Communitygithub.com

Malik-rgb43/editing-workflow

Transcreva fala em hebraico e crie legendas embutidas (burned-in). Rota de ASR por hardware, timestamps de palavras, revisão manual, suporte a RTL e linhas mistas com inglês/números, fonte de legenda, animação de entrada e saída, zona segura e QA de legendas.

O que é editing-workflow?

Esta skill oferece um fluxo de trabalho completo para transcrição de fala em hebraico e criação de legendas embutidas (burned-in captions) otimizadas para leitura. Ela gerencia a escolha da rota de Reconhecimento Automático de Fala (ASR) com base no perfil de hardware disponível (CPU com faster-whisper, GPU Vulkan/AMD, NVIDIA CUDA, Apple Silicon), garantindo que o modelo de linguagem correto (ivrit-ai) seja usado para hebraico e que timestamps precisos por palavra sejam extraídos. Um processo rigoroso de revisão manual é integrado, com foco em zero erros de ortografia para nomes, marcas e citações, utilizando um dicionário ortográfico por projeto, sem depender de modelos de linguagem (LLMs) para correção automática. A skill constrói cards de legenda com suporte a texto da direita para a esquerda (RTL), animações de entrada e saída, zona segura (safe zone) e contraste, e executa uma bateria de verificações de qualidade (QA) que inclui linting de timing e bidi, verificação de fonte e cobertura de legendas. Ela é compatível com ambientes como Claude Code, Cursor e afins, e se integra a um ecossistema de ferramentas de edição de vídeo e renderização.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Malik-rgb43/editing-workflow/tree/HEAD/.agents/skills/hebrew-captions-asr

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

hebrew-captions-asr

Transcrição em hebraico e legendas embutidas: escolha uma rota de ASR por perfil, obtenha timestamps de palavras, revise manualmente, construa cards de legenda corretos para RTL com animação de ENTRADA E SAÍDA e valide-os com caption_qa mais uma declaração de cobertura.

Regras que se sobrepõem às demais

  1. Force language="he". O transcribe embutido do HyperFrames usa small.en por padrão (hebraico ruim) e o init faz transcrição automática com ele: use --skip-transcribe e a rota local ivrit-ai.
  2. Nunca execute um LLM sobre uma transcrição inteira. Corrija palavras específicas manualmente com um dicionário ortográfico por projeto; decida palavras ambíguas por maioria em várias passagens e pare de oscilar. Meta de entrega: zero erros de ortografia (nomes, marcas, citações); um leitor de hebraico aceita, um modelo crítico apenas nomeia.
  3. Sem chamada de ASR/TTS em nuvem sem uma estimativa datada e aprovação (paid-generation-gate). O padrão é local e gratuito; "local = $0" exclui setup, tempo de construção e minutos de correção.
  4. Sem dir="rtl" na raiz do HyperFrames. lang="he" no <html>; direction: rtl apenas em elementos de texto. Isso é uma solução alternativa específica de motor/versão (um teste na 0.8.98 não reproduziu o render preto, E12): mantenha a regra, re-teste por versão, nunca ensine "root RTL é HTML inválido".
  5. Fontes a partir de arquivos (hf/fonts/ + @font-face); o navegador do HyperFrames não encontra fontes instaladas pelo nome e falha silenciosamente.
  6. Números medidos são vinculados à máquina. Informe a velocidade como segundos de áudio por segundo real com o escopo do timer nomeado; diga aos alunos para medir novamente em seu próprio hardware.
  7. Lei vs predefinição da casa (decisão padrão Q5). Leis: animação de saída também, zero erros de ortografia, sem root RTL, teste de semelhança antes de fixar um rosto, retrotranscrição após um recorte. Predefinição da casa v1 (substituível): Rubik, cards de 1-3 palavras, trilho inferior <= y 1450, os números de permanência abaixo.
  8. Ferramentas Whisper quebram com caminhos de arquivo não ASCII (whisper-cli em um caminho em hebraico): use um diretório temporário ASCII. Execuções longas de ASR sob render_lock como qualquer trabalho pesado.

