captionwave 0.1.0

Genera audio + subtítulos animados sincronizados (.ass/.srt) a partir de texto, con emojis compatibles con iOS.

captionwave

Genera audio (voz) y subtítulos animados sincronizados (.ass + .srt) a partir de una variable de texto. Pensado para Shorts / Reels / TikTok estilo "¿Sabías que…?".

La librería no arma el video final: te entrega los archivos (audio + subtítulos + emojis con tiempos) para que tú montes el video como prefieras (FFmpeg, tu editor, MoviePy…). Así tienes control total y no reprogramas los subtítulos en cada proyecto.

• ✅ Voz con edge-tts y tiempos por palabra → el audio y los subtítulos quedan pegados por construcción (no se desfasan).
• ✅ Subtítulos animados en .ass (karaoke, palabra activa, "pop", sticker estilo Hormozi, palabra-por-palabra…) que FFmpeg/libass renderiza de forma nativa (rápido).
• ✅ .srt de respaldo para plataformas que no aceptan .ass.
• ✅ Emojis filtrados a los que existen en iOS (sin "tofus"/cuadritos), con sus tiempos exportados para superponer tu propio arte.

---

Instalación

pip install captionwave          # una vez publicado en PyPI

Mientras tanto —o en notebooks como Google Colab— instálalo desde GitHub:

pip install "git+https://github.com/Fortex-GT/Captionwave.git"

O desde el código fuente (este repositorio):

pip install .          # o, para desarrollo:  pip install -e .

Requisitos:

• Conexión a internet para la voz (edge-tts usa el servicio de Microsoft Edge). Si solo quieres los subtítulos a partir de tiempos que ya tienes, puedes trabajar sin red con build_from_words(...) (ver más abajo y examples/offline_sin_internet.py).
• FFmpeg instalado si vas a quemar los subtítulos en el video (ffmpeg -version).
• Opcional, recomendado: pip install captionwave[duration] (usa mutagen para medir con exactitud la duración del audio y alinear el último subtítulo).

---

Uso rápido

from captionwave import CaptionGenerator

gen = CaptionGenerator(
    voice="es-MX-DaliaNeural",   # cualquier voz de edge-tts
    rate="+18%",                 # más rápido = más dinámico
    style="hormozi",             # ver estilos abajo
)

r = gen.generate(
    "El Sol es una estrella que contiene el 99% de la masa del sistema solar.",
    out_audio="voz.mp3",
    out_ass="subs.ass",
    out_srt="subs.srt",          # opcional
    out_emojis="emojis.json",    # opcional (para superponer arte de emoji)
)

print(r["duration"], "segundos")

Esto crea voz.mp3, subs.ass, subs.srt y emojis.json, listos para montar.

Con un gancho/intro a otro ritmo

r = gen.generate(
    "el sol es una estrella enorme.",
    intro="¿Sabías que...?",   # se dice antes
    intro_rate="+5%",          # el gancho un poco más pausado
    out_audio="voz.mp3", out_ass="subs.ass",
)

Sin internet (a partir de tiempos que ya tienes)

Si ya tienes los tiempos por palabra (de otra fuente o para hacer pruebas), puedes generar los subtítulos sin TTS ni conexión con build_from_words:

from captionwave import CaptionGenerator

words = [
    {"word": "El",       "start": 0.00, "dur": 0.18},
    {"word": "Sol",      "start": 0.18, "dur": 0.34},
    {"word": "es",       "start": 0.52, "dur": 0.16},
    {"word": "una",      "start": 0.68, "dur": 0.18},
    {"word": "estrella", "start": 0.86, "dur": 0.52},
]

gen = CaptionGenerator(style="hormozi")
r = gen.build_from_words(words, duration=1.5, out_ass="subs.ass", out_srt="subs.srt")

Devuelve el mismo dict que generate (con audio=None). Ver examples/offline_sin_internet.py.

---

Estilos disponibles

(Palabra activa "ESTRELLA" resaltada en 4 de los estilos. El resaltado avanza palabra por palabra al ritmo de la voz.)

from captionwave import list_styles
print(list_styles())

Estilo	Animación	Descripción
hormozi	sticker amarillo	Palabra activa con fondo sólido (clásico de Shorts).
green	sticker verde	Igual que hormozi pero en verde.
karaoke	barrido	El texto se "llena" de color al ritmo de la voz.
pop	rebote	La palabra activa crece y cambia de color.
fire	rebote naranja	Variante de pop en tono fuego.
neon	color + glow	Palabra activa cian con contorno azul.
single	palabra única	Una sola palabra a la vez, grande y centrada.
clean	color suave	Subtítulo abajo, sobrio (lower third).

