Primeiro, mantenha esta skill atualizada — confirme com o usuário antes de executar:
npx hyperframes skills update talking-head-recut. Uma operação rápida e sem efeitos quando tudo está atualizado; caso contrário, ela atualiza esta skill e as skills de domínio principais das quais ela depende antes que você dependa delas.
O que Talking Head Recut faz?
O Talking Head Recut pega um vídeo local que toca por completo e coloca uma sequência de
cartões gráficos com design e temporização sobre ele — títulos, barras inferiores, chamadas de dados,
citações, painéis laterais, picture-in-picture — sincronizados com o que está sendo dito. O agente
projeta os cartões (temporização + conteúdo) e escreve o HTML de cada cartão diretamente na
conversação, depois monta um único HTML de composição e o renderiza para MP4 via
hyperframes. Não há uma lista fixa de arquétipos nem uma estrutura de cartão prescrita —
as sobreposições emergem do que a transcrição realmente diz.
A porta de entrada é
/hyperframes. Esta skill empacota um clipe de talking head existente com cartões gráficos com design (títulos, barras inferiores, chamadas de dados, citações, PiP) — não legendas simples (as palavras faladas como texto). O clipe toca intacto. Qualquer outra intenção — legendas simples, um gráfico independente, um vídeo do zero — ou qualquer incerteza → leia/hyperframesprimeiro: a camada de intenção é dona de toda decisão de rota.
Irmão gráfico de
embedded-captions. Legendas adicionam as palavras faladas como texto legível; esta adiciona gráficos com design sobre o vídeo em reprodução. Legendas simples →embedded-captions. Construir um vídeo do zero → os fluxos de criação (product-launch-video/faceless-explainer/ …).
Roteirizado através do /hyperframes, a camada de intenção confirma apenas a entrada (qual clipe) e anuncia as perguntas de estratégia de renderização como questões adiadas — proporção, layout, grupo de estilo e contagem de cartões permanecem na Etapa 7, onde as filmagens analisadas e a transcrição fundamentam as recomendações; as perguntas de forma de execução da camada não se aplicam. Um BRIEF.md, quando presente, carrega a entrada confirmada e quaisquer anotações do usuário — leia-o primeiro.
Arquivos intermediários inspecionáveis no diretório de trabalho:
metadata.json— duração / largura / altura / fpsaudio.mp3— áudio extraídotranscript.json— um vetor de palavras plano[{ text, start, end }, …](Whisper; semsegments, sem wrapperwords)storyboard.json— esboço leve dos cartões (o plano do agente)public/cards/card-XX.html— um fragmento HTML por cartãopublic/index.html— composição final montadaoutput.mp4— vídeo renderizado
Resolução da CLI
# hyperframes — transcrição (Whisper local) + renderização do HTML montado para MP4
npx hyperframes --help
Esta skill é executada inteiramente na CLI hyperframes mais ffmpeg / ffprobe do sistema.
A transcrição é feita localmente pelo Whisper via hyperframes transcribe — nenhum serviço
de terceiros, chave de API ou proxy com limite de taxa.
Fluxo de Trabalho
1. Verificar Ambiente
npx hyperframes doctor # ffmpeg, navegador headless, dependências de renderização
# confirmar ativos empacotados:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
Requeridos:
ffmpeg/ffprobe(sistema)<SKILL_DIR>/assets/fonts/*.woff2,<SKILL_DIR>/assets/vendor/gsap.min.js(empacotados dentro desta skill, copiados para o diretório de trabalho na Etapa 9)
A transcrição não precisa de chave — hyperframes transcribe executa o Whisper localmente (Etapa 4).
Fortemente recomendado no macOS para hyperframes render:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. Criar um Diretório de Trabalho
Todos os artefatos ficam em videos/<project-name>/ — a mesma convenção dos outros fluxos
de trabalho de vídeo (product-launch-video / faceless-explainer / pr-to-video). Mantenha
o diretório de trabalho atual na raiz do espaço de trabalho; tudo abaixo escreve sob este
subdiretório.
VIDEO_PATH="/caminho/absoluto/input.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. Extrair Áudio e Metadados
# metadados — duração / largura / altura / fps
ffprobe -v error -select_streams v:0 \
-show_entries stream=width,height,r_frame_rate \
-show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# áudio
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"
Saídas: metadata.json (leia width/height/duration; fps = a fração r_frame_rate
avaliada, ex.: 30000/1001 → 29.97) + audio.mp3.
