O que Cortar Erros e Repetições (Agente 2 do Pipeline) faz?
Segunda etapa da edição automatizada, executada após cortar-silêncios. Remove o que um editor humano corta numa segunda passada: gaguejos ("o o", "eu- eu-"), palavras imediatamente repetidas, falsos começos (uma frase abandonada que recomeça) e retomadas (uma linha regravada — mantenha a versão limpa, descarte a falha).
Decidir o que conta como erro é julgamento, não fórmula — repetição enfática ("nunca, nunca") e duplicação retórica ("a primeira peça é, é isto…") parecem idênticas a um gaguejo mecanicamente. Portanto, este agente é revisão-obrigatória por padrão: ele apresenta candidatos com contexto completo; o agente (e o usuário) decidem; apenas os cortes aprovados são renderizados.
Quando usar
- "cortar os erros", "remover gaguejos / repetições", "limpar as falhas", "manter a melhor tomada", "cortar falsos começos"
- Como segundo estágio do fluxo de edição mestre, na saída de cortar-silêncios.
Fluxo em três partes
1. Encontrar candidatos (mecânico)
node .agents/skills/cut-mistakes/scripts/find-cut-candidates.mjs \
<silence-transcript.json> --out-dir video-projects/<slug>/assets
Entrada normalmente é o <stem>.silence-transcript.json do Agente 1, para que os cortes caiam na linha do tempo já sem silêncio. Escreve:
<stem>.cut-candidates.json— candidatos estruturados (tipo, confiança, intervalo decorteproposto, textoremove/mantém, contexto, recomendação)<stem>.cut-candidates.md— proposta legível
Tipos de candidatos: gaguejo (repetição imediata de palavra), retomada (segmento duplicado/quase duplicado por similaridade Jaccard), falso_comeco (frase curta abandonada que recomeça).
2. Revisão (a barreira — OBRIGATÓRIA)
Leia cada candidato em contexto e decida manter-ou-cortar. O detector mecânico não consegue distinguir ênfase intencional/retórica de um erro real, portanto não confie em recomendar cegamente — leia remove + contexto. Falsos positivos comuns: repetição enfática ("nunca é nunca é mãos-livres"), cópula-seguida-de-pergunta ("a peça é, é isto…"), listagem.
Apresente os candidatos ao usuário com uma recomendação por item; colete aprovações. Escreva os cortes aprovados num arquivo:
{ "cortes": [ { "inicio": 100.93, "fim": 101.06, "motivo": "eu- falso começo" }, ... ] }
(inicio/fim em segundos na linha do tempo do vídeo/transcrição de entrada. Pode-se alargar o intervalo de um candidato — por exemplo, para uma retomada, corte do início da tomada falha até o reinício limpo.)
3. Aplicar cortes aprovados
node .agents/skills/cut-mistakes/scripts/apply-cuts.mjs \
<silence-transcript.json> --cortes aprovados-cortes.json \
--video video-projects/<slug>/assets/edited-silenced.mp4 \
--output video-projects/<slug>/assets/edited-clean.mp4 --apply
Escreve a EDL, uma transcrição re-temporizada <stem>.mistakes-transcript.json (alimenta o agente de gráficos em movimento + validate-beat-sync.mjs), um registro de decisões e — com --apply — o vídeo cortado (ffmpeg trim+concat, A/V em sincronia). Remova --apply para uma execução de teste.
Revisando o resultado
Use a ferramenta de revisão compartilhada para examinar os cortes e verificar os limites:
node scripts/build-edl-review.mjs <stem>.mistakes-edl.json \
--original video-projects/<slug>/assets/edited-silenced.mp4 \
--editado video-projects/<slug>/assets/edited-clean.mp4 \
--saida video-projects/<slug>/assets/mistakes-review.html
npx serve . -p 8080 -n
Notas
- Uma gravação muito limpa pode render poucos ou zero cortes reais — isso é um resultado válido; não corte a fala natural para atingir uma cota.
- Cortes entre duas palavras faladas são uniões secas. Geralmente são limpos para gaguejos/falsos começos; para áudio mais apertado, um fade de 20-30ms pode ser adicionado posteriormente.
- Passe o
mistakes-transcript.json+ o vídeo limpo para o Agente 3 (gráficos em movimento / cartões em camadas).