🎬 Creadores de Contenido con IA¶
Proyecto Interno — Hermes Audiovisual Stack¶
Habla con Hermes. Decide en paneles. Ejecuta con un botón. Estudio de producción audiovisual íntegramente local. Todo open source. Todo monetizable. RTX 2070 8 GB. Sin suscripciones. Sin APIs externas de pago. Sin que nadie sepa lo que creas.
Versión 2.0 · Junio 2026
- 1. Resumen Ejecutivo
- 2. Perfil del Creador
- 3. Gestión de GPU
- 4. Arquitectura
- 5. Hermes — Asistente Creativo
- 6. Node-RED — Orquestador
- 7. Servidores MCP
- 8. Estructura de Carpetas
- 9. Flujo de Trabajo
- 10. Dashboards de Producción
- 11. Arsenal IA Local
- 12. APIs de Contenido Libre
- 13. Fases de Implementación
- 14. Integración con SmallCountry
- 15. Notas Finales
1. Resumen Ejecutivo¶
Creadores de Contenido con IA ha evolucionado. Ya no es solo un arsenal curado de herramientas — es la arquitectura completa de una productora audiovisual soberana. El Hermes Audiovisual Stack integra tres capas:
- Hermes (asistente creativo) — conversación natural que guía las decisiones del proyecto
- Node-RED (orquestador determinista) — paneles visuales con dropdowns para cambiar modelos y herramientas
- Servidores MCP (Model Context Protocol) — cada herramienta IA expuesta como un servicio HTTP independiente
El creador habla con Hermes por Telegram o web. Hermes redacta, sugiere y guarda las decisiones en un archivo estado.json. Cuando el creador está satisfecho, abre el panel de Node-RED, revisa el resumen, ajusta lo que quiera desde desplegables, y pulsa "Generar". Node-RED invoca los servidores MCP en secuencia y entrega el archivo final.
Visión: Un estudio de producción donde tú decides qué quieres crear, Hermes te ayuda a definirlo, y Node-RED lo ejecuta. Sin depender de ninguna plataforma. Sin que nadie sepa lo que produces.
2. Perfil del Creador¶
2.1 ¿Para quién es esto?¶
| Perfil | Qué produce | Qué necesita |
|---|---|---|
| Podcaster independiente | Episodios semanales, entrevistas | Guion, voces clonadas, música de fondo, mezcla automatizada |
| Divulgador científico | Vídeos educativos, documentales cortos | B‑roll generado, infografías, voz en off, presentaciones |
| Creador de cursos | Formación online, tutoriales | Guiones estructurados, avatares, subtítulos, diapositivas |
| Productor audiovisual local | Contenido para clientes, branded content | Flujo completo automatizado con control humano en cada decisión |
2.2 Lo que NO es¶
- No es un SaaS que cobra suscripción
- No es una plataforma que perfila tus hábitos creativos
- No sustituye al creador — tú decides cada paso, la IA ejecuta
- No requiere hardware de 10 000 € — está pensado para una RTX 2070 de 8 GB
3. Gestión de GPU¶
3.1 El cuello de botella¶
Con 8 GB de VRAM solo cabe un modelo a la vez. El flujo real es secuencial:
🧠 LLM genera guion → 🔽 se descarga → 🎙️ TTS genera voces → 🔽 se descarga →
🎬 Wan genera B‑roll → 🔽 se descarga → 🎛️ Kdenlive monta todo
Si Ollama se queda con 6 GB "calientes" después de generar el guion, la TTS no tiene memoria para arrancar. La clave es la disciplina de descarga.
