O que long2short faz?
Você é o editor: você escolhe os momentos, escreve os títulos gancho e stickers, e decide o corte. Os scripts fazem o trabalho pesado (transcrição, detecção de cenas, rastreamento, corte, renderização) e rodam localmente. Tudo passa por uma CLI:
python3 <skill>/scripts/l2s.py [-p PROJECT] <comando> ...
<skill> é a pasta deste skill. Uma pasta de projeto (padrão <pasta do vídeo>/long2short) contém
project.json, o proxy, transcrição, lista de cenas e uma pasta por clipe (clips/clipNN/).
Os clipes finalizados vão para project.json → out (padrão <pasta do vídeo>/clips).
Requisitos: macOS (Apple Vision para rastreamento, VideoToolbox para ProRes rápido), ffmpeg, Node (npx
HyperFrames), ferramentas de linha de comando do Xcode (swiftc), whisper-cli + um modelo ggml (ou python whisper).
O timing das legendas (forced alignment) funciona para idiomas com escrita latina; números são escritos por extenso para o alemão em force_align.py – estenda spell() para outros idiomas.
Nada é incluído neste skill além de instruções e código. Na primeira execução em uma máquina, execute
l2s.py setup – ele baixa tudo para ~/.cache/long2short: um ambiente Python privado
(torch/torchaudio para forced alignment), os efeitos sonoros CC0, a fonte das legendas (Montserrat,
OFL) e, se nenhum estiver instalado, um modelo whisper.cpp; também compila os helpers do Apple Vision.
Depois l2s.py doctor. Execute setup novamente sempre que doctor reportar algo faltando. Se algo estiver faltando, mostre ao usuário o comando de instalação exato.
1. Preparar o vídeo (uma vez por vídeo)
l2s.py init "/caminho/video.mp4" --lang de
Cria proxy, áudio de 16 kHz, transcrição de palavras (transcript.txt com códigos de tempo), scenes.json
e folhas de contato (sheets/, um frame por cena com códigos de tempo). Vídeos longos levam minutos –
execute em segundo plano e avise o usuário.
Adicione erros de transcrição recorrentes (nomes, marcas) a project.json → glossary
({"Air bee and bee": "Airbnb"}); eles são corrigidos automaticamente quando as palavras são mapeadas em um clipe.
2. Escolher os momentos (seu julgamento)
Leia references/editorial.md antes de escolher. Resumindo: leia todo o transcript.txt, olhe
para cada folha de contato (é assim que você encontra momentos fortes sem fala – uma máquina no
trabalho, um animal, uma grande revelação), depois escreva uma lista para o usuário: número, título de trabalho / gancho, intervalos
de origem, duração, por que funciona. Duração padrão 60–90 s (o Creator Rewards do TikTok só paga por
vídeos com mais de um minuto), a menos que o usuário queira outra coisa. Aguarde a aprovação do usuário antes de
renderizar um lote quando ele pediu para revisar as escolhas; caso contrário, continue.
Cada clipe deve ser independente. Um espectador vê esta pessoa e tópico pela primeira vez: os primeiros 3 segundos (texto do gancho + frase de abertura) devem dizer onde estamos e do que se trata (por exemplo, "Em Lisboa…"), e o clipe não pode depender de outras partes do vídeo ("depois desta viagem", "como eu disse", "o segundo"). Comece após tais frases ou remova-as.
3. Construir cada clipe
l2s.py -p P plan NN "A-B[,C-D]" [--teaser VS VE AS] [--seed T:CX:CY]
l2s.py -p P words NN # imprime as palavras com índices – corrija o texto em words_raw.json
l2s.py -p P align NN [MM ...] # forced alignment: timing exato das palavras (o modelo carrega uma vez para todos os clipes)
# escreva clips/clipNN/hf_config.json (veja references/config.md)
l2s.py -p P finish NN "NN_titulo-curto" # corte -> gráficos -> renderização -> composição
- Intervalos são segundos absolutos da fonte. Corte nos limites das sentenças; use os tempos das palavras em
words.json. Os segmentos são unidos em ordem; um--teaser(tomada de recompensa de 2–3 s mostrada primeiro, com áudio deAS) cria uma abertura fria forte. - Revisão do corte custa tokens – só olhe quando for instruído.
planimprimeno anomaliesou uma lista de ANOMALIAS. Só então abraclips/clipNN/spec.review.jpg(caixa amarela = janela 9:16, ponto vermelho = sujeito rastreado, grade ciano em passos de 0.1). - Objetos (drone, robô, carro) não são encontrados automaticamente: para um trecho relatado como
"no person", leia a posição do objeto na grade e execute
plannovamente com--seed T:CX:CY(tempo da fonte, x, y em 0–1). Ele ajusta ao objeto e o rastreia. - Correções de texto antes do alinhamento. Corrija palavras mal interpretadas em
words_raw.json; se uma passagem for ininteligível, remova-a das legendas (dropem hf_config) em vez de adivinhar. - Execute
alignuma vez para vários clipes para economizar tempo.
4. Entregar
Relate uma pequena tabela: clipe, duração, caminho do arquivo, gancho e uma legenda pronta para publicar com hashtags.
Não verifique novamente os renders quadro a quadro quando o usuário disse que irá revisar por conta própria.
Os arquivos intermediários são grandes (~2 GB por clipe em clips/clipNN/); ofereça-se para excluí-los após o
usuário aprovar os resultados.
Estilo fixo (aprovado – não altere sem ser solicitado)
- Legendas: Montserrat Black, maiúsculas, brancas com contorno preto, 1–3 palavras, palavra ativa amarela
#FFD400com um pop curto, palavras-chave em uma pílula amarela; centralizadas horizontal e verticalmente no terço inferior; aparecem 0,12 s antes da palavra. - Gancho: pílulas pretas no topo, palavras de destaque amarelas, primeiros ~3 s. Stickers informativos: pílula amarela + emoji no topo, ajustados automaticamente à largura do quadro.
- Som: 5–7 efeitos sutis por clipe (pop, whoosh, impacto, ka-ching; CC0, baixados pelo setup), sem música (a música é adicionada no aplicativo). Loudness −14 LUFS, pico verdadeiro −1 dBTP.
- Corte: uma janela 9:16, rastreamento suave. Sem zoom punch-in e sem layout "ajustar" com letterbox/desfoque – ambos foram testados e rejeitados (o zoom-out parecia esmagamento).
Quando algo parecer errado, leia references/troubleshooting.md – ele lista as causas raiz
já encontradas (vazamentos nas bordas da cena, oscilação, atraso da legenda, …) e como os scripts lidam com elas.