El pipeline

Modelos del cluster y su rol

Etapa	Modelo	Rol
Guion	qwen3.6	escribe el storyboard estructurado (JSON validado con retry)
Selección visual	gemma4 (fallback qwen3.6)	evalúa candidatas reales en base64
Pre-ranking	qwen3-embedding	similitud coseno query ↔ títulos de candidatas
Voz	kokoro	narración en español (em_alex / ef_dora)
Subtítulos	whisper	transcripción con timestamps

Composición y render son herramientas locales: HTML + GSAP + HyperFrames + FFmpeg.

Flujo de datos

tema → (qwen3.6) → content/<slug>.yml
     → (providers + embedding + gemma4) → assets/images/<slug>/
     → (kokoro + ffmpeg) → assets/audio/<slug>.mp3
     → (whisper + alineación LCS) → assets/output/<slug>.srt
     → (manifest + GSAP) → renders/<slug>/
     → (HyperFrames + ffmpeg mux) → assets/output/<slug>.mp4

El contrato entre etapas es el Storyboard (datos en YAML, nunca código) y el Manifest (contrato composición → render, con rutas relativas portables).

Decisiones clave

• La visión no genera imágenes: elige. El cluster no tiene image-gen por API; el material sale de archivo (Wikimedia/Pexels) o de un pool local de imágenes generadas fuera. gemma4 puntúa cada candidata mirando los bytes reales (base64), porque los modelos del cluster no descargan URLs.
• El audio real manda. El guion inventa tiempos; tras generar la voz, los tiempos de escena se reescalan a la duración real medida con ffprobe.
• Captions inline. Los subtítulos se alinean por LCS contra el texto canónico del guion y viajan como HTML estático por escena — el render no hace fetch en runtime.
• Throttle por endpoint. nan-call serializa todo el proceso: 3 concurrentes globales y ventanas de rpm por endpoint (chat 60, kokoro 15, whisper 10), con retry exponencial.

Referencia técnica completa, etapa por etapa: docs/ en el repositorio.