Ctrl K
ComunidadGuías…
GITHUB · ANALIZADO

content-factory

Pipeline auto-alojado para generar borradores de video vertical (10-1000 ítems) desde CSV/JSON. Enfoque review-first con stack Next.js, NestJS y Python. Sin publicación automática; requiere aprobación humana en cada etapa antes de descargar o notificar.

Ficha actualizada 24 sept 2026, 15:10 · upstream 24 sept 2026, 15:06 · release sin release detectada

Ver códigoProblemas y ayudaRepositorio ↗
00

Qué es content-factory

Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.

Content Factory es un pipeline de producción automatizado diseñado para generar borradores de video vertical masivos (10 a 1000 ítems) a partir de entradas CSV o JSON. La arquitectura se basa en un monorepo TypeScript con NestJS como API principal, Next.js para el dashboard y BullMQ para la gestión de colas con reintentos exponenciales. El sistema prioriza la revisión humana sobre la publicación automática; cada video renderizado se detiene en ready_for_review, permitiendo inspección del guion, activos y logs antes de aprobar o rechazar explícitamente.

Utiliza PostgreSQL para el modelo de datos persistente con Prisma, Redis para colas idempotentes y MinIO para el almacenamiento de assets, metadatos y renders finales. Soporta múltiples proveedores de voz (Ollama, OpenTTS, Kokoro MLX) y renderizado con FFmpeg integrado para generar storyboards animados o libros ilustrados con subtítulos quemados.

El flujo de trabajo incluye detección de duplicados léxicos, validación estricta de contratos LLM mediante Zod y auditoría de calidad antes del trabajo visual. No incluye endpoints para subir a YouTube ni publicar en Telegram automáticamente; la integración con Telegram se limita a notificar la disponibilidad del borrador. Es ideal para equipos que requieren control editorial total sobre el contenido generado por IA.

CASOS DE USO
  • Generación masiva de borradores para canales de YouTube Shorts o TikTok
  • Auditoría cualitativa de retención y análisis de guiones antes de renderizar
  • Ideación de títulos y thumbnails honestos sin publicar automáticamente
  • Planificación de storyboards animados con continuidad de personajes
  • Renderizado de video con subtítulos en inglés quemados y normalización de audio
  • Integración manual con n8n para notificaciones externas o flujos personalizados
PUNTOS DESTACADOS
  • Arquitectura modular con monorepo TypeScript, NestJS API y Next.js dashboard
  • Validación estricta de contratos LLM usando Zod para evitar respuestas malformadas
  • Gestión de colas idempotente con Redis y BullMQ para procesamiento robusto
  • Soporte nativo para múltiples proveedores de voz (Ollama, Kokoro, OpenTTS)
  • Renderizado de video con FFmpeg incluyendo filtros drawtext y audio normalizado
  • Almacenamiento persistente en MinIO con enlaces de descarga seguros y expirables
PRECAUCIONES
  • No incluye endpoints para publicación automática en YouTube o Telegram
  • Requiere revisión humana obligatoria en cada etapa (QA_pending -> ready_for_review)
  • Dependencia de herramientas locales como FFmpeg completo con drawtext en macOS/Linux
  • No garantiza vistas, monetización ni éxito del contenido generado
  • Hechos disputables requieren intervención manual antes de continuar el flujo
01

Perfil de infraestructura

Estimación inicial derivada del repositorio y de los servicios detectados.

CPU4 vCPUrecomendación inicial
MEMORIA8 GBRAM estimada
DISCO30 GBalmacenamiento base
COMPLEJIDADmediumnivel de operación
02

Despliegue detectado

Qué señales reales de instalación hemos encontrado.

Listo para automatizar

Se recomienda usar Docker Compose v2+ para despliegue inicial. Instalar Node.js 22 LTS y configurar .env sin commit. En macOS, usar FFmpeg con libfreetype/drawtext o Docker Desktop. Para perfiles locales (voz/render), activar --profile local-ai en docker compose. Verificar que PostgreSQL, Redis y MinIO estén accesibles. No exponer el adaptador Codex CLI como servicio público; es solo para uso local del suscriptor.

✓Dockerfile
✓Compose
✓One-click
03

Stack y dependencias

Componentes inferidos a partir de manifests, configuración y documentación.

FRAMEWORKS
Next.jsNode.jsPython
SERVICIOS
PostgreSQLRedisS3/MinIO
BASES DE DATOS
PostgreSQLRedis
PUERTOS
300030019001554325637990001143455005678
05

Puede sustituir a

Relaciones detectadas por el análisis del repositorio y su categoría.

06

Experiencia real de la comunidad

Ayuda a contrastar la estimación automática con instalaciones reales.

Todavía no hay datos comunitarios para este proyecto.