Video Motion — fluxo padrão para vídeos com narração via chat
Fluxo mestre. Três fontes têm papéis específicos — não leia todas em todos os projetos, chame conforme a fase:
| Fase | Fonte de regras | Skill |
|---|---|---|
| Brief, estilo, roteiro, VO, sequência de trabalho via chat | motion-format | skill_view('motion-format') |
| Leis de design & cinematografia (vídeo≠slide, determinístico, estilo vem do tema, armadilhas) | bang-motion | skill_view('bang-motion') |
| Pipeline técnico de render (whisper, SFX, frame CDP, auditoria, legendas seguras) | html-motion-pipeline | skill_view('html-motion-pipeline') |
Quando usar qual
- Estilo específico com receita pronta (isométrico, cartoon cel, história-3D, promo de produto, etc.)
→ use o motor motion-format (
mf.py) + a receita de estilo. - Explainer flat-motion 2D / diagrama de revezamento / tech-explainer (como o vídeo de Function Calling) → use html-motion-pipeline (arquitetura GSAP + render CDP), siga as leis de design bang-motion.
- Promo/abertura/bumper/kinetic type → bang-motion como fonte de leis + arquitetura.
COMEÇE AQUI — porta de entrada da sequência (não pule)
Antes de escrever UMA ÚNICA linha (HTML, roteiro, VO) para a tarefa de vídeo:
0. LEIA USER.md E style-reference/STYLE.md (pasta deste skill) PRIMEIRO —
USER.md = preferências & padrões do Hasbi (não pergunte de novo o que já está escrito);
STYLE.md = estilo visual de ouro + quadros de referência. Use vision_analyze nos frames em
style-reference/ antes de escrever HTML para VER o alvo visual, não apenas imaginá-lo por
descrição. Este arquivo foi separado do SOP propositalmente para ser fácil de atualizar sem
modificar o fluxo de trabalho.
- Execute
skill_view('video-motion')primeiro — depois os sub-skills conforme a fase (tabela acima). - PESQUISE PRIMEIRO se o tópico exigir fatos/reais (tópicos educacionais, "como fazer X",
comparações, notícias): colete pontos-chave + um gancho forte de fontes reais
(
web_search/web_extract) ANTES de elaborar o roteiro — não invente o conteúdo de memória. Vejareferences/topik-riset.mdpara saber como escolher e variar o ângulo. - A SEQUÊNCIA DE TRABALHO segue o usuário, não a tabela de fases acima. A ordem padrão do documento é brief→estilo→roteiro, MAS o usuário Hasbi frequentemente a inverte: pesquisa de tópico → escolha do tópico → roteiro → SÓ DEPOIS brief de estilo. Se o usuário disser "comece pelo tópico/roteiro primeiro, depois o brief", obedeça — não ofereça estilo nem mostre um rascunho de roteiro antes do tópico ser acordado. Obtenha aprovação (ACC) do usuário em cada fase (escolha 1 dentre opções) antes de prosseguir.
- Cena 1: teste visual + ACC primeiro, só depois VO e as outras cenas. Nunca construa o vídeo inteiro (todas as cenas + render MP4) antes da cena 1 ser aprovada pelo usuário.
- Não carregue bagagem de projetos anteriores. Cada vídeo = nova pasta e comece com um brief limpo; o usuário frequentemente pede "esqueça o projeto anterior, pesquise do zero".
ARMADILHA (cara): Construir de memória/intuição em vez de ler os sub-skills gera uma
apresentação de slides — cada cena vira uma <section> com fade in-out. Isso viola a Lei nº 1
e exige um render completo (~9 minutos) antes de perceber que "está horrível".
Leia o bang-motion PRIMEIRO; comece de index.fc-reference.html, não escreva do zero.
SOP DE POSICIONAMENTO & SEQUÊNCIA DE TRABALHO (padrão de consistência entre sessões)
Fonte: projeto #11 "Empresa Sem Funcionários" (7 cenas, 55,8 seg) concluído sem uma única revisão de layout. Este é o método correto que resultou em um trabalho limpo na primeira tentativa. Siga a sequência exatamente — pular uma etapa = refazer o render inteiro.