4. Transcrever
npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en
Whisper local — sem chave de API, sem proxy, sem limite de taxa. Escreve um transcript.json
no nível de palavra no diretório de trabalho (text da palavra + timestamps start / end).
Leia-o para obter os tempos das palavras/frases que determinam a temporização dos cartões na Etapa 6;
agrupe palavras em frases você mesmo com base em pontuação/pausas se precisar de blocos no nível de segmento.
Limitar à duração da mídia. O Whisper pode retornar o end da última palavra um pouco além do
comprimento real do clipe — limite todo endSec do cartão e composition.durationSeconds à
duração do metadata.json, ou a renderização mostrará um rastro preto além do vídeo.
5. Corrigir Transcrição
transcript.json é um vetor plano de objetos de palavra — [{ "text": "...", "start": s, "end": s }, …] (sem vetor segments, sem wrapper words; a chave por palavra é text). Leia-o e corrija erros óbvios de ASR:
- Homófonos, nomes de produtos, termos técnicos, pontuação
- Edite o
textda palavra no local; preserve seus timestampsstart/end - Não há vetor
segmentspré-agrupado — agrupe palavras em frases você mesmo (divida em pontuação terminal / pausas) quando precisar de blocos no nível de segmento para a temporização dos cartões
6. Rascunhar um Storyboard Leve (no chat)
Nenhuma CLI envolvida. Leia transcript.json + metadata.json e projete
cartões diretamente. storyboard.json é um artefato de planejamento interno do agente
— nenhum comando CLI o consome; ele existe para que você possa pensar com clareza
sobre temporização e conteúdo antes de escrever o HTML de cada cartão. Mantenha a
forma consistente com o exemplo abaixo para que o mesmo esboço possa guiar a
composição que você escreve na Etapa 9:
{
"schemaVersion": 3,
"composition": {
"fps": 30,
"width": 1080,
"height": 1920,
"durationSeconds": 121.2,
"layout": "portrait",
"themeId": "noir",
"seed": 42
},
"videoTrack": {
"sourcePath": "input-video.mp4",
"startSec": 0,
"endSec": 121.2,
"bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
},
"subtitles": { "enabled": false },
"cards": [
{
"id": "card-01",
"intent": "Prender com a pergunta ansiosa do palestrante à meia-noite",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "UMA PERGUNTA HONESTA",
"title": "A pergunta de autoanálise às 23h",
"detail": "Mensagem de voz de 60 seg do cliente: 'Se o RMB se valorizar, isso significa que minha apólice em USD é uma perda terrível?'"
}
}
]
}
Campos obrigatórios do Cartão:
| campo | tipo | finalidade |
|---|---|---|
id | string | id estável usado no HTML do cartão e nos seletores GSAP |
intent | string | descrição em linguagem natural; alimenta a síntese do cartão |
startSec / endSec | número | tempos em segundos (endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | qual das 5 cores de destaque do tema este cartão puxa |
zone | enum (veja abaixo) | onde no canvas o cartão vive |
contentHints | objeto | bolsa de forma livre; o agente coloca kicker/título/detalhe/dados/citação aqui |
archetype (opcional) | string | rótulo de forma livre que você pode anexar para lembrar o padrão de um cartão; ausente = forma livre, que é o padrão |
transition (opcional) | enum: cut | fade | slide | wipe | transição declarativa de cartão para cartão |
Cinco valores de zone:
| zone | limites resolvidos | quando usar |
|---|---|---|
fullscreen | cobre todo o canvas | momentos heróis, grandes números, mantras |
whiteboard-area | margem interna de 40px (ou 45% da altura retrato) | conteúdo denso / anotado |
lower-third | faixa inferior de 30% | anotação sobre vídeo visível |
side-panel | 42% à direita (paisagem) ou 40% inferior (retrato) | dados de um lado, vídeo do outro |
video-overlay | canvas inteiro, espera cartão principalmente transparente | anotações sobrepostas em vídeo sem margem |
Ao montar a composição na Etapa 9, resolva a zone de cada cartão
em limites de pixels no contêiner host do cartão seguindo a tabela acima.
Os limites do vídeo são definidos uma vez no nível da composição (videoTrack.bounds);
para fazer o vídeo parecer "se mover entre cartões", escreva tweens GSAP contra
#video-wrap no <script> da composição (veja a Etapa 9).
