Communitygithub.com

unempyd/revenueos

Edite áudio ou vídeo de podcast — corte conversa pré/pós-show, remova palavras de preenchimento, corte silêncios, melhore a qualidade de áudio e produza uma versão em vídeo com a mesma edição. Use quando o usuário pedir para editar um podcast, limpar o áudio, remover preenchimentos, aparar uma gravação ou melhorar a qualidade da voz.

O que é revenueos?

Esta skill, **Podcast Edit Skill**, capacita agentes de IA a processar gravações brutas de podcasts ou reuniões e transformá-las em episódios de podcast polidos. Ela oferece um conjunto completo de recursos: corte inteligente para localizar o início e fim reais do conteúdo, remoção de palavras de preenchimento como "um", "uh" e similares, corte de silêncios longos para pausas naturais, e uma cadeia de aprimoramento de áudio que inclui redução de ruído, equalização, balanceamento de volume entre múltiplos falantes e normalização de loudness para o padrão de podcast (−16 LUFS). Além disso, permite re-aplicar cortes cirúrgicos em episódios já finalizados, extrair clipes de destaque e montar um resumo de ~1 minuto com música, e aplicar as mesmas edições a gravações de vídeo (como Zoom ou Riverside). A skill é projetada para ser usada com agentes como Claude Code, Cursor ou Codex, e depende de ferramentas externas como `ffmpeg`, `ffprobe` e a API Whisper da OpenAI para transcrição. O fluxo de trabalho é altamente detalhado e orientado a comandos, com scripts Python auxiliares para remoção de preenchimentos e corte de vídeo, garantindo resultados consistentes e de alta qualidade.

Funciona com~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/unempyd/revenueos/tree/HEAD/skills/creative/podcast-edit

Perguntar na sua IA favorita

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

Documentação

Skill de Edição de Podcast

Processe gravações brutas de podcasts/reuniões em episódios de podcast polidos.

Capacidades

  1. Corte inteligente — Encontre onde o podcast realmente começa e termina, transcrevendo e detectando introduções/conclusões
  2. Remoção de palavras de preenchimento — Remova tiques verbais: 嗯, 呃, 啊, 哦, 对对对, hum, uh, etc.
  3. Corte de silêncios — Corte pausas longas (>2s) para pausas naturais (~0,6s)
  4. Aprimoramento de áudio — Redução de ruído, equalização, balanceamento de volume entre múltiplos falantes, normalização de loudness para o padrão de podcast (−16 LUFS)
  5. Re-corte de um episódio finalizado — Remova cirurgicamente seções sinalizadas de um episódio já renderizado sem reexecutar todo o pipeline
  6. Clipes de destaque e resumo — Corte trechos compartilháveis e monte um resumo de ~1 minuto com música
  7. Corte de vídeo — Aplique a mesma edição a uma gravação de vídeo Zoom/Riverside (veja "Episódios em vídeo")

Pré-requisitos

  • ffmpeg e ffprobe instalados
  • OPENAI_API_KEY no ambiente (para transcrição pela API Whisper)
  • Python 3 com apenas stdlib (sem dependências extras para o script auxiliar)
  • Opcional: resemblyzer (pip install resemblyzer) — apenas para diarização de falantes ao construir resumos de destaque

Fluxo de trabalho

Passo 1: Inspecione o arquivo de áudio

ffprobe -v quiet -print_format json -show_format -show_streams "ARQUIVO_ENTRADA"

Anote: duração, taxa de amostragem, canais, codec, bitrate.

Passo 2: Encontre o início/fim do podcast (se o usuário disser para cortar início/fim)

Divida em pedaços de 5 minutos e transcreva via API Whisper da OpenAI com timestamps em nível de segmento:

# Extrair pedaço
ffmpeg -y -i "ARQUIVO_ENTRADA" -ss OFFSET -t 300 -ar 16000 -ac 1 /tmp/chunk_OFFSET.mp3

# Transcrever
curl -s https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F file="@/tmp/chunk_OFFSET.mp3" \
  -F model="whisper-1" \
  -F response_format="verbose_json" \
  -F language="IDIOMA" \
  -F 'timestamp_granularities[]=segment' > /tmp/transcript_OFFSET.json

Varra as transcrições em busca de:

  • Marcadores de início: "bem-vindo", "olá a todos", "olá", "começando", música de introdução, primeira frase de tópico substantiva
  • Marcadores de fim: "até a próxima", "tchau", "obrigado por ouvir", seguido de conversa pós-show

Faça um corte inicial com -ss INICIO -to FIM e -c copy (sem recodificação) para criar um arquivo de trabalho.