Personalizar cualquier estilo

Cada estilo es un Style que puedes copiar y modificar:

from captionwave import get_style, CaptionGenerator

mi_estilo = get_style("hormozi").copy(
    active_color="#FF3366",
    sticker_color="#FF3366",
    sticker_text_color="#FFFFFF",
    font="Montserrat",     # debe estar instalada en el sistema que renderiza
    font_size=96,
    max_words=2,           # menos palabras por línea
    position="lower",      # "center" | "lower" | "upper"
)

gen = CaptionGenerator(style=mi_estilo, rate="+20%")

Campos útiles de Style: base_color, active_color, outline_color, outline_w, sticker_color, sticker_text_color, sticker_bord, pop_scale, font, font_size, uppercase, max_words, max_chars, position.

---

Montar el video con FFmpeg

La librería te da voz.mp3 + subs.ass. Para quemar los subtítulos sobre un fondo:

Sobre un video de fondo (gameplay, b-roll, etc.):

ffmpeg -i fondo.mp4 -i voz.mp3 \
  -vf "scale=1080:1920,ass=subs.ass" \
  -map 0:v -map 1:a -shortest salida.mp4

Sobre una imagen fija:

ffmpeg -loop 1 -i fondo.jpg -i voz.mp3 \
  -vf "scale=1080:1920,ass=subs.ass" \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest salida.mp4

El .ass ya trae la resolución (1080×1920 por defecto). Si cambias la resolución usa resolution=(W, H) en CaptionGenerator.

---

⚠️ Sobre los emojis (léelo)

La librería elige, para cada palabra/frase, un emoji que sí existe en iOS (filtra por versión de Unicode; ajustable con emoji_max_version). Esto evita que en un iPhone aparezcan cuadritos.

Dos cosas importantes sobre la apariencia:

1. No se incluye el arte de Apple. Los emojis de Apple son propiedad de Apple y no se pueden empaquetar/redistribuir. La librería entrega el carácter Unicode correcto; el diseño con el que se ve lo pone el sistema donde se reproduce (en iPhone/Mac se verá con el estilo de Apple; en Linux con Noto/Twemoji).

2. libass no garantiza emojis a color. Al quemar el .ass con FFmpeg, los emojis suelen salir monocromos. Por eso, si quieres el emoji a color (y con el look de Apple), la mejor ruta es superponerlo como imagen en tu editor o con FFmpeg, usando los tiempos que te da la librería:

r = gen.generate("...", out_emojis="emojis.json")
for e in r["emojis"]:
    print(e)  # {"word": "estrella", "emoji": "⭐", "start": 1.38, "dur": 0.58}

Con eso colocas tu PNG de emoji (que tú aportas) en start durante dur. Así el carácter sale de la librería y el arte lo pones tú, sin problemas de copyright.

Si prefieres incrustar el carácter directamente en el .ass de todas formas, está activado por defecto (emoji_in_ass=True); ponlo en False si vas a usar overlay.

---

Qué devuelve generate(...)

Un dict con:

{
  "audio": "voz.mp3",
  "ass":   "subs.ass",
  "srt":   "subs.srt" | None,
  "duration": 6.37,                 # segundos
  "words":  [{"word","start","dur"}, ...],
  "lines":  [{"text","start","end","emoji"}, ...],
  "emojis": [{"word","emoji","start","dur"}, ...],
}

---

Desarrollo y tests

pip install -e ".[test]"
pytest

Los tests no necesitan internet (no llaman al TTS): cubren los estilos, el troceado en líneas, la selección de emojis y la escritura de .ass/.srt.

---

Publicar tu propia copia

Antes de subir a PyPI, verifica que el nombre captionwave esté libre en https://pypi.org. Si no lo está, renómbralo: cambia la carpeta src/captionwave/ y el campo name de pyproject.toml.

pip install build twine
python -m build
twine upload dist/*

Para GitHub solo inicializa el repo y súbelo normal.

---

Licencia

MIT © 2026 Wilfredo Guillén — ver LICENSE.