Fase A — PREPARAÇÃO (antes de tocar no HTML)
- VO primeiro, não o visual. Assim que o usuário enviar o arquivo de VO → processe imediatamente:
(loudnorm é OBRIGATÓRIO — evita alucinações do Whisper).ffmpeg -i vo_raw.mp3 -af loudnorm=I=-16:TP=-1.5:LRA=11 -ar 16000 -ac 1 vo_norm.wav - Transcrição palavra por palavra (modelo
small,language="id",word_timestamps=True,vad_filter=True,temperature=0,beam_size=5, int8). Decodifique manualmente comsoundfile→numpy (evite o bug doav). Resultado:vo_words.json= fonte da verdade para TODOS os timings. - Mapeie os limites das cenas a partir dos timestamps, não do roteiro. Exemplo real:
VO #11 cai em 8 cenas →
0/7.7/16.3/22.4/29.1/36.4/41.6. Cada cena começa =startda primeira palavra da sua frase de abertura. O visual aparece EXATAMENTE quando a frase é pronunciada.
Fase B — POSICIONAMENTO (chave para a organização)
Organização = grade disciplinada + cada cena com um foco. Regras concretas (evidência do #11):
- Uma zona vertical por função. Em 1080×1920: manchete/título na faixa superior (y≈300), visual principal na faixa do meio (y 560–1250), legenda de encerramento na faixa inferior da cena (y≈1330), legenda (subtitle) FIXA em y≈1460. Não misture funções entre faixas.
- Nós/colunas simétricos usando esquerda–centro–direita:
left:250/540/830px(centro 540). O centro pode tertopligeiramente mais alto que as bordas para dar vida à composição, MAS a distância horizontal entre os três é a mesma. - Cartões equilibrados (comparação A-vs-B):
width&top& padding IGUAIS para ambos os cartões; a única diferença é o conteúdo. Não deixe um gordo e outro magro. - Legenda (subtitle) fora de
#world(filha de#stage, não de#world) para não ser afetada pela câmera. - Meça, não adivinhe. Cada texto deve passar no
audit_overlap(0 colisões) &audit_center(desvio do centro <250px). Use bounding-box, não o olho.
Fase C — ANIMAÇÃO (chave para "vivo mas calmo")
- Totalmente determinístico. Tudo = função pura de
t. ZeroMath.random(). Ambientes (chuva de matrix, partículas) usem RNG com semente (mulberry32(seed)) para que cada render seja idêntico. - rAF = inimigo do render. Desative
window.requestAnimationFrameviapage.evaluateOnNewDocument(()=>{window.requestAnimationFrame=()=>0;})ANTES degoto— caso contrário, o loop de reprodução automática sobrescreve__seeke os frames ficam aleatórios. (Padrão: rAF é SOMENTE para pré-visualização no navegador, não para render headless.) - Sincronia de frases. Cada batida visual usa o timestamp da palavra de
vo_words.jsoncomo âncora do tween (exemplo: o nó PESQUISA aparece nostartda palavra "pesquisa"). - Movimento contínuo: deriva suave da câmera vertical por cena (
y:-55→0), pulsação de anel (scale 1↔1.06 yoyo), contador numérico subindo, chuva de moedas. Todos passam no limiar de diferença média de movimento (Gotcha #12). - Gancho = set, não fade-in. Frame 0 = thumbnail do TikTok → o texto do gancho JÁ está
completo em t=0 (
tl.set, nãofromTocom opacidade 0). Não deixe o primeiro frame vazio.
Fase D — VERIFICAÇÃO ANTES DO RENDER COMPLETO
- Execute
node snap.mjs→ capture 15+ pontos-chave → veja via visão (não apenas auditoria do DOM). O nome do arquivo de snapshot = SEGUNDO, não o índice da cena (snap_00003= t≈0,3 seg, NÃO é a cena 3). Antes de avaliar pela visão, mapeie os pontos de auditoria para o número da cena correto — verificar o frame da "cena hexágono" no frame do gancho passará em branco e fará você acreditar erroneamente que a cena está correta. - Desative o rAF no snapshot (da mesma forma que no render) → o snapshot agora é determinístico.
- Verifique cena por cena: texto cortado? sobreposição? espaço vazio excessivo? ícone legível?
