V-GEN: generador autónomo de noticiarios de televisión sobre Google Gemini y FFmpeg

Un canal de televisión regional se enfrentó a un grave problema de personal: renunciaron el editor y el operador. Para no perder la licencia, tuvieron que automatizar la emisión y la preparación de contenidos. Durante el primer año, el administrador de soporte técnico combinó reportajes en vivo con videopresentaciones y presentaciones de diapositivas a partir de fuentes locales. Pero incluso recopilar información, procesarla, seleccionar material visual y hacer el montaje final tomaba entre 20 y 30 minutos por cada noticia. Se necesitaba una solución.

Arquitectura: siete etapas de automatización

V-GEN combina varias tecnologías modernas en una única cadena de producción.

1. Búsqueda inteligente de noticias Los analizadores clásicos de RSS se rompen rápidamente cuando cambia el diseño de un sitio web. V-GEN usa Google Gemini (el modelo gemini-3.8-flash) con Grounding integrado: acceso directo al índice de búsqueda de Google en tiempo real. El sistema escanea publicaciones de los últimos 7 a 10 días según la geografía definida, cruza datos de medios regionales, comunicados del Ministerio de Emergencias, publicaciones de administraciones locales, y destaca los eventos confirmados.

2. Reescritura editorial e ingeniería de prompts El prompt de V-GEN contiene requisitos estrictos de formato televisivo:

Extensión: estrictamente entre 800 y 1000 caracteres con espacios (~45-60 segundos de lectura). Composición: un gancho inicial en la primera frase, luego los hechos y detalles, y al final el estado del asunto o la fecha del próximo evento. Lenguaje: habla oral sin burocratismos (están prohibidas frases como "con el fin de implementar"), sin saludos ("Buenos días" no está permitido), los numerales se escriben con palabras ("el siete de octubre", "treinta millones de rublos").

La geografía y los filtros abarcan eventos en la ciudad y el distrito, decisiones regionales del gobernador, inspecciones del Ministerio de Emergencias, tarifas de servicios públicos. Prohibición estricta: objetos perdidos, garajes, anuncios particulares.

Las líneas temáticas incluyen incidentes y seguridad (Ministerio de Emergencias, policía de tránsito, tribunales), servicios públicos y entorno urbano (calefacción, carreteras, mejoras urbanas), ámbito social (hospitales, escuelas), cultura, deporte y agenda de eventos.

3. Síntesis de voz: Google Gemini TTS La locución se realiza con la voz Callirrhoe, un referente de presentador profesional de televisión: enérgica, cálida, sin pausas mecánicas. Están disponibles voces alternativas: Puck, Charon, Kore, Fenrir, Aoede, Leda, Orpheus, Zephyr. El sistema está protegido contra inyección de prompts: al TTS solo se le entrega el texto de la noticia ya depurado, sin instrucciones. El flujo de audio se normaliza según estándares de radiodifusión: 48 kHz, 16 bits estéreo.

4. Secuencia visual: Smart UNCROP y Ken Burns El algoritmo Smart UNCROP ajusta automáticamente cualquier imagen a Full HD 1920×1080. Si las proporciones son cercanas a 16:9, se aplica escalado y centrado. Si la foto es vertical o cuadrada, se crea un fondo difuminado (la imagen original se estira, se desenfoca con un filtro gaussiano de 28 píxeles de radio y se oscurece un 30%), y encima se superpone la fotografía original nítida centrada.

El efecto Ken Burns se implementa mediante zoom subpíxel: las coordenadas se transmiten como números reales (float), y el escalado se realiza mediante interpolación bilineal. El zoom varía de 1.0 (100%) a 1.15 (115%), los cuadros alternan entre acercamiento y alejamiento, y la última diapositiva siempre muestra un alejamiento (Zoom Out).

5. Matemática precisa de los tiempos El audio del locutor es el amo absoluto de la cronometría. Fórmula: entrada (Lead-In, 1 segundo) + duración de la voz (medida con precisión de subsegundo) + salida (Lead-Out, 3 segundos). Si el video contiene 7 cuadros, cada uno dura (tiempo total − 4 segundos) / 7. Los videos de B-Roll se repiten en bucle, se recortan a 1920×1080 y se normalizan (SAR 1:1, 30 fps, yuv420p).

6. Montaje final en FFmpeg Al sistema se le asignan el nivel de volumen de la música de fondo (−5.4 dB), un fundido final sincronizado (Fade Out, 1.5 segundos de video y audio), el empalme con el separador del canal, y la superposición del logotipo con transparencia.

El resultado es un archivo MP4 listo para emitir, con un nombre en ruso ("Reparación de redes de calefacción en Tutáyev.mp4") para transmisión directa.