3.2 Motores: cuál usar en cada caso¶
| Motor | Para qué | Carga | Descarga |
|---|---|---|---|
| Ollama | LLMs de uso frecuente (guion, consultas rápidas) | ollama run modelo |
ollama stop o timeout de inactividad |
| Hugging Face transformers | Modelos no disponibles en Ollama (Gemma 4, ChatGLM-5.1) o tareas puntuales | model = AutoModel.from_pretrained(...) |
del model; torch.cuda.empty_cache() |
| Pinokio | Herramientas con dependencias complejas (CosyVoice, FLUX, Wan). Instalación en 1 clic | Entorno aislado, lanza el script | Cierra la app; el script libera la GPU al terminar |
| ComfyUI | Pipelines visuales encadenados (imagen → vídeo → avatar) | Navegador + nodos | Cierra el navegador; pkill -f comfyui si quedan procesos |
| CPU / NVENC | FFmpeg, Kdenlive, pydub, OBS, DeepFilterNet | No usa VRAM | No necesita descarga |
4. Arquitectura¶
USUARIO
│
├─ Telegram / Open WebUI (PWA)
│ │
│ HERMES (asistente creativo)
│ │ Conversación + memoria de proyecto
│ ▼
│ estado.json (en carpeta del proyecto)
│
└─ Node-RED Dashboard (panel de control)
│ Lee estado.json, muestra resumen
│ Dropdowns para cambiar modelos/herramientas
│ Botón "Generar"
▼
Node-RED ejecuta flujo determinista
│
▼
Servidores MCP (herramientas IA)
│
▼
Archivos finales en ~/Creación de contenido/
Principio de diseño: Hermes decide contigo QUÉ crear. Node-RED ejecuta CÓMO crearlo. Los servidores MCP encapsulan cada herramienta como un microservicio intercambiable.
5. Hermes — Asistente Creativo¶
Función: Guía las fases del proyecto mediante preguntas y decisiones humanas. No ejecuta acciones pesadas; solo redacta, sugiere y rellena el archivo estado.json.
Dónde vive: Open WebUI (conectado a Ollama).
Accesible desde:
- Navegador web / PWA (instalable en móvil)
- Telegram (bot integrado, misma conversación)
Modelos utilizables: | Modelo | VRAM | ES | Uso | |--------|------|----|-----| | Qwen3.5-9B (Q4) | ~6 GB | ✅✅ | Principal — creatividad y redacción | | DeepSeek-R1-Distill-Llama-8B | ~6 GB | ✅ | Razonamiento profundo para divulgación | | Mistral Small 3 7B | ~5 GB | ✅✅ | Velocidad máxima | | DeepSeek V4-Flash (API) | 0 local | ✅ | Opcional para tareas complejas si GPU ocupada |
Fases que maneja Hermes: 1. Especificación — tema, tono, público, duración 2. Guion — redacción y revisión iterativa 3. Diseño sonoro — música, efectos, intro/outro 4. Voces — asignación de motores TTS y voces concretas 5. Mezcla y limpieza — parámetros finales 6. Completado — archivo y publicación
Cada fase queda registrada en estado.json con las decisiones del usuario.
6. Node-RED — Orquestador¶
Función: Leer el proyecto definido por Hermes, permitir ajustes finales mediante desplegables y ejecutar la cadena de producción con un botón.
4 Dashboards independientes:
| Dashboard | Para qué | Dropdowns clave |
|---|---|---|
| Audio | Podcasts, narraciones | TTS engine por locutor, fuente de música, efectos |
| Vídeo | Clips, B‑roll, avatares | Motor de vídeo, motor de imagen, avatar, música |
| Iconografía | Miniaturas, logos, infografías | Motor de imagen (FLUX.2, Z-Image-Turbo, SDXL) |
| Presentaciones | Cursos, documentales | Voz de narración, fondo de diapositivas |
Todos comparten el mismo back‑end de herramientas (servidores MCP) pero tienen flujos de ejecución distintos. Cada dashboard incluye: - Vista previa del proyecto y fase actual - Dropdowns para cambiar modelos y herramientas al vuelo - Botón "Probar" para generar variantes antes de decidir - Botón "Generar" que ejecuta la cadena completa
7. Servidores MCP¶
Cada herramienta del arsenal se expone como un servidor MCP (Model Context Protocol) independiente. Node-RED los llama mediante HTTP. Esto permite cambiar una herramienta sin tocar el flujo.