- Só então faça o render completo (
--sampai 3primeiro para testar, depois completo + resume anti-OOM). - Armadilha de re-tema (escuro↔claro): o fundo pode continuar escuro mesmo com a cor principal
alterada. Ao mudar o tema do vídeo para claro/escuro após o render, a alteração de cor GLOBAL
(fundo do body, texto) NÃO altera o gradiente de fundo POR CENA que foi escrito manualmente
(ex.:
#sc7 .bg{background:linear-gradient(180deg,#0a2a3a…)}) e a sombra escura em elementos CTA — essa cena continua escura no MP4 mesmo que "já tenha alterado tudo". Correção: após o re-tema, use grep no html para encontrar padrões de gradiente e cor de fundo por cena (grep -nE "gradient|#0[0-9a-f]{5}" index.html) e garanta que cada cena foi alterada. Verificação objetiva via pixels, não pelo olho: extraia o frame de cada cena do MP4 e meça o brilho da área de fundo (np.array(Image.open(f).convert('RGB'))[:80,:80].mean(); >180 = claro, <100 = ainda escuro). Valores por cena, não um único frame. Isso é mais confiável do quevision_analyze, que frequentemente expira/recusa carregar imagens em sessões de desktop.
Antecipação de consistência entre sessões: este método funciona porque (a) o VO é processado ANTES do visual, (b) o posicionamento vem da grade, não do sentimento, (c) determinístico + com rAF desligado. Qualquer sessão que seguir as Fases A→D exatamente resultará em uma organização equivalente ao projeto #11.
Fluxo padrão (adaptável — use a parte relevante)
- Brief de 5 itens (motion-format): o quê, tópico+materiais, para quem, duração, proporção+legenda. Pergunte no máximo 1 vez, o resto use padrões.
- Estilo — o usuário mencionar → use diretamente; ainda não → ofereça 3 + 1 recomendação. Escreva
gaya.md(paleta hex + fontes, fonte, fundo, assinatura de movimento, 1 diferencial). O fundo não é escuro por padrão. O estilo vem do tema/marca, não de um modelo/referência. - Imagem de teste da cena 1 (±8 seg, qualidade final) → capture → mostre → usuário aprova.
- Roteiro por cena →
naskah.md. Ou se o usuário gravar ele mesmo: peça o arquivo de VO. Formato do roteiro quando mostrado no chat = PARÁGRAFO, não tabela. O usuário Hasbi quer ler o roteiro como uma história fluida (prosa por parágrafo), não uma tabela# | visual | VO | segundos. Escreva a tabela primeiro emnaskah.mdcomo blueprint interno (para mapear batida→visual, veja Gotcha #18), mas o que é MOSTRADO ao usuário para aprovação é a versão em parágrafo. Todo roteiro de vídeo do Hasbi DEVE terminar com a promoção do grupo do Telegram (grupodiskusitentangai, CTA no texto do VO + logotipo do grupo na tela final) — coloque o CTA dentro do próprio roteiro como a frase de encerramento do VO, não apenas como visual final. - VO + timing
- O usuário grava ele mesmo (ElevenLabs etc.): processe o arquivo. Transcrição + timestamp por palavra via faster-whisper (pipeline). Muito rápido → ofereça variações de velocidade (0,75/0,90/0,97) escolha uma.
- Via API ElevenLabs: clipe por cena, teste a cena 1 primeiro. Não gaste créditos sem permissão.
- Sincronize as frases usando pausas de respiração (
silencedetect).
- Construa todas as cenas — o tempo da cena segue o tempo do VO. Construa 2–3 → capture → corrija → repita. Dê "mais detalhes" na cena mais fraca. Zero erros de JS.
- AUDITORIA DE LAYOUT ANTES DO RENDER (obrigatório, veja o pipeline): 0 overflow, sem colisão
com elementos, legenda segura na zona UI inferior (Reels/TikTok ≈360px). Mais 0 frames
vazios — verifique cada cena no seu frame inicial (t0..t0+0,5): os elementos de conteúdo
(não-legenda) DEVEM ter opacidade>0. A auditoria DOM que apenas verifica colisão/overflow
NÃO captura isso (veja Gotcha #6).
7b. AUDITORIA DE MOVIMENTO ANTES DE ENTREGAR (obrigatório, separada da auditoria de layout).