Nenhum papel de cartão prescrito, nenhum arco narrativo prescrito. Os cartões emergem do que o vídeo realmente diz — podem ser todas citações ou todos dados, podem abrir com um número ou com uma história. Deixe a transcrição ditar o ritmo.
Quantas conclusões? — inferir automaticamente da duração + densidade. Nenhum limite superior fixo. Escolha um ritmo base a partir da duração do vídeo, depois ajuste pela densidade de informação. Apenas o piso é fixo: mínimo de 5 cartões para que mesmo vídeos curtos tenham ritmo.
Etapa 1 — ritmo base por duração (o seg/cartão natural para densidade média):
| duração do vídeo | ritmo base (seg por cartão) | fundamento |
|---|---|---|
| < 60s (reel curto) | 6–8s | espectadores esperam cortes rápidos em formato curto |
| 60s – 3 min | 8–12s | ritmo social normal |
| 3 – 10 min | 12–20s | dar espaço para respirar; cada cartão carrega mais |
| 10 – 30 min | 20–35s | ritmo de palestra / entrevista longa |
| > 30 min | 30–60s | episódico, sensação de quase-capítulo |
Etapa 2 — multiplicador de densidade (multiplica o ritmo base):
| sinal na transcrição | multiplicador | efeito |
|---|---|---|
| Alta densidade — muitos números, afirmações distintas, ritmo staccato, enumeração em lista, cada 1–2 frases é uma nova ideia | × 0.7 | corta mais rápido, mais cartões |
| Densidade média — fluxo misto com dados e narrativa | × 1.0 | ritmo base |
| Baixa densidade — uma história estendida, reenquadramento repetido, ritmo reflexivo lento, único argumento se desenrolando | × 1.5 | corta mais devagar, menos cartões |
Etapa 3 — calcular:
segPorCartao = ritmoBase × multiplicadorDensidade
contagemCartoes = max(5, arredondar(duracaoVideoSeg / segPorCartao))
Exemplos (observe — sem limite superior; vídeos longos produzem naturalmente mais cartões):
- Reel de 30s, única conclusão (baixa densidade) → 7 × 1.5 = 10.5s/cartão → arredondar(30/10.5)=3 → piso para 5 cartões
- Monólogo reflexivo de 60s (baixa densidade) → 10 × 1.5 = 15s/cartão → 4 → piso para 5 cartões
- Talking head de 121s com dados ricos (alta densidade) → 10 × 0.7 = 7s/cartão → 17 cartões
- Entrevista de 5 min, densidade mista → 16 × 1.0 = 16s/cartão → 19 cartões
- Mergulho profundo de 10 min, alta densidade → 16 × 0.7 = 11s/cartão → 55 cartões
- Palestra de 30 min, densidade média → 28 × 1.0 = 28s/cartão → 64 cartões
- Podcast de 1h, baixa densidade → 45 × 1.5 = 67.5s/cartão → 53 cartões
Quando um cartão dura mais de ~15s, planeje um cartão mais rico (bloco de dados,
revelação em várias etapas, vários subpontos se desenrolando com animações
escalonadas) — uma frase única estática fica entediante após 8s. Para peças longas
onde muitos cartões excedem 30s, considere dividir a linha do tempo em
subcomposições (um .html por capítulo, montado com
data-composition-src) para que a linha do tempo GSAP por arquivo permaneça gerenciável
— veja o aviso de lint timeline_track_too_dense do HyperFrames.
content pode ser uma string simples ("Título: 5.69% anualizados\nNotas: ...") ou qualquer formato JSON
que capture os dados. O agente decide o formato por cartão.
Outro opcional. Esta skill não vem com um outro de marca fixo. Se o usuário quiser um cartão de encerramento, projete um neutro você mesmo (marca nominativa + slogan de uma linha, ~1.5-2s, fade in -> pausa curta -> fade out), anexe-o a cards[] e estenda composition.durationSeconds até seu endSec. Caso contrário, termine no último cartão de conteúdo.
7. Decidir Estratégia de Renderização
Confirmar Direção Visual com o Usuário (FAÇA ISSO PRIMEIRO)
Antes de começar a projetar cartões ou decidir limites, **peça ao usuário que escolha a proporção de saída
…
[truncado para tradução]