| Servidor MCP | Herramientas expuestas |
|---|---|
| Estado del proyecto | get_phase(), update_config(), save_decision() |
| Guion | generate_script(topic, style, speakers), edit_section() |
| Música/efectos | generate_music(engine, prompt, duration), search_pixabay_music(), fetch_freesound_cc0() |
| Voces | list_voices(), synthesize_turn(engine, text, voice_id) |
| Mezcla | mix_podcast(tracks, bg_music, effects, ducking, lufs), apply_mastering() |
| Activos | list_assets(type), mark_as_reusable(file) |
| Imagen | generate_image(engine, prompt, size) — FLUX / Z-Image-Turbo vía ComfyUI |
| Vídeo | generate_clip(engine, prompt, duration) — Wan / LTX |
| Avatar | create_avatar_talk(image, audio, engine) — MuseTalk / LivePortrait |
8. Estructura de Carpetas¶
~/Creación de contenido/
├── Audio/
│ └── <proyecto>/
│ ├── estado.json
│ ├── Guion.md
│ ├── Voces/
│ ├── Mezcla_final/
│ └── Recursos/
├── Vídeo/
│ └── <proyecto>/
│ ├── estado.json
│ ├── Guion.md
│ ├── Clips/
│ ├── Avatar/
│ └── Mezcla_final/
├── Iconografía/
│ └── <proyecto>/
│ ├── estado.json
│ └── Imágenes/
├── Presentaciones/
│ └── <proyecto>/
│ ├── estado.json
│ ├── Diapositivas/
│ └── Mezcla_final/
└── Activos/ (reutilizables)
├── Voces/
├── Música/
├── Imágenes/
└── Efectos/
9. Flujo de Trabajo¶
- Inicio: El usuario habla con Hermes (Telegram o PWA) y le da un tema.
- Fase creativa: Hermes pregunta tono, público, número de locutores, etc. Todo se guarda en
estado.json. - Guion: Hermes redacta, el usuario revisa y aprueba.
- Diseño sonoro: Hermes propone o pregunta por música y efectos, el usuario decide.
- Voces: Asignación de motores TTS y voces.
- Pase a Node-RED: Hermes avisa de que el proyecto está listo para producción.
- Dashboard: El usuario abre el panel de Node-RED, revisa el resumen, prueba variantes si quiere, y pulsa "Generar".
- Ejecución: Node-RED invoca los servidores MCP en secuencia, generando los archivos finales.
- Resultado: El archivo (MP3, MP4, PNG) se guarda en la carpeta del proyecto. Los activos marcados como reutilizables pasan a
~/Creación de contenido/Activos/.
10. Dashboards de Producción¶
10.1 Dashboard de AUDIO¶
- Proyecto actual, fase, guion (vista previa)
- Dropdowns:
- TTS Engine (por locutor)
- Fuente de música (MusicGen, Stable Audio, Pixabay, Activo)
- Efectos de sonido (Freesound, Activo)
- Botón "Probar música" que genera 3 fragmentos para elegir
- Sliders: volumen música/voz, normalización LUFS
- Botón "Generar Audio" → ejecuta la mezcla final
10.2 Dashboard de VÍDEO¶
- Storyboard con miniaturas de escenas
- Dropdowns:
- Motor de vídeo (Wan 2.2, LTX, AnimateDiff)
- Motor de imagen (FLUX.2, Z-Image-Turbo, SDXL)
- Avatar (MuseTalk, LivePortrait, Hallo)
- Selector de música y efectos
- Botón "Generar Vídeo" → render completo
10.3 Dashboard de ICONOGRAFÍA¶
- Prompt editable
- Dropdown: Motor de imagen (FLUX.2, Z-Image-Turbo, SDXL)
- Galería de 4 variantes
- Botón "Elegir y guardar" o "Regenerar"
10.4 Dashboard de PRESENTACIONES¶
- Índice de diapositivas y vista previa
- Dropdown:
- Voz de narración (Qwen3-TTS, voz clonada…)
- Fondo de diapositivas (FLUX.2, Unsplash…)
- Botón "Generar presentación" → vídeo con diapositivas sincronizadas
11. Arsenal IA Local¶
ADVERTENCIA: VRAM estimada con cuantización Q4/Q5_K_M y contexto limitado (
num_ctx 2048-4096). Valores orientativos. Con 8 GB, ejecuta una herramienta a la vez.
