feat: etapa 5 do assistente — revisão de ênfases com timeline

Transforma a etapa "colar decisões" numa tela de lapidação: a sugestão da
IA chega carregada e o editor afina frase a frase o que é ênfase e o que
fica fora. Essa marcação é o norte da etapa 6 — só as frases com ênfase
recebem zoom e legenda dinâmica; as demais ficam com legenda comum.

O campo de colar o JSON sobe para a etapa 4, então a numeração das etapas
não muda e a etapa 6 segue intacta.

Backend (fcpxml/phrase_review.py):
- build_phrase_review funde o _voice_timeline.json com as actions da IA
- trim por frase que anda em fronteira de palavra; corte parcial da IA
  chega como trim em vez de ser arredondado fora
- phrase_review_to_actions volta a cuts/zooms + emphasis_spans
- merge_saved_decisions reaplica só as decisões salvas sobre uma revisão
  remontada da análise atual, para reprocessar a voz não ficar mascarado
- resolve_source acha a mídia: o voice timeline guarda só o nome do arquivo

App (SwiftUI):
- layout de sala de edição: preview em cima, inspector à direita, timeline
  atravessando embaixo com seis trilhas rotuladas
- preview enquadra no formato de entrega lido do .fcpxml (fonte horizontal,
  projeto vertical), com alternância para a mídia original
- reprodução pula os trechos removidos e para no fim do trecho
- zoom manual por trecho marcado, sem guardar escala: a forma vem das
  configurações de Análise de Voz no render
- emoção da fala exposta por frase

Correções encontradas no caminho:
- VideoPlayer (AVKit) aborta em runtime no app compilado por swiftc;
  trocado por AVPlayerLayer (ver Engine/docs/05_EXPERIENCIAS.md #22)
- teste que ainda afirmava o default zoom scale=1.3 removido do parser (#21)

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

code/server_tools/voice.py

@@ -348,8 +348,9 @@ async def handle_build_voice_timeline(arguments: dict) -> Sequence[TextContent]:
     language = arguments.get("language")
     token = str(arguments.get("hf_token") or "").strip() or load_hf_token() or None
     num_speakers = str(arguments.get("num_speakers") or "").strip() or load_num_speakers()
+    output_dir = arguments.get("output_dir")
 
-    transcript, reason = _load_or_transcribe(media_path, model, language)
+    transcript, reason = _load_or_transcribe(media_path, model, language, output_dir)
     if transcript is None:
         return _text_result(
             f"# Voice Timeline\n\nCould not obtain a transcript "
@@ -365,9 +366,10 @@ async def handle_build_voice_timeline(arguments: dict) -> Sequence[TextContent]:
         weights=EmphasisWeights.from_dict(config["emphasis_weights"]),
         peak_percentile=config["peak_percentile"],
         emphasis_floor=config["emphasis_floor"],
+        emotion_enabled=config["emotion_enabled"],
+        emotion_sensitivity=config["emotion_sensitivity"],
     )
 
-    output_dir = arguments.get("output_dir")
     json_path = Path(_validate_output_path(
         str(voice_timeline_path(media_path, output_dir)),
         anchor_dir=str(Path(output_dir) if output_dir else Path(media_path).parent),
@@ -398,6 +400,7 @@ async def handle_build_voice_timeline(arguments: dict) -> Sequence[TextContent]:
                 "yes" if layers["acoustics"] else "FAILED — every acoustic value is 0",
             ],
             ["Speakers", "yes" if layers["speakers"] else "not run — single default speaker"],
+            ["Emotion", "yes" if layers.get("emotion") else "not run"],
         ],
     ) + "\n"