Instalação do plugin: Antes de executar comandos de configuração ou atualização, siga as regras de execução do plugin quando esta skill estiver dentro de um plugin HyperFrames. Instalações independentes mantêm as instruções de atualização abaixo.
Primeiro, mantenha esta skill atualizada — confirme com o usuário antes de executar:
npx hyperframes skills update talking-head-recut. Uma operação rápida sem alterações quando tudo está atualizado; caso contrário, atualiza esta skill e as skills de domínio principais das quais ela depende, antes de você utilizá-las.
Talking Head Recut
Talking Head Recut pega um vídeo local que é reproduzido na íntegra e sobrepõe uma sequência de
cartões gráficos temporizados e estilizados — títulos, barras inferiores, destaques 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, em seguida, monta um único HTML de composição e o renderiza para MP4 via
hyperframes. Não há uma lista fixa de arquétipos e nem uma estrutura de cartão pré-determinada —
as sobreposições emergem do que a transcrição realmente diz.
A porta de entrada é
/hyperframes. Esta skill empacota um clipe de cabeça falante existente com cartões gráficos estilizados (títulos, barras inferiores, destaques de dados, citações, painéis laterais, PiP) — não legendas simples (as palavras faladas como texto). O clipe é reproduzido intacto. Qualquer outra intenção — legendas simples, um gráfico independente, um vídeo do zero — ou qualquer incerteza → leia/hyperframesprimeiro: a camada de intenção decide cada rota.
Skill irmã de empacotamento gráfico de
embedded-captions. Legendas adicionam as palavras faladas como um texto legível; esta skill adiciona gráficos estilizados sobre o vídeo em reprodução. Legendas simples →embedded-captions. Criar um vídeo do zero → os fluxos de criação (product-launch-video/faceless-explainer/ …).
Roteada através de /hyperframes, a camada de intenção confirma apenas a entrada (qual clipe) e anuncia as perguntas da estratégia de renderização como perguntas adiadas — proporção, layout, grupo de estilo e contagem de cartões permanecem na Etapa 7, onde a filmagem analisada e a transcrição fundamentam as recomendações; as perguntas de forma de execução da camada não se aplicam. Um BRIEF.md, quando presente, contém 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 do cartão (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 com 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 incluídos:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
Requerido:
ffmpeg/ffprobe(sistema)<SKILL_DIR>/assets/fonts/*.woff2,<SKILL_DIR>/assets/vendor/gsap.min.js(incluídos nesta skill, copiados para o diretório de trabalho na Etapa 9)
A transcrição não precisa de chave — hyperframes transcribe executa 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/<nome-do-projeto>/ — 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 workspace; tudo abaixo é escrito neste único 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 (palavra text + timestamps start / end).
Leia-o para obter os tempos das palavras/frases que guiam 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. Whisper pode retornar o end da última palavra um pouco além do
comprimento real do clipe — limite cada endSec do cartão e composition.durationSeconds à duração do
metadata.json, caso contrário a renderização mostrará uma cauda preta 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 do ASR:
- Homófonos, nomes de produtos, termos técnicos, pontuação
- Edite o
textde uma 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. Esboçar 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 da CLI o consome; ele existe para que você possa pensar claramente
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 orientar a
composição que você cria 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 introspecção às 23h",
"detail": "Mensagem de voz de 60 segundos 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 | number | tempos em segundos (endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | qual das 5 cores de acento do tema este cartão puxa |
zone | enum (veja abaixo) | onde na tela o cartão vive |
contentHints | object | saco de forma livre; o agente coloca kicker/title/detail/data/quote 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 entre cartões |
Cinco valores de zone:
| zone | limites resolvidos | quando usar |
|---|---|---|
fullscreen | cobre toda a tela | momentos heroicos, números grandes, 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) | lado dos dados, vídeo do outro lado |
video-overlay | tela inteira, espera cartão principalmente transparente | sobreposições de anotação em vídeo em tela cheia |
Ao montar a composição na Etapa 9, resolva a zone de cada cartão
em limites de pixel 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", crie tweens GSAP contra
#video-wrap no <script> da composição (veja 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 começar com um número ou com uma história. Deixe a transcrição ditar o ritmo.
Quantos destaques? — inferir automaticamente da duração + densidade. Nenhum limite superior fixo. Escolha um ritmo base da duração do vídeo e ajuste pela densidade de informações. Apenas o mínimo é fixo: mínimo de 5 cartões para que mesmo vídeos curtos tenham ritmo.
Etapa 1 — ritmo base por duração (o s/cartão natural para densidade média):
| duração do vídeo | ritmo base (segundos por cartão) | justificativa |
|---|---|---|
| < 60s (curta) | 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 de formato longo |
| > 30 min | 30–60s | episódico, quase como capítulos |
Etapa 2 — multiplicador de densidade (multiplica o ritmo base):
| sinal na transcrição | multiplicador | efeito |
|---|---|---|
| Alta densidade — muitos números, afirmações distintas, ritmo staccato, enumeração como lista, a cada 1–2 frases é uma nova ideia | × 0.7 | cortes mais rápidos, mais cartões |
| Densidade média — fluxo misto com dados e narrativa | × 1.0 | ritmo base |
| Baixa densidade — uma história estendida, reformulação repetida, ritmo reflexivo lento, argumento único se desenrolando | × 1.5 | cortes mais lentos, menos cartões |
Etapa 3 — calcular:
segundosPorCartao = ritmoBase × multiplicadorDensidade
contagemCartoes = max(5, round(duracaoVideoSeg / segundosPorCartao))
Exemplos (observe — nenhum limite superior; vídeos longos naturalmente produzem mais cartões):
- Curta de 30s, uma única piada (baixa densidade) → 7 × 1.5 = 10.5s/cartão → round(30/10.5)=3 → mínimo de 5 cartões
- Monólogo reflexivo de 60s (baixa densidade) → 10 × 1.5 = 15s/cartão → 4 → mínimo de 5 cartões
- Cabeça falante 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 que ~15s, planeje um cartão mais rico (bloco de dados,
revelação em várias etapas, vários subpontos se desenrolando com animações
escalonadas) — uma frase estática fica chata após 8s. Para peças longas
onde muitos cartões excedem 30s, considere dividir a linha do tempo em
sub-composições (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.
contentHints é um objeto de forma livre; suas chaves e aninhamento podem assumir qualquer
forma que capture os dados. O agente decide a forma por cartão.
Outro opcional. Esta skill não inclui um outro de marca fixo. Se o usuário quiser um cartão de encerramento, projete um neutro você mesmo (marca nominal + slogan de uma linha, ~1.5-2s, fade in -> breve retenção -> fade out), anexe-o a cards[] e estenda composition.durationSeconds até o seu fim.