11.1 Guion e Investigación (LLMs)¶
| # | Herramienta | VRAM | ES | Licencia | Función principal |
|---|---|---|---|---|---|
| 🥇 | Qwen3.5-9B (Q4) | 6.6 GB | ✅✅ | Apache 2.0 | Creatividad superior, redacción en español, guiones largos |
| 🥈 | DeepSeek-R1-Distill-Llama-8B | 5.2 GB | ✅ | MIT | Razonamiento paso a paso para divulgación compleja |
| 🥉 | Mistral Small 3 7B | 4.4 GB | ✅✅ | Apache 2.0 | Velocidad máxima, ideal para scripts y JSON estructurado |
| 4 | Llama 3.1 8B | 4.9 GB | ✅ | Llama 3.1 | Alternativa sólida si los otros modelos están ocupados |
11.2 Síntesis de Voz y Clonación (TTS)¶
| # | Herramienta | VRAM | ES | Licencia | Función principal |
|---|---|---|---|---|---|
| 🥇 | Qwen3-TTS 1.7B VoiceDesign | ~4 GB | ✅✅ | Apache 2.0 | Diseño de voz por descripción natural, latencia 97 ms |
| 🥈 | CosyVoice 3 | ~4 GB | ✅✅ | Apache 2.0 | Clonación zero-shot multilingüe con 3 s de muestra |
| 🥉 | GPT-SoVITS v4 | ~3 GB | parcial | MIT | Clonación con 1 min de audio, 48 kHz |
| 4 | Chatterbox-Turbo | ~4 GB | ❌ EN | MIT | Ganó a ElevenLabs en test ciego |
11.3 Transcripción y Diarización (STT)¶
| # | Herramienta | VRAM | ES | Licencia | Función principal |
|---|---|---|---|---|---|
| 🥇 | Faster-Whisper | ~2 GB | ✅✅ | MIT | 4× más rápido que Whisper original — futura instalación |
| 🥈 | WhisperX | ~3 GB | ✅✅ | BSD | Whisper turbo + diarización de hablantes + timestamps por palabra |
| 🥉 | Canary (NVIDIA) | ~4 GB | ✅ | CC-BY-4.0 | #1 en benchmarks 2026 |
| 4 | SenseVoice (Alibaba) | ~2 GB | ❌ EN/ZH | Apache 2.0 | Detecta eventos acústicos: risas, aplausos, música |
Nota: Actualmente en este equipo está instalado openai-whisper (versión base, 20250625) a través de Open WebUI. Faster-Whisper (4× más rápido) es la migración recomendada cuando se necesite transcripción de alto rendimiento.
11.4 Música, Foley y Efectos¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | Stable Audio Open | ~6 GB | Apache 2.0 | Música + efectos 44.1 kHz, calidad de estudio |
| 🥈 | MusicGen Small (Meta) | ~4 GB | MIT | Jingles, cortinillas y fondos rápidos |
| 🥉 | BGM-Generator | ~2 GB | Varias libres | Ritmos Lo‑Fi y ambientales sin copyright |
| 4 | Amphion | ~4 GB | MIT | Toolkit unificado: música, Foley y procesado de voz |
11.5 Limpieza, Restauración y Separación de Audio¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | DeepFilterNet 3 | CPU | MIT | Elimina ruidos continuos sin tocar la GPU |
| 🥈 | Demucs v4 (Meta) | ~4 GB | MIT | Separación de pistas: voz, bajo, batería, otros |
| 🥉 | Resemble Enhance | ~4 GB | Apache 2.0 | Restauración y upsampling a 44.1 kHz |
| 4 | UVR | ~4 GB | MIT | Interfaz que integra Demucs y otros modelos |
11.6 Podcasts Multi‑locutor Automáticos¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | VibeVoice 1.5B | ~6 GB | MIT | 90 min, hasta 4 hablantes, risas/pausas naturales |
| 🥈 | Dia2 (Nari Labs) | ~6 GB | Apache 2.0 | Tags [S1], audio prompting, streaming |
| 🥉 | Podcastfy.ai | 0 (script) | Apache 2.0 | Convierte PDF/URL en podcast de dos voces |
| 4 | Qwen3-TTS 1.7B | ~4 GB | Apache 2.0 | Podcast completo en español multi‑turno |
11.7 Imagen (Miniaturas, Storyboards, Infografías)¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | FLUX.2 GGUF Q4 | ~7 GB | Apache 2.0 | Máximo fotorrealismo, consistencia de personajes |
| 🥈 | FLUX.1 Kontext [dev] | ~8 GB | Apache 2.0 | Edición de imágenes con instrucciones de texto |
