Corte horizontal
A partir de uma gravação bruta de conversa, produz um rough cut próximo da versão final. A divisão de trabalho é:
- Ferramentas medem o áudio: removem pausas, repetições consecutivas e lacunas em silêncio, ajustando o ponto de corte ao quadro de áudio mais baixo.
- Você (Claude) lê a transcrição do início ao fim e remove o que as ferramentas não enxergam: reinícios, notas de edição como "vou cortar aqui", números falados errado e corrigidos, partes que fogem do assunto. Você escreve a justificativa de cada corte.
- Verificação redecodifica o áudio cortado e procura palavras quebradas ou vazadas em cada junção.
A saída é um mp4 (não um projeto de edição não linear). Correção de cor, música, legendas e gráficos não são responsabilidade deste skill.
Quando usar
- Quando o usuário fornecer uma gravação de conversa horizontal e pedir "editar", "cortar", "remover pausas".
- Quando a câmera e a captura de tela estiverem em arquivos separados e precisarem ser sincronizadas.
- Não é para vídeo vertical (Reels/Shorts); nesse caso, o canvas e as legendas são diferentes.
Preparação
ffmpegdeve estar no PATH, as dependências Python são instaladas comkur.shna raiz do repositório. Nos comandos, use.venv/bin/pythonpara Python (Windows:.venv\Scripts\python).- O modelo Whisper é baixado na primeira execução (large-v3 ≈ 3 GB). Avise o usuário antes do download.
- O tempo é gasto principalmente no Whisper. Medição (M1 Pro 8 núcleos CPU, large-v3 int8, modo literal, com outro render rodando em segundo plano): 4 minutos de gravação resolvidos em 10 minutos (0,4x o tempo real);
dogrularedecodifica o áudio cortado na mesma velocidade. Corte, sincronização e planejamento levam segundos, a renderização leva minutos. Para gravações longas, informe o usuário sobre o tempo desde o início; para testes rápidos, pode-se usar--model mediumousmall(menos preciso; as regras foram medidas com large-v3), e fazer a verificação final com o modelo padrão. Se houver GPU NVIDIA,--cihaz autoseleciona CUDA automaticamente. - Cada trabalho fica em sua própria pasta:
calisma/<projeto>/. Não mova, apague ou sobrescreva os arquivos brutos do usuário; as ferramentas apenas os leem.
Abaixo, K = .venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py, P = calisma/<projeto>.
Ciclo
1. Transcrição. Extrai o áudio, obtém a transcrição literal e monta o primeiro plano (sem lista de cortes).
K dokum P --video camera.mp4 [--ekran captura.mp4] [--terimler "termos específicos do vídeo"]
Forneça nomes próprios (produtos, pessoas, nomes de jogos) que aparecem no vídeo com --terimler; o Whisper escreve corretamente.
2. Leia P/dokum.md do início ao fim. Leia completamente, em partes, com Read. Não passe o olho: reinícios e notas de edição se escondem no meio das frases. Durante a leitura, procure:
- Reinício: segunda tentativa da mesma ideia. A última tentativa fica, as anteriores vão embora.
Linhas
[ADAY]são dicas, a decisão é sua. - Nota de edição e lembrete pessoal: "vou cortar aqui", "vamos refazer isso", "corta", "desculpa","De novo.", "assim não", "nota para …: colocar isso aqui". O usuário pode dar instruções de corte em voz; esse é o sinal mais confiável.
- Número, nome, unidade falados errado e corrigidos: o errado vai embora.
- Palavras soltas ("É. Agora…"), murmúrios incompreensíveis, frases incompletas.
- Parte que foge do assunto, seção desnecessariamente longa. Esta é uma decisão de conteúdo: pergunte ao usuário antes de cortar.
- Linhas
DÜŞTÜ: palavras caídas pela medição de áudio. A maioria são invenções do Whisper ou respirações; se alguma palavra significativa tiver caído, veja comzarf.
3. Escreva P/atilacak.json. Com o segundo de origem e justificativa para cada linha:
[
{"bas": 31.20, "son": 36.85, "gerekce": "reinício: primeira tentativa da frase, a segunda fica"},
{"bas": 102.40, "son": 104.10, "gerekce": "nota de edição: disse 'vou cortar aqui'"}
]
- Pegue os limites das linhas de
[início–fim]na transcrição; a ferramenta ajusta o corte ±0,2 s no quadro mais silencioso, não precisa de precisão exata. Palavras cujo meio cai dentro do intervalo são removidas: terminesonum pouco ANTES do timestamp da primeira palavra que deve permanecer, para não incluir. - Se apenas parte de uma linha for removida, use
K zarf P 100 106para ver os timestamps das palavras e o áudio. - Se uma repetição de ênfase intencional ("passo a passo", "informação informação informação") não deve ser removida automaticamente, escreva seu intervalo em
P/korunacak.jsonno mesmo formato. - Contraste e anáfora não são repetição: "Aqui tem uma coisa. Aqui tem outra coisa." ambos ficam.
