Files

T

João HenriqueandClaude Opus 5 cbd9297751 docs(skill): alinhar editar-por-voz com a revisão humana da etapa 5

A skill decidia a edição sem saber que o JSON dela agora passa por uma tela
de revisão antes de virar FCPXML. Isso não é detalhe de fluxo: a etapa 5
traduz cada ação para o vocabulário dela, e sem conhecer essa tradução a
intenção da IA se perde no caminho — que é exatamente como uma decisão vira
"arbitrária" aos olhos de quem revisa.

Novo criterios/10-revisao-humana.md, com o que o app faz com cada ação:

- cut cobrindo >=60% da frase remove a linha; tocando só uma borda vira trim
  encaixado na fronteira de palavra. Corte de meia frase é ambíguo — passa
  do limiar e apaga a linha toda quando a intenção era aparar a hesitação.
- zoom ou text sobre uma frase marca ênfase, e ênfase significa DUAS coisas:
  zoom mais legenda dinâmica; as demais frases ficam com legenda comum. A
  escala vira o nível (1.15→leve, 1.3→média, 1.5→forte).
- sem ação, o nível é derivado do peak_emphasis; a decisão da IA sempre ganha.
- reason é exibido ao lado da frase na tela — é o que o editor lê antes de
  manter ou desfazer. Deixou de ser campo de log.

Consequência prática que faltava em 05-zoom.md: não espalhar zoom "por
segurança", porque cada um promove a frase em duas dimensões ao mesmo tempo.
Na dúvida, deixar sem — promover custa uma tecla, despromover custa mais.

Cada arquivo de critério ganhou cabeçalho de escopo (o que cobre, em que
fase), no mesmo padrão dos docs do Engine, para ler só o necessário.

Todas as afirmações numéricas do novo critério foram verificadas contra
fcpxml/phrase_review.py rodando, não assumidas.

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

2026-08-19 22:54:51 -04:00

3.5 KiB

Raw Blame History

01 — Leitura do JSON

Escopo: Como ler o voice_timeline em camadas, sem recalcular o que já foi medido. Quando: Fase 1 — ver a ordem de trabalho em ../SKILL.md.

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.

3.5 KiB Raw Blame History Unescape Escape