VideoDB — Flujo de Trabajo NeuroSaaS

Vídeo ingesta — NeuroSaaS Webinar 2025

Video ID vid_9x3kp2a8

Colección neurosaaas-mkting

Resolución 1920×1080 · 30fps

Stream URL https://stream.videodb.io/...

Estado Procesado

Código de ingesta + índice

from dotenv import load_dotenv
load_dotenv(".env")

import videodb
conn = videodb.connect()
coll = conn.get_collection()

# 1. Ingesta desde YouTube
video = coll.upload(
    url="https://youtube.com/watch?v=neurosaaas-webinar"
)
# video.id → "vid_9x3kp2a8"
# video.stream_url → URL HLS reproducible

# 2. Índice de palabras habladas
video.index_spoken_words(force=True)

# 3. Búsqueda de momentos clave
from videodb.exceptions import InvalidRequestError

for query in ["onboarding", "friction", "user drop"]:
    try:
        res = video.search(query)
        shots = res.get_shots()
        print(f"✓ {query}: {len(shots)} momentos")
    except InvalidRequestError as e:
        if "No results found" in str(e):
            shots = []

Momentos encontrados query: "onboarding" + "friction" + "user drop"

02:14 → 02:51

...cuando el usuario llega al paso de configuración inicial, el onboarding tiene que ser invisible, casi instintivo...

0.94

07:32 → 08:05

...los datos de friction que capturamos en el funnel de activación muestran un abandono del 68% en el paso 3...

0.91

11:48 → 12:20

...eso es exactamente el user drop que NeuroSaaS detecta en tiempo real, con heatmaps de sesión granulares...

0.89

18:03 → 18:44

...el problema del onboarding no es técnico, es de diseño de flujo. Aquí vemos un ejemplo real con un cliente SaaS...

0.87

24:15 → 25:02

...reducimos la friction del signup en un 41% simplemente reordenando los campos del formulario según los datos...

0.85

31:29 → 32:10

...el onboarding inteligente adapta el flujo según el perfil de empresa detectado en las primeras 3 sesiones...

0.82

38:44 → 39:28

...y aquí termina el ciclo: de detectar friction a proponer mejoras, todo dentro del dashboard de NeuroSaaS en tiempo real...

0.79

+7 momentos más · score > 0.50

Composición final — Timeline Editor 4 clips seleccionados · overlay branding

Línea de tiempo — Vídeo compilado (4:32)

Clip 1

Clip 2

Clip 3

Clip 4

Outro

0:00 0:48 1:36 2:24 3:12 4:00 4:32

from videodb.timeline import Timeline
from videodb.asset import VideoAsset, TextAsset, ImageAsset, TextStyle

tl = Timeline(conn)

# Clips de los momentos más relevantes
clips = [(2,51), (7,32,8,5), (18,3,18,44), (24,15,25,2)]
for start, end in [(134,171), (452,485), (1083,1124), (1455,1502)]:
    tl.add_inline(VideoAsset(asset_id=video.id, start=start, end=end))

# Overlay logo NeuroSaaS (esquina superior derecha)
logo = coll.upload(file_path="neurosaaas-logo.png", media_type="image")
tl.add_overlay(0, ImageAsset(
    asset_id=logo.id, duration=272,
    width=180, x="80%", y="5%"
))

# Texto branding
tl.add_overlay(0, TextAsset(
    text="NeuroSaaS — Demo 2025", duration=272,
    style=TextStyle(fontsize=28, fontcolor="#ffffff", x="5%", y="90%")
))

# Generar stream del vídeo editado
edited_url = tl.generate_stream()
print(f"Stream editado: {edited_url}")

Outputs generados

🎬

Vídeo Original con Subtítulos ES

https://stream.videodb.io/v3/vid_9x3kp2a8/subtitles/es

Listo

45:12

✂️

Clip Compilado (highlights)

https://stream.videodb.io/v3/compiled/hl_7e35ce

Listo

4:32

📱

Vídeo Vertical 9:16 (TikTok/Reels)

https://stream.videodb.io/v3/reframed/vt_9x3kp2a8

Listo

4:32

Código — Subtítulos + Reframe

# Subtítulos generados y burn-in en español
video.index_spoken_words(force=True)
sub_url = video.add_subtitle(
    lang="es",
    style={"fontsize": 22, "fontcolor": "#ffffff"}
)

# Obtener transcripción completa
transcript = video.get_transcript_text()
print(f"Transcripción: {len(transcript)} caracteres")

# Reencuadre a vertical 9:16 para social
from videodb import ReframeMode

# Reframe del clip compilado (4:32 = 272s)
vertical = video.reframe(
    start=0, end=272,
    target="vertical",
    mode=ReframeMode.smart
)
print(f"Vertical URL: {vertical}")

# Transcripción → 14 momentos, 7.832 palabras

Índices construidos

Spoken word index OK

Keyword index OK

Scene visual index Opcional

Segmentos indexados 2.712

Palabras transcritas 7.832

Operaciones VideoDB

upload() 1 video

index_spoken_words() Indexado

search() × 3 queries 14 hits

add_subtitle() ES burn-in

timeline + reframe() 9:16 ready

Próximos pasos sugeridos

→ Generar voiceover en español sobre el clip con coll.generate_voice()

→ Conectar feed RTSP de pantalla y emitir alertas en directo cuando aparezca "friction" o "churn"

→ Crear capítulos automáticos para YouTube con los timestamps de búsqueda

→ Transcodificar a 720p/1080p con conn.transcode() para CDN