| 🥉 | Z-Image-Turbo (Qwen) | ~8 GB | Apache 2.0 | Texto bilingüe perfecto en carteles, superrápido |
| 4 | SDXL | ~6 GB | CreativeML | Enorme ecosistema de LoRAs y estilos |
11.8 Vídeo (B‑roll, Clips, Secuencias)¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | Wan 2.2 1.3B GGUF | 4‑6 GB | Apache 2.0 | Texto→vídeo 480p, mejor calidad para RTX 2070 |
| 🥈 | LTX Video 1.1 | 6‑8 GB | Apache 2.0 | Lightricks, rápido y estable |
| 🥉 | AnimateDiff | ~6 GB | Apache 2.0 | Anima imágenes fijas con movimiento suave |
| 4 | SkyReels-V2 | 8 GB+ | Apache 2.0 | Vídeo narrativo largo |
11.9 Avatares y Sincronización Labial¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | MuseTalk | ~4 GB | Apache 2.0 | Sincronización labial en tiempo real |
| 🥈 | LivePortrait | ~4 GB | MIT | Anima una foto con expresiones faciales naturales |
| 🥉 | Hallo | ~6 GB | Apache 2.0 | Movimiento de cabeza y retrato animado |
| 4 | SadTalker | ~4 GB | MIT | Imagen + audio → vídeo hablando |
11.10 Mezcla y Postproducción¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | pydub + FFmpeg | CPU | MIT/LGPL | Montaje automatizado: concatenar, ducking, normalización |
| 🥈 | pedalboard (Spotify) | CPU | GPL-3.0 | EQ, compresión, normalización LUFS profesional |
| 🥉 | Auto-Editor | CPU | MIT | Corta silencios y errores por línea de comandos |
| 4 | Kdenlive | NVENC | GPL | Editor de vídeo completo con subtítulos IA |
11.11 Orquestación y Automatización¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | ComfyUI | 0 | GPL | Centro de producción visual: FLUX, Wan, MuseTalk con nodos |
| 🥈 | Node-RED | 0 | Apache 2.0 | Pegamento entre Telegram, APIs, modelos y FFmpeg |
| 🥉 | Flowise | 0 | Apache 2.0 | Agentes LLM visuales arrastrando y soltando |
| 4 | Podcastfy.ai | 0 | Apache 2.0 | Pipeline completo de podcast, de idea a MP3 |
11.12 Frontends y Gestión de Modelos¶
| # | Herramienta | VRAM | Licencia | Función principal |
|---|---|---|---|---|
| 🥇 | Open WebUI | 0 | MIT | Interfaz tipo ChatGPT para tus LLM, con RAG y agentes |
| 🥈 | AnythingLLM | 0 | MIT | RAG especializado con integración de Telegram |
| 🥉 | LibreChat | 0 | MIT | Multi-modelo y multiusuario |
| 4 | InvokeAI | 0 | Apache 2.0 | Interfaz pulida para generación de imágenes |
11.13 Infraestructura e Instalación¶
| # | Herramienta | Función |
|---|---|---|
| 🥇 | Pinokio | Instalación 1‑clic de CosyVoice, FLUX, Wan con CUDA |
| 🥈 | Ollama | Motor de LLM local con API REST |
| 🥉 | Docker + NVIDIA Toolkit | Contenedores con aceleración GPU |
| 4 | Hugging Face Hub CLI | Descarga directa de cualquier modelo |
11.14 Captura y Directos¶
| # | Herramienta | Función |
|---|---|---|
| 🥇 | OBS Studio | Grabación de pantalla/cámara, emisión en directo |
| 🥈 | FFmpeg | Captura por línea de comandos |
| 🥉 | Blender VSE | Editor de secuencias ligero |
| 4 | Tenacity | Editor de audio sin telemetría |
11.15 Archivo y Biblioteca Multimedia¶
| # | Herramienta | Función |
|---|---|---|
| 🥇 | Paperless-ngx | Archivo documental inteligente con OCR |
| 🥈 | Immich | Alternativa libre a Google Photos |
| 🥉 | Audiobookshelf | Catálogo de podcasts y audiolibros |
| 4 | Subtitle Edit (Wine) | Sincronización y traducción de subtítulos |
12. APIs de Contenido Libre¶
Contenido libre, monetizable y 100 % automatizable. Sin atribución obligatoria, sin pasos manuales. Cada fuente tiene API programable que un agente puede consultar y descargar.
