VideoHighlighter lanza analizador y resaltador de video offline y auto‑alojado
El proyecto open source permite extraer subtítulos, resaltar fragmentos y entrenar modelos propios sin recurrir a suscripciones en la nube.
VideoHighlighter, un proyecto iniciado por el usuario de Reddit Aseiel, ha publicado su primera versión estable. Se trata de una herramienta offline que analiza y resalta contenido de video sin necesidad de enviarlo a servicios externos como Twelve Labs, Runway o Descript. La aplicación combina tres capas de interfaz: una vista simple, una vista avanzada con línea de tiempo y un módulo de detección que permite entrenar modelos personalizados.
El origen del proyecto es personal: el autor necesitaba generar subtítulos para vídeos que mostraba a su hijo de siete años y, al no encontrar una solución local y asequible, decidió construir una desde cero. El desarrollo se ha llevado a cabo en su tiempo libre durante el último año, combinando trabajo diario, fines de semana y noches. Además de la generación de subtítulos, la herramienta permite marcar automáticamente secciones relevantes del vídeo y, en una fase posterior, ofrecer un análisis más profundo mediante modelos de detección entrenables por el usuario.
Todo el código está disponible bajo licencia abierta en GitHub. El repositorio principal contiene la lógica de análisis, la gestión de subtítulos y la arquitectura de plugins para detección de eventos: Repositorio en GitHub. Existe también un repositorio complementario que alberga la interfaz web y el despliegue del sitio: Repositorio en GitHub. Ambos proyectos pueden ejecutarse en contenedores Docker o directamente con Python, lo que facilita su integración en entornos auto‑alojados.
VideoHighlighter propone dos versiones: una gratuita, que cubre la mayor parte de las funcionalidades básicas, y una opción PRO dirigida a editores profesionales que requieran flujos de trabajo más avanzados y soporte prioritario. El equipo está abierto a colaboraciones y planea crear una comunidad que aporte miles de pequeños modelos de detección, los cuales podrán almacenarse y compartirse a través de la propia plataforma.
Para los interesados en seguir el desarrollo, se ha habilitado un servidor de Discord donde se discuten nuevas características, se comparten modelos y se brinda soporte a usuarios que implementen la herramienta en sus infraestructuras locales: https://discord.gg/cUPJqPAMmm.
Esta iniciativa es relevante porque ofrece una alternativa totalmente local a los costosos servicios basados en la nube, lo que reduce la exposición de datos sensibles y elimina gastos recurrentes de suscripción. Además, al permitir entrenar modelos propios, abre la puerta a casos de uso específicos que las soluciones comerciales no cubren. Queda por ver cómo evoluciona la comunidad y si la versión PRO logra consolidarse como una herramienta viable para estudios de postproducción.
