gart/.claude/skills/editar-por-voz/criterios/01-leitura-do-json.md

01 — Leitura do JSON

O arquivo <mídia>_voice_timeline.json é a entrada de todo o trabalho. Leia em camadas, de cima para baixo, e só desça quando precisar.

Camadas

Camada	O que traz	Para quê
layers	o que de fato rodou na análise	leia primeiro — ver 07-analise-incompleta.md
summary	forma da peça, peak_moments, contagens	visão geral em poucos números
speakers	quem fala, % do tempo, frases de exemplo	identificar papéis
segments	cada fala com seus agregados	onde você mais trabalha
segments[].words	detalhe por palavra	achar o instante exato de um destaque
scales	o que cada número significa	documentação dentro do próprio arquivo

Campos que decidem quase tudo

gap_before — silêncio antes da fala, em segundos. É o mapa estrutural da gravação: acima de ~3s (take_boundary: true) a câmera parou ou a tomada recomeçou. Num material real de 3min17s isso identificou 6 fronteiras, todas exatamente onde a pessoa recomeçava o roteiro.

take_boundary — booleano derivado do gap_before. Use para agrupar tomadas.

emphasis (0–1) — índice combinado de energia, variação de tom, variação de ritmo, pausa anterior e duração. É relativo ao material analisado, nunca uma medida absoluta. Ver 02-enfase-e-reanalise.md.

energy (0–1) — intensidade relativa ao trecho mais alto da gravação.

pitch_delta (0–1) — quanto o tom se afasta da média do falante.

peak_emphasis e avg_energy (por segmento) — permitem julgar uma frase inteira sem ler palavra por palavra. É por aqui que você avalia o arco narrativo.

energy_raw e pitch_hz — valores brutos, sem normalização. Não use para decidir; existem para permitir a reanálise da Fase 2.

O que NÃO fazer

• Não recalcule energia, tom ou ênfase. O sistema mede melhor e de forma reprodutível.
• Não reestime tempos "no olho". Use os timestamps do JSON.
• Não trate emphasis como valor absoluto. Um 0,35 pode ser o pico de uma gravação e ruído em outra.

O timestamp por palavra tem um viés conhecido

O início de cada palavra vem sistematicamente adiantado em ~0,3-0,5s em relação ao ataque real da fala — medido em material real com ffmpeg (astats), consistente em 6 pontos do mesmo vídeo. O fim da palavra não tem esse problema (erro de poucos centésimos). Causa: word_timestamps do faster-whisper deriva por atenção cruzada, sem alinhamento forçado — ver 05_EXPERIENCIAS.md, entrada de 2026-08-19.

Isso não é "reestimar no olho" — é um bug de medição na fonte, não um julgamento seu. Na prática:

• Ao posicionar um zoom cujo start precisa cair exatamente na palavra (não uma frase inteira), some +0,3 a +0,4s ao timestamp do JSON antes de decidir, ou confira com ffmpeg -af astats se a precisão importar para o frame.
• Não aplique essa correção a gap_before para decidir corte — a régua de silêncio (06-texto-corte-marcador.md) já é conservadora o bastante para absorver esse erro; corrigir os dois ao mesmo tempo é redundante.
• Se um dia o pipeline ganhar alinhamento forçado (WhisperX), este aviso perde a razão de existir — confira se layers ou a versão do documento já indicam isso antes de aplicar o offset manualmente.