Entradas -> saídas

Entrada: áudio ou vídeo, DESIGN.md/kit de tipo de marca, o corte final se as legendas seguirem uma edição. Saída (relativa ao projeto): data/words.json ([{"text","start","end"}] em segundos), transcript.srt, transcript.txt, data/captions.json (cards), o componente de legenda na composição, _work/qa/captions_report.json com uma declaração de cobertura.

Rota de ASR por perfil (medida apenas na máquina do proprietário)

PerfilRotaEvidência e limite
Qualquer CPU (linha de base portátil)faster-whisper + ivrit turbo CT2, int8, 8 threads de núcleo físico731,4 s para 614,22 s de áudio = 0,84 áudio-s por s real (E08)
AMD/Windows com driver Vulkanwhisper.cpp compilado com -DGGML_VULKAN=ON + modelo ivrit GGML105,6 s para o mesmo áudio = 5,82 áudio-s por s real; a mesma compilação na CPU 1.033,0 s (9,78x mais lenta); RX 7600S precisou de GGML_VK_DISABLE_COOPMAT=1 (apenas local: defina somente se a execução falhar, exit 127)
NVIDIAfaster-whisper CUDA 12 / cuDNN 9 ou whisper.cpp CUDAnão medido
Apple Siliconwhisper.cpp Metalnão medido
Corpus: 68 clipes FLEURS he_il, 614,22 s de fala lida, uma passagem, máquina ociosa, segundos inteiros do wrapper. WER naquele corpus (NFC, minúsculas, pontuação -> espaço): whisper.cpp CPU 18,09 %, Vulkan 18,26 %, CT2 simples 17,74 %, CT2 + VAD 19,38 % (4-19 edições de palavras de 1.161: contagens próximas, não equivalência). Diálogo real, áudio telefônico ruidoso e precisão manual de limites de palavras não são medidos. Tabelas completas, receita de compilação e limites: references/asr-routes.md; fatos datados: references/volatile-facts.md.

Procedimento

  1. Rota. Identifique a máquina (doctor), escolha a rota acima, escreva asr_route.json (caminho do modelo/revisão/hash, dispositivo, precisão, threads, linha de log do backend). Pesos são fixos, nunca "mais recente".
  2. Decisão de VAD (opcional por clipe, decisão padrão Q8). Sem VAD, o Whisper retornou texto hebraico não vazio para 3 s de silêncio digital e para 3 s de baixo ruído (E02); a execução VAD de intervalo explícito em E08 foi mais lenta e menos precisa que o CT2 simples (225 vs 206 edições de palavras). Portanto: teste A/B em uma amostra de 60 s DESTE áudio, mantenha o menor WER e sempre execute o controle de silêncio quando o áudio tiver longos períodos de não fala.
  3. Transcreva com timestamps de palavras; consuma cada segmento dentro da região temporal. Salve words.json, .srt (--words-per-cue 3 pop de palavras, modo de 6 frases), .txt. Áudio cantado ou com fundo musical: uma "passagem de letra" sem VAD com os filtros de confiança em references/asr-routes.md.
  4. Revise o texto inteiro: nomes, marcas, números (dígitos, não palavras numéricas), o dicionário ortográfico, palavras ambíguas por maioria. Sinalize preenchimentos ("ah/umm" geralmente ausentes da saída do Whisper: encontre lacunas sonoras) e nunca exclua automaticamente palavras de discurso.
  5. Após qualquer recorte, faça ASR do VO completo montado e compare com o texto pretendido (join_diff); trechos de junção isolados diziam "limpo" enquanto o arquivo completo ouvia resíduos. Retranscreva a saída TTS da mesma forma.
  6. Construa cards (references/caption-timing.md): 1-3 palavras, palavras-chave na cor de palavra-chave, isolados bidi, entrada + saída, trocas com 2 quadros de antecedência, lidere a voz em 0,08-0,1 s, prenda os inícios em 0; teste de fonte por references/hebrew-typography.md; layout e bidi por references/rtl-and-bidi.md.
  7. QA. scripts/caption_lint.py em captions.json, caption_qa --band <top>:1450 no render, hf_preflight, snapshots em cada quadro de palavra-chave (--describe false), frame_qa; escreva a declaração de cobertura (quadros decodificados do esperado, banda, fps assumido, o que NÃO foi verificado).