A auditoria de layout e "frame vazio" apenas prova que o CONTEÚDO EXISTE, não que o VÍDEO SE
MOVE — um vídeo estático (apresentação de slides morta) passa em ambas e depois falha
totalmente aos olhos do usuário. Meça o movimento real: extraia dois frames do MP4 final no
meio de UMA cena (não entre cenas, ex.: t e t+0,4) → calcule a média da diferença absoluta de
pixels
mean(|A-B|). mean diff < 1,0 = a cena está ESTÁTICA, rejeite. Toda cena deve passar — ter conteúdo- ter movimento entre frames são duas portas diferentes; passar em uma não significa passar na outra. (Veja Gotcha #12.)
- Render: verifique ±8 seg → usuário ouve/vê → render completo → MP4.
Leis obrigatórias (resumo do bang-motion + motion-format)
- Vídeo, não slide. A câmera/mundo se move; as cenas mudam porque o mundo se move,
não porque uma
<section>é esmaecida. Um único assunto/linha visual vermelha persiste. - Determinístico. Todo visual = função pura de
t/tl.time(). ZeroMath.random()sem ser realmente aleatório,Date,performance.now. - Estilo vem do tema, não de um modelo/referência. Referência = ritmo, não casca. Dois
vídeos diferentes diferem em ≥3 de: paleta, fonte, fundo, assinatura de movimento. Exceto
séries (Parte 1,2,…): deve ser consistente.
- Não clone o layout de vídeos anteriores. Apenas trocar a paleta/fonte e usar a mesma
estrutura
<título acima> + <imagem pequena> + <cartão abaixo>ainda parecerá "muito igual" para o usuário — cor diferente não é design diferente. Ao começar um novo vídeo (não uma série), reformule a COMPOSIÇÃO de cada cena, não apenas recolorir um template. - Dê a cada cena UM foco grande (um herói) na faixa do meio, sem elementos sobrepostos. O usuário rejeita layouts poluídos/empilhados. Organize o herói na área central, o restante como suporte embaixo/nas bordas — não dois ou três blocos do mesmo tamanho lado a lado.
- Não clone o layout de vídeos anteriores. Apenas trocar a paleta/fonte e usar a mesma
estrutura
- Texto vivo, fundo submisso. Sentence case; pontuação apenas se mudar o significado/o
ritmo; contraste forte; fundo não é de uma cor sólida.
- O texto não deve encostar na borda. Texto largo (
width:100%+text-align:center) com fonte grande (≥56px) pode tocar/encostar nas bordas esquerda/direita. O usuário rejeita isso ("muito colado na borda"). Dê um padding lateral mínimo de 50px OU substituawidth:100%porleft:50px; right:50pxpara cada texto de uma linha grande. Verifique via DOM: o bounding-box do texto deve ter uma distância ≥40px da esquerda e da direita do canvas.
- O texto não deve encostar na borda. Texto largo (
- O gancho se move desde o frame 0. Momentos importantes recebem ±2,5 segundos.
- Legenda palavra por palavra para 9:16; palavras-chave na cor de destaque; na zona segura.
- Fatos na tela = fatos no roteiro. Não invente números.
- Linhas de conexão (diagrama de nós): SVG na camada mais inferior da cena, âncora borda-a-borda (não centro do logotipo), curva suave — nunca atravessando ícones/texto.
- Logotipo de identidade = ativo original do usuário/marca (pegue da web se necessário), não um emoji genérico.
Verificação (você não pode assistir — só vê FRAMES)
- Capture segundos-chave via
snap.mjs(pipeline) /mf.py potret(motion-format). - Monte uma contact sheet → avalie: texto cortado? sobreposição? linha atravessando? ainda slide?
- Auditoria de layout via DOM (
getBoundingClientRect) antes do render completo. - MP4 apenas na exportação final — não como ferramenta de verificação.
- Auditoria de "frame vazio" via análise de pixels (confiável quando o backend de visão
está offline): extraia frames do MP4 a cada 0,25 seg, calcule a % de pixels escuros (lum<100)
na zona da cena (y 200–1300). Frames com <0,5% = cena quase vazia. Se o frame "mais mínimo"
cair exatamente em
t0de cada cena → há um atraso vazio no início da cena (Gotcha #6). Pode também ser via DOM: conte elementos não-legenda com opacidade>0 em t0 e t0+0,1 de cada cena.
Entrega
index.html/scene.htmlaberto via...
[truncado para tradução]