feat: adicionadas métricas opcionais de fala ao Scanner com anális

- adicionadas métricas opcionais de fala ao Scanner com análise acústica na engine
- corrigido o progresso da transcrição do Scanner durante o processamento do Whisper
- refatorado o runner Swift do Apple Vision para executar requests em lote com retry CPU-only, corrigindo falhas de CVPixelBuffer/ANE/OCR
- documentado o fluxo de edição de vídeo por voz integrado ao Scanner, banco e engine
- formalizado o protocolo de edição por chat com perfil editorial e consultas progressivas

Resumo:
- 10 arquivos alterados
- 5 novos
- 5 modificados
- 0 removidos

 5 files changed, 367 insertions(+), 95 deletions(-)

Arquivos:
  - .jhonny/analises.db
  - code/engine/executar_scanner.py
  - code/engine/integracoes/visual/apple_vision_runner.swift
  - code/engine/integracoes/whisper/provider_de_transcricao_local.py
  - code/engine/testes/test_provider_de_transcricao_local.py
  - .jhonny/analises.db-shm
  - .jhonny/analises.db-wal
  - apple_vision_runner
  - code/relatorios/teste-enquadramento-20s.json
  - docs/

code/engine/integracoes/whisper/provider_de_transcricao_local.py

@@ -1,7 +1,7 @@
 """Adapta o faster-whisper para a transcrição local do Scanner."""
 
 from pathlib import Path
-from typing import Any
+from typing import Any, Callable
 
 from ...scanner.modelos import PalavraDeTranscricao, SegmentoDeTranscricao
 
@@ -10,7 +10,8 @@ class ProviderDeTranscricaoLocal:
     """Executa transcrição local em lote, sem transmitir a mídia."""
 
     def __init__(self, modelo: str, dispositivo: str = "cpu", tipo_de_calculo: str = "int8",
-                 idioma: str = "pt", tamanho_do_lote: int = 16) -> None:
+                 idioma: str = "pt", tamanho_do_lote: int = 16,
+                 ao_progresso: Callable[[float], None] | None = None) -> None:
         """Carrega o modelo local e configura o tamanho do lote de inferência."""
         if tamanho_do_lote < 1:
             raise ValueError("O tamanho do lote deve ser maior que zero.")
@@ -22,17 +23,29 @@ class ProviderDeTranscricaoLocal:
         self.pipeline = BatchedInferencePipeline(model=self.modelo)
         self.idioma = idioma
         self.tamanho_do_lote = tamanho_do_lote
+        self.ao_progresso = ao_progresso
 
     def transcrever(self, clipe: Any) -> list[SegmentoDeTranscricao]:
         """Transcreve o áudio com VAD, timestamps e inferência em lote."""
         arquivo = Path(clipe.arquivo)
         if not arquivo.is_file():
             raise FileNotFoundError(f"Arquivo de áudio não encontrado: {arquivo}")
-        segmentos, _ = self.pipeline.transcribe(
+        segmentos, informacoes = self.pipeline.transcribe(
             str(arquivo), language=self.idioma, vad_filter=True,
             word_timestamps=True, batch_size=self.tamanho_do_lote,
         )
-        return [SegmentoDeTranscricao(float(s.start), float(s.end), s.text.strip(),
-            None, tuple(PalavraDeTranscricao(w.word.strip(), float(w.start), float(w.end),
-                                              getattr(w, "probability", None))
-                        for w in (s.words or []) if w.word.strip())) for s in segmentos]
+        duracao = float(getattr(informacoes, "duration", 0.0) or 0.0)
+        resultado: list[SegmentoDeTranscricao] = []
+        for segmento in segmentos:
+            resultado.append(SegmentoDeTranscricao(
+                float(segmento.start), float(segmento.end), segmento.text.strip(),
+                None, tuple(PalavraDeTranscricao(
+                    palavra.word.strip(), float(palavra.start), float(palavra.end),
+                    getattr(palavra, "probability", None)
+                ) for palavra in (segmento.words or []) if palavra.word.strip())
+            ))
+            if self.ao_progresso and duracao > 0:
+                self.ao_progresso(min(99.0, max(0.0, float(segmento.end) / duracao * 100)))
+        if self.ao_progresso:
+            self.ao_progresso(100.0)
+        return resultado