Gates

Estados: pass | fail | blocked | n/a com um motivo; um timeout, uma lista de cards vazia ou um arquivo ausente é blocked.

GatePredicadoEvidênciaSe falsoProprietárioRechecar quando
G1 Rota ASRrota escolhida a partir de uma verificação de capacidade; modelo + pesos fixados; language=he forçadoasr_route.json (caminho, revisão, dispositivo, precisão, threads, escopo do timer)cair para CPU CT2 int8esta skillnova máquina, driver, modelo
G2 VADVAD ligado/desligado decidido por um teste A/B em uma amostra real de 60 s; o controle de silêncio executado quando o áudio tem longos períodos de não falaambos os WERs (scripts/wer.py) + saída de controle registradadesligar VAD se WER for pior; adicionar filtros se alucinações apareceremesta skillnovo tipo de áudio
G3 Transcriçãotodos os nomes/marcas/números revisados; dicionário ortográfico aplicado; 0 erros de ortografia aprovados por um leitor de hebraicotranscrição + dicionário aprovados; wer.py contra o texto corrigido em uma amostracorrigir palavras manualmente; nunca um LLM sobre o texto inteiroesta skill + humanoqualquer alteração de texto
G4 Corte montadoASR do VO completo montado corresponde às palavras pretendidas; nenhum token extra; primeiras/últimas 2 palavras de cada frase presentesJSON join_diffcorrigir a junção, recortar, re-ASRedit-talking-head G2a cada recorte
G5 RTL / bidisem root dir=rtl; lang="he"; Latim, dígitos, moeda, URLs isolados; sem controles bidi perdidos; o quadro final visualizadoscripts/caption_lint.py bloco bidi + hf_preflight + quadro visualizadoisolar o span; remover controlesesta skillqualquer alteração de texto de legenda
G6 Semelhanças / fontecada palavra-chave renderizada no tamanho final e em 360x640; ו/ז, ד/ר, ה/ח não podem ser lidas como outra palavra; fonte carregada de um arquivoregistro de espécime em hf/QA.md (arquivo de fonte, hash, tamanho, quadro) + snapshot mostrando sem fallbacktrocar a face para aquela palavra (Karantina "לבזבז" lido como "לבובו")esta skillqualquer alteração de fonte, tamanho ou palavra-chave
G7 Timing + animaçãopalavra >= 0,25 s, card >= 0,9 s, última palavra >= 0,25 s; animação de saída presente; sobreposição de troca de 1-2 quadros; sem início negativorelatório caption_lint + caption_qa + verificação de quadrore-temporizar; adicionar a saídaesta skillqualquer recorte ou retemporização
G8 Zona segura + contraste + coberturaparte inferior da legenda <= y 1450 (predefinição da casa); palavra-chave na cor da marca >= 4,5:1 na faixa; caption_qa declara sua coberturarelatório caption_qa com declaração de cobertura + números de contrastemover, mudar cor ou adicionar um fundoesta skillqualquer alteração de layout; nova proporção

Números da predefinição da casa v1 (cada um substituível; fontes datadas nas referências)

Rubik: Preto (900) palavras-chave, Regular/600 palavras pequenas; 54-66 px em 1080x1920 (padrão provisório E03; Alef 700 e Noto Sans Hebrew 600 pontuam igual; Karantina pontuou 1,8 vs 4,2 em uma revisão estática de modelo único, sem painel humano, sem telefone, sem animação). Pop de palavras 1-3 palavras, 0,35-0,7 s por card; entrada espelhada pela saída (desfoque-para-cima, cerca de 4 quadros, subida de 10 px, desfoque de 6 px); trilho de legenda y 900-1240 no A-roll, parte inferior <= 1450; texto chave y <= 1248. A tabela da plataforma 9:16 está datada de 2026-09 e não verificada como lei: execute o teste de sobreposição em um telefone.