Passo 3: Remova palavras de preenchimento

Divida o arquivo cortado em pedaços de 5 minutos e transcreva cada um com timestamps em nível de palavra:

# Extrair pedaços
for i in $(seq 0 300 DURACAO); do
  ffmpeg -y -i "ARQUIVO_CORTADO" -ss $i -t 300 -ar 16000 -ac 1 /tmp/wchunk_${i}.mp3
done

# Transcrever cada pedaço (pode ser executado em paralelo)
for i in $(seq 0 300 DURACAO); do
  curl -s https://api.openai.com/v1/audio/transcriptions \
    -H "Authorization: Bearer $OPENAI_API_KEY" \
    -F file="@/tmp/wchunk_${i}.mp3" \
    -F model="whisper-1" \
    -F response_format="verbose_json" \
    -F language="IDIOMA" \
    -F 'timestamp_granularities[]=word' \
    -F 'timestamp_granularities[]=segment' > /tmp/wtranscript_${i}.json &
done
wait

Em seguida, execute o script de remoção de preenchimentos que acompanha esta skill:

python3 ./filler_removal.py \
  --total-duration DURACAO \
  --end-at TIMESTAMP_FIM \
  --cut INICIO1:FIM1 --cut INICIO2:FIM2 \
  --chunk-offsets 0,300,600,900,...

Argumentos:

  • --total-duration: Duração do arquivo de entrada cortado em segundos (obrigatório)
  • --end-at: Corte tudo após este timestamp (ex.: início da conversa pós-show)
  • --cut INICIO:FIM: Corte um intervalo específico. Pode ser repetido.
  • --chunk-offsets: Offsets dos pedaços separados por vírgula (padrão: auto 0,300,600,...)

O script gera /tmp/ffmpeg_filter.txt com um filtro atrim+concat.

Aplique o filtro em duas passadas:

# Passo A: Corte preenchimentos → WAV intermediário (evita artefatos de recodificação)
ffmpeg -y -i "ARQUIVO_CORTADO" \
  -filter_complex_script /tmp/ffmpeg_filter.txt \
  -map '[out]' -c:a pcm_s16le -ar 44100 /tmp/podcast_cut.wav

# Passo B: Aprimore áudio → MP3 final
ffmpeg -y -i /tmp/podcast_cut.wav \
  -af "CADEIA_APRIMORAMENTO" \
  -c:a libmp3lame -b:a 192k "ARQUIVO_SAIDA"

Limitações: Timestamps em nível de palavra do Whisper para chinês podem perder preenchimentos que estão mesclados à fala adjacente. O script captura preenchimentos isolados de forma confiável, mas pode perder ~10–20% dos incorporados.

Passo 4: Cadeia de filtros de aprimoramento de áudio

Cadeia padrão (amigável ao convidado — lida com desequilíbrio de volume entre múltiplos falantes). O maior erro em execuções passadas é usar um gate de ruído (agate) que silencia completamente o convidado mais quieto. Nunca adicione agate de volta à cadeia padrão.

highpass=f=80,                                    # Remove ruído ambiente
lowpass=f=12000,                                  # Remove chiado (use 7500 para fontes de 16 kHz)
afftdn=nf=-25:nr=8:nt=w,                         # Redução de ruído FFT suave
equalizer=f=180:t=q:w=1.5:g=-2,                  # Corta "lama"
equalizer=f=2500:t=q:w=1.2:g=3,                  # Aumenta presença
equalizer=f=4500:t=q:w=1.5:g=1.5,                # Aumenta clareza
dynaudnorm=f=200:g=5:p=0.95:m=5:s=0,             # Normalização com janela deslizante — aumenta o falante mais quieto independentemente
acompressor=threshold=-20dB:ratio=2:attack=5:release=200:makeup=1,  # Compressão suave
loudnorm=I=-16:TP=-1.5:LRA=13                    # Loudness padrão de podcast

Por que dynaudnorm é a estrela: ele normaliza em janelas deslizantes de 200 ms, então quando o convidado está falando, aquela janela é aumentada independentemente das janelas mais altas do apresentador. A ordem importa — execute dynaudnorm ANTES de acompressor para que o compressor veja um sinal balanceado.

Nunca adicione estes à cadeia padrão:

  • agate (gate de ruído) — corta qualquer falante mais quieto que o limite; mata o convidado.
  • Compressão pesada (ratio >3:1, makeup >2 dB) — achata a dinâmica e faz o convidado soar artificial.
  • LRA estreita (<12) no loudnorm — esmaga a dinâmica natural da fala.