| Categoría | Fuente | API | Licencia |
|---|---|---|---|
| 🎵 Música | Pixabay Music | ✅ REST (gratis) | Pixabay License |
| 🔊 Efectos | Freesound (CC0) | ✅ API | CC0 |
| 🎬 Vídeo | Pexels Videos | ✅ API | Pexels License |
| 🎬 Vídeo | Pixabay Videos | ✅ API | Pixabay License |
| 🖼️ Imágenes | Unsplash | ✅ API | Unsplash License |
| 🖼️ Imágenes | Pexels Photos | ✅ API | Pexels License |
| 🖼️ Imágenes | Pixabay Images | ✅ API | Pixabay License |
| 🧩 Texturas 3D | Poly Haven | ✅ API | CC0 |
| 🧩 Texturas PBR | AmbientCG | ✅ API | CC0 |
Fuentes descartadas¶
| Fuente | Motivo |
|---|---|
| Mixkit | Solo descarga manual desde web, no tiene API pública |
| Coverr | Sin API, hay que navegar y descargar a mano |
13. Fases de Implementación¶
Fase 1 — Infraestructura base¶
- [ ] Configurar Open WebUI + Ollama + Qwen3.5-9B (Q4)
- [ ] Crear estructura de carpetas en
~/Creación de contenido/ - [ ] Probar conversación con Hermes para guiones
Fase 2 — Servidores MCP esenciales¶
- [ ] Crear servidores MCP: estado, guion, voces, música, mezcla
- [ ] Exponer Faster-Whisper vía MCP para transcripción
- [ ] Exponer CosyVoice 3 vía MCP para síntesis de voz
Fase 3 — Node-RED Dashboard¶
- [ ] Diseñar el primer Dashboard de Node-RED (Audio)
- [ ] Flujo: leer estado.json → generar voces → añadir música → mezclar → MP3
- [ ] Probar el flujo completo con un proyecto piloto
Fase 4 — Hermes + Telegram¶
- [ ] Añadir el bot de Telegram a Open WebUI
- [ ] Conversación completa: especificación → guion → diseño → voces → pase a Node-RED
Fase 5 — Extensión a otros formatos¶
- [ ] Dashboard de Vídeo (clips, B‑roll, avatares)
- [ ] Dashboard de Iconografía (miniaturas, logos)
- [ ] Dashboard de Presentaciones (cursos, documentales)
Fase 6 — Contenido externo y activos¶
- [ ] Integrar APIs de Pixabay, Freesound, Unsplash
- [ ] Implementar reutilización de activos (
~/Creación de contenido/Activos/) - [ ] Limpieza automática de temporales
14. Integración con SmallCountry¶
14.1 Servicios que usará¶
| Servicio | Función | Ficha |
|---|---|---|
| Hermes Agent | Asistente creativo que guía las fases del proyecto | hermes-agent.md |
| Ollama + Qdrant | Motor LLM local + RAG | ollama-qdrant.md |
| Open WebUI | Interfaz conversacional con los LLM | openwebui.md |
| Node-RED | Orquestación de flujos de producción | nodered.md |
| n8n | Automatización de postproducción | n8n.md |
| Forgejo | Versionado de guiones, prompts, configuraciones | forgejo.md |
| Audiobookshelf | Catálogo de podcasts y audio final | audiobookshelf.md |
| Nextcloud | Almacenamiento de assets y archivos de proyecto | nextcloud.md |
| Joplin Server | Notas de producción, briefings, cifrado E2E | joplinserver.md |
| Authentik | Identidad centralizada | authentik.md |
14.2 Roles SmallCountry implicados¶
| Rol | Persona | Función |
|---|---|---|
| Hermes Agent | El agente | Guía creativa, registro de decisiones en estado.json |
| Jano | Administrador | Configura Authentik, permisos de acceso |
| Argos | Administrador | Monitoriza GPU, temperatura y recursos |
Principio fundamental: ningún dato creativo sale de SmallCountry. Los modelos de IA corren en Horus (servidor con GPU). Hermes y Node-RED se comunican con los servidores MCP en localhost. Las APIs de contenido libre son consultas unidireccionales.