Referências (carregar quando)

  • references/asr-routes.md - escolher/construir uma rota ASR, protocolo WER, VAD, passagem de letra, opções de nuvem (nenhuma executada).
  • references/hebrew-typography.md - escolher uma fonte, teste de semelhança, tabela E03, licenças.
  • references/rtl-and-bidi.md - linhas mistas hebraico/inglês/números, armadilhas RTL do HyperFrames e After Effects.
  • references/caption-timing.md - modos, receita exata de timing, zonas seguras, script de contraste.
  • references/volatile-facts.md - antes de citar velocidades, WER, fixações, licenças, números de zona segura.
  • Scripts: scripts/caption_lint.py (lint de timing/bidi/trilho de card), scripts/wer.py (WER/CER com uma normalização declarada); ambos stdlib, --self-check; caminhos de script são relativos à pasta desta skill.
  • Módulos datados em nível de repositório (pertencentes a outros lugares): agent-content/references/asr-routes.md, agent-content/references/hebrew-rtl-captions.md, agent-content/references/platform-specs.md, agent-content/techniques/caption-collision.md; carregue quando precisar das tabelas datadas ou do método de colisão de caixas.
  • Irmãos: edit-talking-head, render-qa-deliver, video-analysis (relatórios de análise, não legendas).

Status da evidência

ASR dos experimentos E02/E08 (máquina do proprietário); fontes do E03; regras de timing e saída dos projetos do proprietário. Nenhuma verdade fundamental de timing humano, nenhuma execução de ASR em nuvem, nenhuma resolução de licença de modelo para conversões ONNX. Especificado; apenas verificações determinísticas; avaliação de modelo não executada (Q4).

Individual skills in this repo

This repo contains 5 individual skills — each has its own dedicated page.

Malik-rgb43/editing-workflow

>- Script, edit or review a paid-social ad, sponsored post or brand promo for a business, product, app or store (Meta, Instagram, TikTok, 15-60 s): exact offer and CTA, ranked hooks, hook variants, end card, blocking compliance table, licence checks. Triggers: ad, promo, sponsored, campaign; מודעה, פרסומת, קמפיין, ממומן, פרומו, מבצע, הנחה, הוק. NOT for testimonials (edit-testimonial), organic expert reels (edit-talking-head), AI-only films (edit-ai-generated), ratio exports (multi-video-variants).

Malik-rgb43/editing-workflow

>- Design, build and review a motion-graphics piece in HyperFrames/GSAP: product or app launch, feature announcement, kinetic typography, logo reveal, UI explainer, animated screenshots. Triggers: מושן גרפיקס, אנימציה, השקה, טיפוגרפיה קינטית, לוגו אנימציה, "like a Higgsfield / Linear launch". Not for a speaker-to-camera reel (edit-talking-head), AI-generated shots (edit-ai-generated), caption-only work (hebrew-captions-asr) or ad compliance (edit-ad-promo).

Malik-rgb43/editing-workflow

>- Deliver one approved video as several outputs (other aspect ratios, hook variants, platform versions, no-music/no-captions versions) or run several videos in parallel, with one shared mix, strict naming and a manifest that blocks stale derivatives. Triggers: export as 9:16 and 1:1, hook variants, variants batch; גרסאות, וריאציות הוק, כמה סרטונים יחד, 9:16 ו-16:9. NOT for a single deliverable (render-qa-deliver) or designing the master (the type skill).

Malik-rgb43/editing-workflow

>- Turn a video the user sends or links (file, or YouTube/TikTok/Instagram URL) or a folder of clips into measurements (cuts, pacing, per-frame data), keyframe sheets, a Hebrew transcript and sound analysis (SFX, BPM, key, beats, song ID). Triggers: watch, analyse, break down, transcribe this video/reel/ad; תנתח, תעבור על, תמלל, מה קורה בסרטון, קאטים, BPM. NOT for cutting or rendering (type skills), applying a style (reference-style-transfer), or captions for a final render (hebrew-captions-asr).

Malik-rgb43/editing-workflow

Turn a new video idea, brief or list of specifics into a checkable Concept Ledger and ask questions until every parameter is precise, before any concept, prompt or build. Use at the start of any new video, with or without footage, or when the user pastes a concept with specifics. Hebrew - סרטון חדש, בריף, יש לי רעיון, קונספט, תכין לי סרטון, בוא נתחיל פרויקט. NOT for notes on an existing draft (revision-round), analysing a reference (video-analysis) or paid generation (paid-generation-gate).

Habilidades Relacionadas