La narración es la duración

PageToVid no graba un clip de voz separado por escena para luego unirlos. Graba toda la narración como una toma ininterrumpida, y luego encuentra las pausas naturales en esa toma para usarlas como límites de escena.

Esta elección de diseño es la razón por la que la voz nunca suena cortada, nunca interrumpe una palabra al cambiar de escena y nunca se desfasa con los subtítulos. También es el motivo por el que a una escena no se le puede dar una duración arbitraria: las escenas dividen la voz, y la suma de las divisiones debe coincidir con la toma completa. Si le das más tiempo a una escena, otra lo pierde.

Así que la regla honesta es: tú estableces la duración del vídeo escribiendo más o menos palabras.

El ritmo de entrega es de unas 110 palabras por minuto, más lento que el habla conversacional, porque una voz en off que compite con el movimiento en pantalla debe ser inteligible, no rápida.

• 15 segundos ≈ 28 palabras
• 30 segundos ≈ 55 palabras
• 45 segundos ≈ 82 palabras
• 60 segundos ≈ 110 palabras
• 90 segundos ≈ 165 palabras

Añade unos segundos para las tarjetas de apertura y cierre, que no llevan narración. Si estás dando instrucciones a un asistente, dale el presupuesto de palabras y no solo los segundos: "unas 55 palabras" es mucho más fiable que "unos 30 segundos".

Existe un parámetro target_seconds, y vale la pena ser precisos sobre lo que hace. Es un resumen, no una palanca: le indica al planificador cuánto espacio tiene, para que escriba un guion del tamaño aproximado correcto y elija un número sensato de escenas.

Lo que no puede hacer es comprimir una narración que ya ha sido escrita. Si un guion tiene 200 palabras, la película durará unos 110 segundos, independientemente de lo que indicara el objetivo. El planificador se mide con el objetivo a posteriori, y una toma que excede mucho la predicción se vuelve a leer, pero las palabras en sí mismas son la restricción.

La razón más común por la que un vídeo parece apresurado no es que sea corto. Es que una escena contiene dos ideas, por lo que el visual cambia mientras la segunda idea aún se está explicando, y el espectador pierde ambas.

Una escena debe ser una afirmación, un número, una pantalla, un momento. Si una frase contiene "y también", suelen ser dos escenas.

Esto interactúa con la duración de una manera útil: dado que las palabras establecen la duración, dividir una escena saturada en dos no alarga la película. Hace que las mismas palabras aparezcan en el doble de imágenes, lo que casi siempre se entiende mejor.

Una escena sin narración es la excepción a todo esto. Al no tener palabras que dividir, mantiene la duration_seconds que le asignes.

Para eso sirven las tarjetas de título, los fotogramas finales y una toma de producto estática. Úsalas deliberadamente: dos o tres segundos de silencio al final de una película, con la llamada a la acción en pantalla, transmite confianza. El silencio en medio suele interpretarse como un error.

Dado que los subtítulos se extraen de la misma toma medida, normalmente se ajustan exactamente a la voz. Si una película vuelve con ellos desfasados —lo más frecuente después de haber editado la narración— no necesitas una nueva toma.

rerender_video con captions_only vuelve a sincronizar los subtítulos con la pista de voz existente de la película. No se vuelve a grabar nada, no se vuelve a filmar nada, y es gratuito una vez por renderizado.

Si las palabras de una escena tardan más en decirse de lo que duró la escena, esto aparece en las advertencias del renderizado como un problema de sincronización. Vale la pena leerlas antes de publicar: una escena que dura 0.4 s menos es invisible en el editor y obvia para un espectador.