Hypeoslav - Holding de Medios con IA

Desafío

Cofundé Hypeoslav como un holding de medios nativo en IA, varios canales de contenido que producen imagen, texto y audio a escala. La economía solo funciona si el costo de producción por publicación es cercano a cero. Los flujos manuales en Midjourney, ChatGPT, ElevenLabs y las herramientas de publicación tomaban entre 2 y 3 horas por publicación. Eso no era un negocio de medios; era un estudio de producción manual.

Descubrimiento

Desglosar el flujo de producción de contenido reveló que cada paso era mecánico: escribir el prompt y luego generar la imagen, escribir el subtítulo, generar la locución, ensamblar la publicación and then publicar en el canal. Ninguno de estos pasos requería juicio creativo humano una vez definido el brief. El cuello de botella no era la creatividad, era la orquestación.

Opciones consideradas

1. Herramientas de automatización sin código (Zapier, Make), evaluadas. No podían manejar las llamadas a API de IA en varios pasos, el manejo de errores ni el enrutamiento condicional entre servicios de generación.
2. Panel web personalizado: descartado. Los editores no querían otra pestaña que gestionar; la interfaz debía estar donde ya trabajaban.
3. Bot de Telegram como interfaz de control + canalización backend en Python: elegido. Los editores ya usaban Telegram; los comandos del bot daban acceso instantáneo a la canalización desde cualquier dispositivo.

Decisión

Una capa de orquestación en Python se conecta a todas las API de IA. La API del Bot de Telegram es la interfaz: un editor envía un brief de contenido, la canalización se distribuye en paralelo a los servicios de generación adecuados, ensambla el resultado y o bien publica automáticamente o presenta una vista previa para aprobación. Cada tipo de canal (con predominio de imagen, de texto o de audio) tiene su propia variante de canalización.

Implementación

Se integraron Midjourney (vía automatización de la API de Discord), DALL·E y Recraft para generación de imágenes, ChatGPT y Gemini para subtítulos y guiones, y ElevenLabs para locución. Cada servicio tiene su propio manejador asíncrono con lógica de reintentos y enrutamiento de respaldo, si Midjourney va lento, la canalización cambia automáticamente a Recraft.

El ensamblaje de publicaciones combina los recursos generados en formatos nativos de cada plataforma para canales de Telegram, YouTube Shorts e Instagram. La programación se gestiona mediante una cola que distribuye las publicaciones en las ventanas de publicación óptimas. Se configuró la monetización con YouTube AdSense en todos los canales de video.

Resultado

El tiempo de producción de contenido bajó de 2, 3 horas a menos de 5 minutos por publicación. Varios canales funcionan en paralelo con un solo operador. La infraestructura gestiona la canalización creativa de extremo a extremo. El rol humano es la definición del brief y el control de calidad, no la ejecución de la producción.

El pipeline en Blender

Una etapa intermedia del pipeline, capturada en Blender. La escena se monta automáticamente: las imágenes se colocan y se alinean, el avatar se superpone encima y un efecto de humo recorre el plano (una versión temprana). Todas las imágenes y escenas del clip salieron de la fase con LLM. Los subtítulos se añadieron aparte, ya fuera de Blender.

Subtítulos animados

Los subtítulos son animados, al estilo karaoke, con la palabra actual resaltada a medida que se pronuncia. Blender no manejaba bien los subtítulos, así que la fusión se hizo con ffmpeg: Blender entregaba un render limpio y la pista de subtítulos se incrustaba en una pasada aparte. Los estilos se mejoraron más adelante. Se añadió una sombra y se completó la fuente con los glifos que le faltaban para que soportara otros idiomas, coreano y japonés incluidos. La versión original fallaba con esos.

Intros multilingües y portadas virales

Intros generadas en varios idiomas, junto con las portadas con las que arrancan los vídeos. La voz fue lo que más búsqueda costó: se probó una tanda de modelos locales de síntesis, entre ellos los basados en Kokoro y los lanzamientos de Facebook, antes de elegir ElevenLabs como herramienta principal de locución.

Las portadas tienen su propio juego de prompts. En lugar de describir una imagen, los prompts codifican lo que ya funcionó: se desmontaron miniaturas de referencia que se habían vuelto virales y sus patrones se trasladaron a las generadas.

Archivos de guion por idioma

La estructura de archivos con la que trabaja la canalización: los guiones reescritos más sus metadatos, un juego por idioma. Lo que le dio esta forma es el requisito de que el vídeo salga con una duración aproximadamente igual sea cual sea el idioma final, así que los guiones se adaptan a un metraje en lugar de traducirse línea por línea. Una traducción literal se desvía: con el mismo número de palabras unos idiomas suenan bastante más largos que otros, y la sincronización con la imagen se rompe.

Generación de avatares

Los avatares se generan en ComfyUI con un conjunto de modelos, y la canalización saca el vídeo de ahí mediante una integración en lugar de llamar a un servicio de pago. Eso abarató mucho el proceso, la generación externa era la partida más cara, y además puso la calidad bajo control directo: el modelo, los ajustes y el número de pasos se afinan por canal en vez de aceptar lo que devuelva un endpoint ajeno.

Bot de control en Telegram

Que la canalización funcionara 24/7 implicaba poder gobernarla desde el móvil, así que el mando es un bot de Telegram. El trabajo es multihilo: las tareas entran en una cola y los workers esclavos las van tomando según se liberan, en vez de que un trabajo bloquee toda la fila.

La generación de vídeo va por etapas, y las que necesitan ojo humano se detienen a esperarlo. El bot informa de que la etapa está lista y pasa a otro trabajo en lugar de quedarse parado. El operador abre el resultado desde Yandex.Disk, por eso la revisión se puede hacer desde el móvil, y responde aceptar o rehacer, con la opción de cambiar el prompt antes del reintento. El vídeo final se sube a Google Drive.

El bot también se ocupa del camino de fallo: una tarea que falla se notifica con su error en vez de morir en silencio dentro de la cola, y se puede reiniciar desde el propio chat.

El recorrido completo paso a paso, con los resultados intermedios aprobados etapa por etapa.

Ejecutores distribuidos

El lado ejecutor de esa misma cola. Varios workers se conectan a un único servidor de tareas, toman la siguiente - generar texto, transcribir audio, generar imágenes - y la ejecutan. En el pico había cinco máquinas de mi red local trabajando a la vez, una Steam Deck entre ellas, cada una con un cliente que se enganchaba al servidor y iba tomando tareas.

Cliente de escritorio para el visual

Corregir un solo fotograma malo a través de un bot de chat es incómodo, así que la parte visual tuvo su propio cliente de escritorio. Abre un proyecto, lo lee y coloca la imagen de cada escena junto al prompt que la generó. El prompt se puede reescribir y esa escena regenerarse en el momento, sin relanzar la canalización ni buscar el fotograma en una carpeta.

Monitorización de tendencias

Decidir qué producir a continuación pedía datos y no criterio personal, así que un microservicio aparte escrito en Go vigila una lista de canales añadidos y recoge lo que ha despegado en ellos. Esos vídeos forman el fondo de referencias con el que se construyen los briefs y los prompts de las portadas, que es de donde salen realmente los patrones virales descritos más arriba.

El propio watcher en marcha, recorriendo los canales vigilados.

Ampliación de la cuota de la API de YouTube

Monitorizar a esa escala choca con la cuota de la API de YouTube, así que se solicitó a Google un límite mayor para la recogida de estadísticas. La solicitud salió adelante. Poco después el proyecto se congeló, de modo que la cuota ampliada nunca llegó a aprovecharse del todo.