gart/code/ai_edit.py

#!/usr/bin/env python3
"""AI Voice Editor - Pipeline completo: transcrição + análise acústica → JSON para IA.

Uso:
    python ai_edit.py <media_path> [--model base] [--lang pt] [--no-diarize] [--output dir]

Gera dois arquivos na pasta output (ou ao lado do mídia):
    <nome>_transcript.json    — transcrição com timestamps por palavra
    <nome>_voice_timeline.json — timeline de voz com ênfase, pitch, energy, speakers

Esses arquivos são a ENTRADA para a IA analisar e gerar o roteiro/edição.
"""

import argparse
import json
import sys
import time
from pathlib import Path


def main():
    parser = argparse.ArgumentParser(description="Pipeline de análise de voz para IA")
    parser.add_argument("media", help="Caminho do arquivo de mídia (.mp4, .mov, .wav, etc.)")
    parser.add_argument("--model", default="base", help="Modelo Whisper (tiny/base/small/medium/large-v3)")
    parser.add_argument("--lang", default=None, help="Idioma (ex: pt, en). Auto-detect se omitido")
    parser.add_argument("--hf-token", default=None, help="HuggingFace token para diarização (opcional)")
    parser.add_argument("--no-diarize", action="store_true", help="Pular diarização de falantes")
    parser.add_argument("--output", default=None, help="Pasta de saída (padrão: ao lado do mídia)")
    parser.add_argument("--no-align", action="store_true", help="Pular alinhamento fonético (whisperx)")
    args = parser.parse_args()

    media_path = Path(args.media).resolve()
    if not media_path.is_file():
        print(f"ERRO: Arquivo não encontrado: {media_path}", file=sys.stderr)
        sys.exit(1)

    # Output dir
    out_dir = Path(args.output) if args.output else media_path.parent
    out_dir.mkdir(parents=True, exist_ok=True)
    stem = media_path.stem

    # ── Fase 1: Transcrição ──────────────────────────────────────────
    print(f"[1/2] Transcrevendo {media_path.name} (modelo: {args.model})...")
    t0 = time.time()

    # Adiciona code/ ao path para imports do projeto
    code_dir = Path(__file__).resolve().parent
    sys.path.insert(0, str(code_dir))

    from fcpxml.transcribe import transcribe

    def transcribe_progress(pct):
        bar_len = 30
        filled = int(bar_len * pct)
        bar = "█" * filled + "░" * (bar_len - filled)
        print(f"\r  [{bar}] {pct*100:.0f}%", end="", flush=True)

    transcript = transcribe(
        str(media_path),
        model_size=args.model,
        language=args.lang,
        progress_cb=transcribe_progress,
        align=not args.no_align,
    )
    print()  # newline after progress bar

    if transcript is None:
        print("ERRO: Transcrição falhou. Verifique se faster-whisper está instalado:", file=sys.stderr)
        print("  uv pip install faster-whisper", file=sys.stderr)
        sys.exit(1)

    print(f"  → {len(transcript.get('words', []))} palavras, "
          f"{len(transcript.get('segments', []))} segmentos, "
          f"idioma: {transcript.get('language', '?')}")

    # Salva transcrição
    transcript_path = out_dir / f"{stem}_transcript.json"
    transcript_path.write_text(json.dumps(transcript, indent=2, ensure_ascii=False), encoding="utf-8")
    print(f"  → Salvo: {transcript_path}")

    # ── Fase 2: Análise de voz (timeline) ────────────────────────────
    print(f"\n[2/2] Analisando voz (pitch, energia, ênfase)...")
    t1 = time.time()

    from fcpxml.voice_timeline import build_voice_timeline

    def voice_progress(fraction, stage):
        print(f"\r  {stage} ({fraction*100:.0f}%)", end="", flush=True)

    hf_token = None if args.no_diarize else args.hf_token
    timeline = build_voice_timeline(
        str(media_path),
        transcript,
        hf_token=hf_token,
        progress_cb=voice_progress,
    )
    print()

    # Salva voice timeline
    timeline_path = out_dir / f"{stem}_voice_timeline.json"
    timeline_path.write_text(json.dumps(timeline, indent=2, ensure_ascii=False), encoding="utf-8")
    print(f"  → Salvo: {timeline_path}")

    # ── Resumo ───────────────────────────────────────────────────────
    elapsed = time.time() - t0
    summary = timeline.get("summary", {})
    layers = timeline.get("layers", {})
    n_words = len(transcript.get("words", []))
    n_segments = len(transcript.get("segments", []))
    n_speakers = len(timeline.get("speakers", []))
    duration = transcript.get("duration", 0)

    print(f"\n{'='*50}")
    print(f"  ARQUIVOS GERADOS:")
    print(f"    {transcript_path}")
    print(f"    {timeline_path}")
    print(f"\n  RESUMO:")
    print(f"    Duração:     {duration:.1f}s ({duration/60:.1f}min)")
    print(f"    Palavras:    {n_words}")
    print(f"    Segmentos:   {n_segments}")
    print(f"    Falantes:    {n_speakers}")
    print(f"    Camadas:     transcript={layers.get('transcript')}, "
          f"acoustics={layers.get('acoustics')}, "
          f"diarization={layers.get('diarization')}")
    print(f"    Tempo:       {elapsed:.1f}s")
    print(f"{'='*50}")
    print(f"\n→ Pronto! Agora peça à IA para analisar o voice timeline e gerar o roteiro.")


if __name__ == "__main__":
    main()