edita-video — pipeline de edição de vídeo falado

Pipeline local (nada sai da máquina) para transformar um vídeo bruto do usuário falando em versão limpa: sem muletas verbais, sem pausas mortas e com voz mais clara e padronizada.

Dependências (já instaladas nesta máquina)

• Python 3.12 com faster-whisper (modelos large-v3 e small já no cache HF)
• auto-editor (CLI, binário standalone com ffmpeg embutido)
• imageio-ffmpeg (ffmpeg 7.1 usado pelos scripts — não precisa de ffmpeg no PATH)
• demucs (separação voz/música, para suavizar trilha de fundo em material de TV)

Se algo faltar em outra máquina: pip install faster-whisper auto-editor imageio-ffmpeg demucs. Na máquina onde python não tiver pip, use o venv dedicado ~/.claude/tools/edita-video-venv (criado com uv venv --python 3.12; instalar com uv pip install --python <venv>\Scripts\python.exe ...). O ffmpeg do winget já está no PATH.

Fluxo (ordem importa)

Os scripts vivem em scripts/ desta skill. Trabalhe numa pasta de rascunho e entregue só o arquivo final ao usuário.

1. Transcrever com timestamps por palavra

python scripts/transcrever.py VIDEO.mp4 --modelo large-v3

• Gera VIDEO.mp4.transcricao.json.
• large-v3 é o padrão (melhor para pt-BR); use --modelo small só para rascunho rápido ou vídeo muito longo. CPU int8: espere ~0,5–1× a duração do vídeo com large-v3.
• Limitação conhecida: o Whisper às vezes omite hesitações puras ("ham", "ééé") da transcrição — essas sobras normalmente caem no passo 3 (silêncio), porque são trechos de baixa energia.

2. Detectar muletas e revisar ANTES de cortar

python scripts/detectar_cortes.py VIDEO.mp4.transcricao.json

• Gera *.cortes.json (máquina) e *.cortes.txt (revisão humana, com contexto de 3 palavras antes/depois de cada muleta).
• Sempre mostre o .cortes.txt ao usuário antes de aplicar — "né" às vezes é pergunta retórica intencional. Para preservar um trecho, basta remover a entrada no .cortes.json.
• Muletas padrão: né, hã, ham, hum, uhm, ãh, ãhn, ãã, hem, hein + hesitações alongadas (éé..., aa..., hmm...). Ajuste com --muletas "né,tipo assim".

3. Aplicar cortes de muletas

python scripts/aplicar_cortes.py VIDEO.mp4 VIDEO.mp4.transcricao.cortes.json

• Gera VIDEO_sem-muletas.mp4 (reencode x264 CRF 18 — visualmente idêntico).

4. Cortar silêncios e pausas mortas (auto-editor)

auto-editor VIDEO_sem-muletas.mp4 --edit audio:threshold=0.04 --margin 0.2sec -o VIDEO_dinamico.mp4

• --margin 0.2sec mantém respiro natural; para ritmo mais agressivo de Reels use 0.1sec, para tom institucional calmo use 0.3sec.
• Rode DEPOIS do corte de muletas (os buracos deixados pelas muletas somem aqui).

4b. Material de terceiros (TV): suavizar trilha de fundo

Matéria de telejornal quase sempre tem trilha musical sob a fala. O passo 5 (compressor + loudnorm) REALÇA essa trilha — trate antes dele:

python -m demucs --two-stems=vocals -n htdemucs -o separado AUDIO.wav
ffmpeg -i separado/htdemucs/AUDIO/vocals.wav -i separado/htdemucs/AUDIO/no_vocals.wav -filter_complex "[1]volume=0.18[m];[0][m]amix=inputs=2:duration=first:normalize=0" audio_suave.wav

• Padrão do usuário: suavizar (~-15 dB, volume=0.18), não remover — a trilha vira ambiência. Remoção total (só vocals.wav) apenas se ele pedir.
• Remuxar o áudio tratado no vídeo (-map 0:v -map 1:a -c:v copy) e só então seguir para auto-editor e passo 5.

5. Melhorar a voz

python scripts/melhorar_audio.py VIDEO_dinamico.mp4

• Gera *_voz.mp4 (vídeo copiado, só áudio processado): highpass 75 Hz, de-esser, +3 dB de presença em 3 kHz (consoantes mais nítidas — atenua a percepção de língua presa), compressão suave e loudnorm -16 LUFS (padrão de redes sociais).
• Voz ainda embolada? Suba a presença: --presenca 4.
• Opção mais pesada (externa): Adobe Podcast Enhance Speech (podcast.adobe.com/enhance, grátis, upload manual pelo usuário) reconstrói o timbre e trata dicção de forma muito mais agressiva que filtros locais. Ofereça quando o resultado local não bastar — mas lembre que o áudio sai da máquina (nunca para material de trabalho da DELEGACIA).

Regras

1. Nunca aplique cortes sem mostrar a lista de revisão (passo 2). O usuário decide; muleta pode ser ênfase intencional. 1b. Em material com mais de um locutor (TV, entrevista), nunca atribua fala por inferência textual da transcrição. Antes de recortar "a parte do usuário", extraia quadros do trecho (folha de contatos via ffmpeg fps=1,tile=) e confirme QUEM está na tela — frases como "como fulano falou" enganam (já quase se entregou fala do apresentador como se fosse do usuário). Dúvida remanescente vira [VERIFICAR] para o usuário, não decisão silenciosa. 1c. Vídeo de TV: confira tarjas/GC (lower thirds) antes de usar quadro como capa ou trecho em reel. A tarja do telejornal pode expor dado que a comunicação oficial do usuário promete proteger (parentesco, nome, local — caso tramitando em segredo de justiça). Corte a tarja do enquadramento (crop) ou escolha outro quadro. Vale também para GC com nome errado (já exibiram nome trocado durante fala do usuário): cubra o intervalo exato com blur gaussiano localizado (crop+gblur+overlay com enable=between(t,...)) — nunca delogo, que deixa listras horizontais.
2. Preserve o original intacto; toda saída ganha sufixo novo.
3. Vídeo de trabalho institucional (DELEGACIA) é dado sob sigilo: pipeline 100% local, sem Adobe Podcast, sem upload a MCP de mídia.
4. Ao final, informe: duração original → final, nº de muletas removidas, segundos de silêncio cortados (o auto-editor imprime o resumo).
5. Se o usuário pedir só uma parte (só silêncios, só áudio), rode só o passo correspondente — os passos são independentes entre si.