jhonny-editor/code/plugins/premiere-pro/skills/editar-por-voz/criterios/01-leitura-do-json.md

01 — Leitura das evidências do banco

Escopo: Como ler as evidências persistidas no banco, sem recalcular o que já foi medido. Quando: Fase 1 — ver a ordem de trabalho em ../SKILL.md.

O registro da edição e as tabelas relacionadas no banco são a entrada de todo o trabalho. Um JSON exportado pode ser usado como visão de trabalho, mas deve ser reconciliado com o video_id e a versão da análise antes de qualquer decisão. Leia em camadas, de cima para baixo, e só desça quando precisar.

Camadas

Camada	O que traz	Para quê
analises_versao	o que de fato rodou e qual versão está válida	leia primeiro — ver 09-analise-incompleta.md
summary	forma da peça, peak_moments, contagens	visão geral em poucos números
segmentos_de_transcricao	cada fala com seus agregados	onde você mais trabalha
palavras_de_transcricao	detalhe por palavra	achar o instante exato de um destaque
evidencias_visuais	observações visuais por intervalo	apoiar a decisão quando disponível
edicoes_de_video.configuracao	objetivo e regras do vídeo	calibrar a seleção editorial

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.

emocao e confianca_emocao — classificação de emoção da fala (quando disponível). São opcionais e complementares: dependem de um recurso que precisa estar ligado na análise, então ficam vazios em boa parte dos vídeos. Nunca decidem sozinhos — servem só de reforço/desempate entre candidatos já elegíveis por emphasis/relevância narrativa. Ver 05-zoom.md.

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.

Quando o pipeline já corrigiu isso: se layers.alignment for true (transcript gerado com alinhamento forçado fonético via whisperx, implementado depois desse aviso), o viés foi removido na origem — não aplique o offset manual abaixo. O aviso vale só para transcripts antigos sem layers.alignment.

Isso não é "reestimar no olho" — é um bug de medição na fonte, não um julgamento seu. Na prática (somente sem layers.alignment):

• 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.