15. Notas Finales¶
Este proyecto ha evolucionado de un simple arsenal de herramientas a una arquitectura completa de producción audiovisual soberana. La diferencia es cualitativa:
- Antes: una lista de herramientas. Sabías qué existía, pero no cómo conectarlo.
- Ahora: un estudio completo. Hablas con Hermes para definir el proyecto. Ajustas parámetros en paneles de Node-RED. Pulsas un botón. El archivo final aparece en tu carpeta.
El control creativo sigue siendo humano. Las decisiones importantes —tono, estilo, voces, música— las tomas tú. La IA ejecuta la parte pesada: renderizar, mezclar, normalizar, sincronizar. Y todo, desde una RTX 2070 de 8 GB, sin que nadie sepa lo que estás creando.
Secciones relacionadas¶
- Ficha: Hermes Agent
- Ficha: Ollama + Qdrant
- Ficha: Open WebUI
- Ficha: Node-RED
- Ficha: n8n
- Proyecto: SuperEstudio
- Proyecto: RAG Hub
📦 Inventario real — Junio 2026
Esto es lo que está instalado y funcionando AHORA MISMO en este equipo (RTX 2070 8 GB, Linux, Docker):
✅ Instalado y funcionando¶
| Herramienta | Cómo | Modelos / Versión |
|---|---|---|
| Ollama | Docker (ollama/ollama:latest) |
23 modelos, destacan Qwen3.5:9b (6.6 GB), DeepSeek-R1:8b (5.2 GB), Mistral:7b (4.4 GB), Llama 3.1:8b (4.9 GB) |
| Qdrant | Docker (qdrant/qdrant:latest) |
5 colecciones (Open WebUI, documentos locales, SmallCountry) |
| Open WebUI | Docker (ghcr.io/open-webui/open-webui:main) |
Conectado a Ollama + Qdrant. WHISPER_MODEL=base integrado |
| ComfyUI | Instalado en ~/ai-stack/ComfyUI |
Directorio models/ con checkpoints, diffusion_models, etc. (no ejecutándose ahora) |
| openai-whisper | Python pip (v20250625) | Usado por Open WebUI para transcripción |
| Docker + NVIDIA Toolkit | Sistema (docker.io, nvidia-container-toolkit) |
CUDA 13.2, Driver 595.71.05 |
⏳ No instalado aún¶
| Herramienta | Prioridad | Bloqueante |
|---|---|---|
| Faster-Whisper | Alta | No — Open WebUI ya tiene whisper base |
| Pinokio | Media | No — CosyVoice, FLUX y Wan se pueden instalar sin él |
| CosyVoice 3 | Alta | No |
| Qwen3-TTS | Alta | No |
| Wan 2.2 1.3B | Media | No |
| FLUX.2 GGUF | Media | No — ComfyUI ya tiene checkpoints preparados |
| Node-RED | Media | No — orquestador de producción |
| Flowise | Baja | No — alternativa a Node-RED |
📊 Consumo actual de VRAM¶
- En reposo: ~1.8 GB / 8 GB (Ollama con modelo cargado en idle)
- Con Qwen3.5:9b activo: ~6.6 GB (quedan ~1 GB libres — justo para TTS ligero si se descarga el LLM)
- Con DeepSeek-R1:8b activo: ~5.2 GB (quedan ~2 GB — margen para TTS pequeño)
Estrategia de descarga: Ollama mantiene los modelos en VRAM durante 5 minutos tras el último uso. Para herramientas que no sean Ollama (TTS, STT, imagen, vídeo), siempre hacer ollama stop antes de lanzarlas.