4. Blocos de imagem (opcional): P/bloklar.json. Se não houver, toda a gravação é um único bloco de câmera.
[
{"etiket": "introdução", "bas": 0, "son": 95.5, "goruntu": "kamera"},
{"etiket": "demo", "bas": 95.5, "son": 400, "goruntu": "ekran"},
{"etiket": "teste rodando", "bas": 400, "son": 520, "goruntu": "ekran-hizli"}
]
kamera: gravação principal em tela cheia; nos cortes ignorados, alterna entre zoom 1,00 / 1,06 sequencialmente.ekran: captura de tela em tela cheia, com pequena câmera arredondada no canto. Para blocos onde não quiser câmera no canto, use"kose": false.ekran-hizli: o silêncio não é removido; trechos sem fala acima de 2,4 s são acelerados 2x (acima de 6 s, 4x), com selo "2x" no canto superior esquerdo. Use para mostrar algo em execução.- Coloque o limite do bloco entre frases. Se a pessoa não estiver olhando para a câmera (explicando olhando para a tela), essa seção deve ser
ekran; mostre o rosto apenas onde ele olha para a câmera. Se não tiver certeza, extraia alguns quadros das duas gravações e veja (ffmpeg -ss <seg> -i camera.mp4 -frames:v 1 quadro.jpg).
5. Monte o plano e releia.
K kurgu P
dokum.md é reescrito. Verifique se as linhas ATILDI pegaram a frase correta e se o texto restante flui bem. Se necessário, repita os passos 3-5; esta etapa leva segundos.
6. Sincronização (se houver captura de tela).
K senkron P # captura_t = principal_t + offset + desvio·principal_t -> P/senkron.json
O r das janelas deve estar acima de 0,5 e os offsets consistentes dentro de alguns ms. Se a captura de tela não tiver microfone, forneça o offset manualmente: K senkron P --ofset 2.5.
7. Renderize. Primeiro um pequeno teste, depois a renderização completa (as partes ficam em cache, a segunda renderização é rápida):
K cek P --bas 0 --bit 15 # primeiras 16 partes -> P/cikti/kurgu-0-15.mp4
K cek P [--boyut 2560x1440] # completo -> P/cikti/kurgu.mp4
K temas P # um quadro por bloco -> P/kontrol/temas.jpg (veja com Read)
Sempre veja temas.jpg. Se o rosto na câmera do canto estiver pequeno ou na borda, ajuste o corte com --kose-kirp 0.52,0.45,0.5 (centro x, centro y, borda/altura). Se a captura de tela tiver bordas pretas ou barras do navegador, corte com --ekran-kirp 2468:1388:46:47 (largura:altura:x:y, pixel de origem); mantenha a proporção 16:9.
8. Verifique e corrija.
K dogrula P # redecodifica o áudio cortado -> P/dogrula.md
K pencere P 104.10 212.75 # ±3 s das junções suspeitas (segundo de origem)
Em dogrula.md, para cada suspeita:
- FALTANDO (palavra esperada não ouvida): primeiro ouça com
pencere. Palavras curtas (e, de, o) são frequentemente puladas pelo Whisper na segunda decodificação; a maioria é falso alarme. Se realmente foi cortada, ajuste o limite doatilacakcorrespondente (amplie/reduza) ou remova o corte. - VAZANDO (uma palavra removida é ouvida): aumente o intervalo de corte para incluir essa palavra.
- Antes de afirmar que um corte está errado, veja o áudio com
zarf; não confie no timestamp.
Após a correção, execute novamente kurgu → cek → dogrula. Partes que não mudaram não são reproduzidas.
9. Relatório ao usuário. Seja breve e com números:
- duração: bruto → editado (ex.: 4:00 → 2:48, 30% mais curto), número de partes e blocos;
- seus cortes manuais, um por um com justificativa (tempo + uma linha);
- número de repetições removidas automaticamente, intervalos acelerados;
- verificação: quantas junções, quantas suspeitas, quais foram corrigidas, quais eram falsos alarmes;
- nível de áudio (LUFS) e caminho do arquivo de saída.
- Informe separadamente os cortes de conteúdo (detalhes desnecessários); se o usuário quiser desfazer, basta remover uma linha.
Regras aprendidas (resumo)
- O áudio dá a palavra final. Um intervalo sem palavras não é necessariamente silêncio: o Whisper pode engolir repetições. O ponto de corte é encontrado no envelope de áudio; as palavras apenas indicam o que deve ser mantido.
- O timestamp do Whisper varia ~0,5 s (na maioria das vezes adiantado). Não corte pelo timestamp; corte pelo áudio.
- Corte no meio da palavra. Os limites da região são onde o áudio termina, mais uma margem de respiração: 0,28 s no final da frase, 0,12 s dentro da frase; começa 0,06 s antes do início.
- Em contexto longo, o Whisper engole engasgos; por isso, a transcrição é feita em partes independentes de ≤10 s.
- Áudio e vídeo na mesma grade de quadros (30 fps, parte = quadro inteiro, áudio = quadro × 1600 amostras).
- Não escreva uma segunda passagem de "redução de lacunas"; foi testado e engoliu palavras (detalhes em kurallar.md).
Todas as regras com medições: references/kurallar.md. Formatos de arquivo e opções de comando: references/dosyalar.md.
Limitações conhecidas
- Única gravação principal (áudio + câmera). Se houver várias partes, primeiro concatene com ffmpeg ou faça cada parte como um projeto separado.
- O áudio sempre vem da gravação principal; o áudio da captura de tela é usado apenas para sincronização.
- A câmera no canto é um corte fixo, sem rastreamento facial.
- Não há efeitos de transição no bloco da câmera; o jump cut é suavizado com zoom.
[ADAY]é ruidoso (~17 linhas em 4 minutos); a maioria são repetições naturais como "precisa … precisa". Os verdadeiros reinícios você encontra lendo a transcrição; a lista de candidatos é apenas uma dica.- Notas de edição ("colocar som de campainha aqui", "mostrar barra aqui") são cortadas, mas não aplicadas: gráficos e efeitos não são responsabilidade deste skill. Liste-as separadamente no relatório para o usuário.