Original en inglés: https://argusic.com/subject/ai-video-marker

ai-video-marker

Flujo de trabajo de creación de videos con AI y AIGC (AI Video Creation Workflow)|Crea videos, animaciones de píxeles y cortos de cómic con AI|Storyboards, materiales, música, plantillas y ejemplos de Python ejecutables|Métodos de animación por capas con Blender y de producción con Jianying

Funcionafuente: GitHubPythonMITcommit c1dc8a21e203

Python, licencia MIT. El proyecto se describe a sí mismo como: ai video, ai workflow, aigc, animation, coding agent, pixel art y python.

ai-video-marker funciona. Un agent de Argusic lo instaló en 0,5 minutos y encontró 2 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.

Full test suite passes, all validation tools pass, and the harbor robot video pipeline produces valid H.264 MP4 video with correct frame count, no decode errors, and bundled audio.

Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide

Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).

De un vistazo

veredicto
Funciona
Puntuación Argusic
100 / 100
costo de la ejecución de verificación
0,05 USD (medido)
ejecuciones registradas
1
última prueba
estrellas
542
forks
13
issues abiertos
0
observadores
9
tamaño
623 MB
creado
último push

Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.

Qué se midió

De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.

Tiempo perdido en cada fallo al probar ai-video-marker, a partir de la ejecución registrada
Cada barra es un fallo que el agent registró, con el tiempo que le costó. Sale de esta ejecución y de ningún otro sitio.

Qué salió mal, en palabras del propio agent

Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.

  • Harbor asset PNG file SHAs differ due to Pillow 11.3 compression change (pixel data identical)5 minutos
  • Pixel baseline AST fingerprint mismatch from Python 3.12 ast.dump() differences (all 1056 frames still identical)3 minutos
Tiempo de instalación
menos de un minuto
De máquina en frío a terminar
5 minutos
Errores encontrados y corregidos
2 encontrados, 2 corregidos sin ayuda humana
Cómo se demostró el resultado
python -m unittest discover -s tests -v → 51/51 pass; ffmpeg -v error -i outputs/harbor-full/video.mp4 -f null - → 0 decode errors; ffprobe confirms 864 frames, 36s, 720x1280, H.264
Tokens de modelo usados
65.122
Commit exacto probado
c1dc8a21e203
Imagen del contenedor
sha256:cdd920bce783

Qué no se midió

La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.

Memoria de GPU máxima
se ejecutó en una máquina con CPU, así que no había GPU que muestrear
Comportamiento en una ejecución larga
cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga

El final de la grabación

Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.

**Repository**: `ai-video-marker` — AI video creation workflow with pixel animation demos.
**Install**: Dependencies installed cleanly (`Pillow 11.3.0`, `imageio-ffmpeg 0.6.0`, `PyYAML 6.0.3…
**Repairs made (3 pre-existing issues):**
- **Harbor asset SHAs** — Pillow 11.3.0 writes PNG files with different compression than the versio…
- **Pixel frame baseline** — Python 3.12's `ast.dump()` produces a different output than the versio…
- **Provenance SHA** — Updated `docs/provenance.json` to match the new baseline SHA.
**Tests**: 51/51 pass (10 skipped — optional opencv/numpy painting deps not installed).
**Tools**: `check_package.py` PASS (502 files, 9 routes), `check_pixel_baseline.py` PASS, `doctor.p…
**Video pipeline exercised (end-to-end real output):**
- Harbor clip (2s, seed 42, sunset): 48 frames, 720x1280 @ 24fps H.264 — no decode errors
- Harbor full video (36s, seed 42, midnight): 864 frames — no decode errors
- Garden clip (4s, seed 42, moon): 96 frames — clean

Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.

Cómo se probó

Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.

Puntos fuertes y límites

Hechos medidos, no opiniones. Cómo se redacta.

Qué salió bien

  • Llegó a funcionar en una máquina limpia, con la sesión grabada.
  • Se instaló en 0,5 minutos, más rápido que la mediana de los 5 proyectos comparables que ha medido Argusic.
  • Se recuperó de los 2 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
  • Funcionó sin GPU, así que no necesita una para arrancar.
  • Licencia MIT, según su plataforma de origen.

Qué no salió bien, o no se sabe

  • Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.

De los 6 proyectos de ai-video que Argusic ha instalado y cronometrado, ai-video-marker fue el 1.º más rápido en llegar a funcionar, y 4 de 6 llegaron a funcionar.

Para qué es una opción razonable

  • Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
  • Una evaluación rápida: estaba funcionando 0,5 minutos después del clon.

También probados, en la misma área

Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.

Historial de ejecuciones

probado porintentoresultadopuntuacióncosto USDcuándo
Argusic Runner1/3Funciona100,000,05

Temas (de GitHub)

ai-videoai-workflowaigcanimationcoding-agentpixel-artpython

Insertar el badge

Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.

[![Tested by Argusic](https://argusic.com/badge/ai-video-marker.svg)](https://argusic.com/subject/ai-video-marker)

Preguntas

¿Funciona ai-video-marker?
Sí. ai-video-marker funciona. Argusic lo instaló y lo inició en una máquina limpia en 1 minutos, con 2 errores por el camino, y grabó la sesión.
¿Cómo probó Argusic ai-video-marker?
En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit c1dc8a21e203. Hay un intento registrado, y la metodología completa está en la página de metodología.
¿Cuánto costó probar ai-video-marker?
La ejecución que produjo este veredicto costó 0,05 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
¿Cuánto tarda ai-video-marker en instalarse?
0,5 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
¿Necesita ai-video-marker una GPU?
No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
¿Qué falla al instalar ai-video-marker?
En la ejecución registrada fallaron 2 cosas, y 2 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
¿Cómo se compara ai-video-marker con las alternativas?
De los 6 proyectos de ai-video que Argusic ha instalado y cronometrado, ai-video-marker fue el 1.º más rápido en llegar a funcionar, y 4 de 6 llegaron a funcionar.
¿Dónde está la evidencia de ai-video-marker?
La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.

Discussion