

Un vídeo se siente bien cuando lo que oyes coincide con lo que ves. Si una escena sobre precios salta a la siguiente pantalla mientras el narrador aún habla de precios, quien mira lo nota al momento, aunque no sepa por qué.

Una revisión de renders recientes encontró justo eso: escenas cuya narración duraba ocho segundos se mantenían 2,9, otras de 13 palabras se mantenían 2,6. Los segundos no se perdían. Sonaban sobre las escenas siguientes, y eso es lo que conviene entender.

Para que la narración suene natural, un vídeo de PageToVid usa una sola toma de voz continua para todo el guion. Las escenas se reparten esa grabación: el tiempo en pantalla de cada escena es su trozo de la única pista.

Los trozos siempre suman el total. Así que un corte mal puesto nunca pierde tiempo; se lo da a una vecina. Por eso la solución tenía que empezar antes, por dónde empieza cada trozo, y tenía que añadir tiempo en vez de moverlo.

El inicio de cada escena parte de una estimación y luego se ajusta a una pausa real de la voz. Dos cosas mejoraron esa estimación:

• Pesa lo que se dice, no lo que se escribe. Un precio con su símbolo de moneda son pocos caracteres y dos segundos de voz; unas siglas se deletrean letra a letra. La estimación usa ahora el mismo modelo de coste de habla que los subtítulos, y eso importa porque el ajuste solo puede mover un corte un par de segundos.
• Conserva el tiempo que oyó el reconocedor de voz. En un montaje rápido, una escena empieza a menudo mientras la frase anterior aún suena. Cuando el reconocedor oyó ambas escenas en el mismo tramo de voz, su tiempo medido manda.

También dejamos de contar la puntuación, como unos dos puntos sueltos, como una palabra no oída, así que un vídeo mantiene el camino más preciso siempre que sus palabras se oyeron de verdad.

Para una escena que aún se queda corta, la corrección tiene que sumar: cortar un trozo borraría palabras y mover un corte solo movería el problema. Así que insertamos un instante de silencio en el archivo de voz, en la junta de esa escena, con precisión de muestra, y todo lo que viene después se desplaza lo mismo. No se toca ni una muestra de voz.

Tres reglas lo hacen seguro:

1. 1Solo una falta medida recibe tiempo. La duración real de voz de una escena va de su primera palabra oída al final de la última; una escena cuyas palabras no se oyeron se queda exactamente igual.
2. 2El silencio solo va dentro del silencio. Una inserción solo se mantiene donde hay una pausa real debajo, así que nunca se parte una palabra.
3. 3Una tarjeta sin voz recibe la duración que pidió su autor, ni más ni menos.

Esta es la idea que más nos importa. Muchas cifras de un proceso como el nuestro son partes de un mismo total, y un informe que compara dos de ellas siempre estará de acuerdo consigo mismo. Una primera versión de nuestro propio informe de sincronía hacía justo eso: comparaba duraciones de escena con cifras calculadas a partir de esas mismas duraciones, así que solo podía decir que sí. Una revisión independiente lo detectó antes de activar el relleno.

Por eso la prueba que lanzamos lee el MP4 terminado, escucha las palabras en su propio audio y comprueba que las palabras de cada escena caen dentro de la ventana de esa escena en pantalla. No comparte ningún término con el código que comprueba. En dos renders reales, no encontró ninguna escena desincronizada.

Para quien hace un vídeo, imagen y voz avanzan ahora juntas: una escena se queda hasta que se dicen sus palabras, los subtítulos llegan a tiempo hasta la última escena y una tarjeta sin voz dura lo que tú elijas. Los asistentes pueden leer un informe de sincronía de cada vídeo y ver qué escenas se midieron.

Puedes verlo en los subtítulos de cualquier vídeo de la galería, y cómo encaja el ritmo en un vídeo en la página de funciones.