F0rger123/claude-video-editing-god-mode

Cortar Erros & Repetições (Agente 2 do Pipeline)

Segunda etapa da edição automatizada, executada após cortar silêncios. Remove o que um editor humano cortaria em uma segunda passagem: gaguejos ("o o", "eu- eu-"), palavras imediatamente repetidas, falsos começos (uma frase abandonada que recomeça) e retomadas (uma linha regravada — mantenha a tomada limpa, descarte a errada).

Decidir o que conta como um erro é julgamento, não uma fórmula — repetição enfática ("nunca, nunca") e duplicação retórica ("a primeira peça é, é isso…") parecem idênticas a um gaguejo mecanicamente. Portanto, este agente é controlado por revisão por padrão: ele apresenta candidatos com contexto completo; o agente (e o usuário) decidem; apenas os cortes aprovados são renderizados.

Quando usar

• "corte os erros", "remova gaguejos / repetições", "limpe as escorregadelas", "mantenha a melhor tomada", "corte falsos começos"
• Como a segunda etapa do fluxo de edição mestre, na saída de cortar silêncios.

O fluxo em três partes

1. Encontrar candidatos (mecânico)

node .agents/skills/cut-mistakes/scripts/find-cut-candidates.mjs \
  <silence-transcript.json> --out-dir video-projects/<slug>/assets

A entrada normalmente é o <stem>.silence-transcript.json do Agente 1, para que os cortes se apliquem à linha do tempo já silenciada. Escreve:

• <stem>.cut-candidates.json — candidatos estruturados (tipo, confiança, intervalo de cut proposto, texto removes/keeps, contexto, recomendação)
• <stem>.cut-candidates.md — proposta legível

Tipos de candidato: stutter (repetição imediata de palavra), retake (segmento duplicado/quase duplicado via similaridade Jaccard), false_start (frase curta abandonada que recomeça).

2. Revisar (o portão — OBRIGATÓRIO)

Leia cada candidato em contexto e decida manter ou cortar. O detector mecânico não consegue distinguir ênfase retórica intencional de um erro real, portanto não confie em recommend cegamente — leia removes + context. Falsos positivos comuns: repetição enfática ("nunca é, nunca é mão leve"), cópula seguida de pergunta ("a peça é, é isso…"), listagem.

Apresente os candidatos ao usuário com uma recomendação por item; colete aprovações. Escreva os cortes aprovados em um arquivo:

{ "cuts": [ { "start": 100.93, "end": 101.06, "reason": "eu- falso começo" }, ... ] }

(start/end em segundos na linha do tempo do vídeo/transcrição de entrada. Você pode ampliar o intervalo de um candidato — por exemplo, para uma retomada, corte do início da tomada errada até o recomeço limpo.)

3. Aplicar cortes aprovados

node .agents/skills/cut-mistakes/scripts/apply-cuts.mjs \
  <silence-transcript.json> --cuts approved-cuts.json \
  --video video-projects/<slug>/assets/edited-silenced.mp4 \
  --output video-projects/<slug>/assets/edited-clean.mp4 --apply

Escreve a EDL, uma <stem>.mistakes-transcript.json re-temporizada (alimenta o agente de gráficos em movimento + validate-beat-sync.mjs), um registro de decisões e — com --apply — o vídeo cortado (ffmpeg trim+concat, A/V sincronizados). Remova --apply para uma execução de teste.

Revisando o resultado

Use a ferramenta de revisão compartilhada para examinar os cortes e verificar limites:

node scripts/build-edl-review.mjs <stem>.mistakes-edl.json \
  --original video-projects/<slug>/assets/edited-silenced.mp4 \
  --edited   video-projects/<slug>/assets/edited-clean.mp4 \
  --output   video-projects/<slug>/assets/mistakes-review.html
npx serve . -p 8080 -n

Notas

• Uma entrega muito limpa pode resultar em poucos ou nenhum corte real — isso é um resultado válido; não corte a fala natural para cumprir uma cota.
• Cortes entre duas palavras faladas são uniões diretas. Geralmente são limpos para gaguejos/falsos começos; para áudio mais apertado, um fade de 20-30ms pode ser adicionado posteriormente.
• Passe o mistakes-transcript.json + o vídeo limpo para o Agente 3 (gráficos em movimento / cartões em camadas).