Ajuste o lowpass com base na taxa de amostragem da fonte:

  • Fonte de 16 kHz → lowpass=7500
  • Fonte de 44,1 kHz ou superior → lowpass=12000 (ou pule)

Verifique a audibilidade do convidado após a renderização: execute ffmpeg -i SAIDA -af "ebur128=peak=true" -f null - e verifique se I: está próximo de −16 LUFS e LRA: está entre 4–6 LU (LRA mais apertada é aceitável porque dynaudnorm fez o balanceamento por janela primeiro). Se a saída parecer que o convidado foi cortado, suspeite de um gate ou compressor agressivo que voltou.

Passo 5: Verifique a saída

ls -lh "ARQUIVO_SAIDA"
ffprobe -v quiet -show_entries format=duration -of csv=p=0 "ARQUIVO_SAIDA"

Relate: duração, tamanho do arquivo, o que foi removido (contagem de preenchimentos, contagem de silêncios, tempo economizado).

Episódios em vídeo (gravações Zoom / Riverside)

Quando a fonte é um vídeo e o usuário deseja um vídeo cortado de volta (ex.: um co-apresentador precisa do episódio editado para dublar em outro idioma), execute os Passos 1–3 exatamente como acima — extraia os pedaços de áudio diretamente do mp4 com -vn — e então aplique os mesmos pontos de corte ao vídeo e áudio em uma única passada:

# 1) mesmos pedaços + transcrição do Passo 3, mas a partir do vídeo
for i in $(seq 0 300 DURACAO); do
  ffmpeg -y -v error -ss $i -t 300 -i FONTE.mp4 -vn -ar 16000 -ac 1 /tmp/wchunk_${i}.mp3 &
done; wait

# 2) filler_removal.py como de costume -> /tmp/ffmpeg_filter.txt

# 3) transforme seus segmentos mantidos em um filtro combinado de vídeo+áudio
python3 video_cut.py /tmp/video_filter.txt

# 4) uma passada de renderização (codificador de hardware; ~7 min para um episódio de 60 min 1080p)
ffmpeg -y -i FONTE.mp4 -filter_complex_script /tmp/video_filter.txt \
  -map '[vout]' -map '[aout]' \
  -c:v h264_videotoolbox -b:v 3500k -c:a aac -b:a 160k \
  -movflags +faststart episode-edited.mp4

Use -c:v libx264 -crf 21 -preset veryfast em vez de h264_videotoolbox em hardware não Apple.

Notas:

  • Construa --chunk-offsets como $(seq 0 300 3600 | paste -sd, -). Um campo vazio no final quebra o analisador de argumentos.
  • O resultado é no estilo corte seco. Isso é esperado e aceitável para uma grade de cabeças falantes; uma pequena dissolução em 400+ pontos de corte parece pior que um corte seco.
  • video_cut.py incorpora a cadeia de aprimoramento na mesma passada, então, ao contrário do caminho de áudio, não há WAV intermediário de duas passadas. Não execute a cadeia novamente depois.
  • Calcule ~1,5 GB para uma saída de 60 min 1080p — grande demais para enviar por e-mail, então faça upload e compartilhe um link.
  • Salve a lista de segmentos mantidos ao lado do episódio. Sem ela, uma solicitação posterior de "mesmo corte, mas como vídeo" terá que re-derivar os cortes, e eles não corresponderão à versão de áudio que você já entregou.

Convenções de saída

  • Formato: MP3, 192 kbps, mono (a menos que a fonte seja estéreo com canais separados por falante)
  • Loudness: −16 LUFS (padrão de podcast)
  • Sempre duas passadas: corte para WAV primeiro, depois aprimore para MP3

Re-corte de um episódio já finalizado

Quando o usuário sinalizar problemas específicos em um episódio publicado ("algumas frases ficaram", "corte a parte sobre X", "o final foi regravado", "remova a introdução duplicada"), não reexecute todo o pipeline a partir do bruto. Corte cirurgicamente os intervalos problemáticos do MP3 finalizado e recodifique uma vez:

  1. Retranscreva o arquivo final em pedaços de 5 min (granularidade de segmento) → um único transcricão com timestamps absolutos. Este é seu mapa.
  2. Para cada item sinalizado, obtenha timestamps em nível de palavra apenas para o pedaço que o contém (essas frases geralmente estão inseridas no meio da frase, não nos limites do segmento). Determine pontos de entrada/saída precisos.
  3. Construa um filtro atrim+concat que mantenha tudo exceto os intervalos de corte; renderize para WAV (pcm_s16le) e depois uma única passada MP3. Não reaplique a cadeia de aprimoramento — o final já está aprimorado/loudnorm; reexecutar processa duas vezes.
  4. Verifique cada junção: extraia uma janela de ~11s centrada em cada nova junção (na nova linha do tempo) e retranscreva-a. Confirme que o áudio ruim desapareceu e a junção está limpa.
  5. Recalcule qualquer linha do tempo de notas do programa: cada timestamp após um corte se desloca para trás pela soma dos comprimentos de todos os cortes anteriores a ele. Se o arquivo publicado anexar um resumo de destaques, também considere a duração do resumo como um deslocamento (um resumo recortado muda de comprimento, então todo o episódio se desloca).

Lista de verificação para re-corte — o que a primeira passagem geralmente deixa entrar

Estes sobrevivem à remoção de preenchimentos/silêncios porque estão mesclados a frases reais. Varra o transcricão em busca deles explicitamente:

  • Conversa técnica/de reunião: "você está mudo / tira o mudo", "sua voz está muito baixa / consegue me ouvir", "você pode ver minha tela", "espere um pouco, vou ver". Corte a frase, mantenha o conteúdo ao redor.
  • Tópicos sem saída: o painel levanta um produto/caso que ninguém pesquisou, então diz "vamos pular isso / deixa pra lá" — corte todo o desvio, não apenas a linha de pular.
  • Segmentos regravados (especialmente finais): uma primeira tentativa confusa, depois um marcador como "vamos começar de novo / recomeçar / parece redundante" e, em seguida, uma regravação limpa. Corte a tentativa falsa, mantenha a regravação. Sempre inspecione os últimos ~3 min para isso.
  • Introduções pré-show / duplicadas: uma auto-apresentação gravada antes do início oficial que é repetida depois — corte a cópia pré-show.

Instabilidade da API Whisper

Chamadas paralelas em nível de palavra às vezes retornam vazias (0 bytes). Tente novamente as vazias sequencialmente com um sleep 1 entre as chamadas.

Clipes de destaque e resumo de 1 minuto

Corte trechos curtos e compartilháveis de um episódio finalizado (momentos controversos / perspicazes) e, opcionalmente, monte-os em um resumo de ~1 minuto com música.

Escolhendo trechos

  • Cada clipe ≈ 2 frases, ~8–20s. Priorize linhas que sejam controversas, surpreendentes ou citáveis.
  • CUBRA TODOS OS FALANTES — incluindo o(s) apresentador(es). Em um painel com vários convidados, não deixe o resumo se concentrar nos 1–2 falantes mais prolíficos — escolha pelo menos um trecho forte por participante e verifique a atribuição antes de construir. (Este é o erro nº1: um "destaque" que é secretamente uma única pessoa.) O facilitador/apresentador é o mais fácil de omitir porque geralmente faz perguntas — encontre uma linha citável do apresentador (uma reação, uma piada, um enquadramento perspicaz) e inclua-a também.
  • Você não pode atribuir falantes a partir do texto do transcricão — não tente, e não peça ao usuário para fazê-lo. O Whisper fornece palavras, não quem as disse; adivinhar o falante pela frase falha (uma linha que parece ser do apresentador geralmente é na verdade de um convidado). Quando o resumo precisa de uma pessoa específica, diarize o áudio (receita abaixo) e a atribuição se torna uma medição, não um palpite.
  • Ordene o resumo para fluir (gancho → … → fechamento forte) e nunca coloque o mesmo falante consecutivamente.

Identifique QUEM está falando — diarização de falantes (resemblyzer)

Quando você precisar do clipe de uma pessoa específica (ou o usuário disser "X não está no resumo"), resolva pela voz, não lendo o transcricão. pip install resemblyzer (inclui seu próprio codificador — sem token HF). Receita que funcionou em um painel de 5 falantes:

  1. Construa vozes de referência limpas para todos que você pode identificar, a partir de segmentos onde eles dizem seus próprios nomes (introduções) ou apresentam seus próprios produtos (encerramentos de vendas) — estes são garantidamente de falante único. Faça a média de 2–3 janelas por pessoa para estabilidade: enc.embed_utterance(preprocess_wav(fatia, source_sr=16000)), média, normalize L2.
  2. Não agrupe cegamente todo o episódio — os segmentos do Whisper contêm conversa cruzada, então AgglomerativeClustering colapsa em um único bloco grande + singleton. Em vez disso, pontue cada segmento da incorporação (cosseno) contra suas referências limpas. Segmentos que não correspondem a ninguém bem (melhor semelhança ≲ 0,78 quando correspondências reais caem em 0,88–0,94) são o N-ésimo falante não identificado.
  3. Confirme que é uma voz consistente: pegue esses segmentos de baixa correspondência, verifique se são mutuamente semelhantes (≳0,87) e coletivamente distintos de cada referência conhecida. Construa uma referência a partir deles, reavalie todos os segmentos — os acertos de alta confiança devem ser todos essa pessoa.
  4. Verificação de sanidade contra um conhecido: um clipe confirmado (ex.: apresentação de produto de alguém) deve pontuar mais alto em relação à sua própria referência (≳0,9). Se suas referências não se separarem, alongue as janelas e faça a média de mais.

Carregue todo o episódio uma vez como flutuação mono de 16 kHz via um pipe ffmpeg (-f f32le -) e fatie na memória — muito mais rápido que uma chamada ffmpeg por segmento.

Verifique antes de cortar (obrigatório)

Para cada candidato, extraia a janela e retranscrev…

(O conteúdo foi truncado para tradução conforme solicitado.)

Individual skills in this repo

This repo contains 13 individual skills — each has its own dedicated page.

unempyd/revenueos

Audit paid-ad landing pages for message match, mobile experience, performance, accessibility, trust, forms, consent, tracking, security, and conversion friction. Use for landing-page audit, post-click experience, LP audit, conversion-rate optimization, form optimization, ad-to-page message match, redirects, blocked navigation, or requests involving private, loopback, link-local, or metadata IP destinations.

unempyd/revenueos

Audit TikTok Ads measurement, Pixel and Events API, mobile-first creative, audiences, Smart+, Shop and commerce campaigns, bidding, budgets, pacing, attribution, and policy. Use for TikTok Ads, TikTok Pixel, Events API, Smart+, TikTok Shop Ads, GMV Max, Spark Ads, or TikTok campaign optimization.

unempyd/revenueos

Use when the user asks to \"pick which social channels to run\", \"should we be on X platform or 小红书\", or \"plan our organic social channel portfolio\"; produces an audience/objective-first portfolio with capability/access matrix, cadence-budget reality check, declared ECHO operating profile, boundary routing, and proposed-state registry events. Not for recording canonical channel facts — use channel-registry. 社媒渠道选择/渠道组合规划/平台能力矩阵/自然社媒

unempyd/revenueos

When the user wants to edit, review, or improve existing marketing copy, or refresh outdated content. Also use when the user mentions 'edit this copy,' 'review my copy,' 'copy feedback,' 'proofread,' 'polish this,' 'make this better,' 'copy sweep,' 'tighten this up,' 'this reads awkwardly,' 'clean up this text,' 'too wordy,' 'sharpen the messaging,' 'refresh this content,' 'update this page,' 'this content is outdated,' or 'content audit.' Use this when the user already has copy and wants it improved or refreshed rather than rewritten from scratch. For writing new copy, see copywriting.

unempyd/revenueos

Use when the user asks to \"pre-launch check the landing page\", \"run a Quality-Score preflight\", or \"verify ad-to-page message match before launch\"; produces an ad↔page continuity report — message-match gaps, above-the-fold check, page-speed read, form-friction count, mobile-render flags — as a pass/fix punch list. Not for redesigning or rewriting the page — use landing-optimizer; not for scoring the account or the RQS — use ad-account-auditor. 落地页体验预检/广告落地页一致性检查

unempyd/revenueos

Use when the user asks to \"optimize our landing page for influencer traffic\", \"fix our promo-code landing page\", or \"improve conversion from a creator campaign\"; produces a message-match audit, page-structure and social-proof recommendations, a promo-code/CTA conversion plan, and an A/B test roadmap. Not for measuring campaign results after launch — use performance-analyzer. 落地页优化/达人流量转化提升

unempyd/revenueos

Use when the user asks to \"script this short video\", \"write a TikTok / Reels / Shorts script\", \"给这条抖音或视频号视频写脚本\", or \"fix the hook — viewers drop off in the first seconds\"; produces timestamped beat-sheet scripts on the retention-gate model (0-2s hook / 2-5s confirmation / 5-15s payoff / loop-or-CTA) with per-scene script lines, on-screen text for muted viewing, asset keywords, and 9:16 format-param rows per platform norm card for TikTok, Reels, Shorts, 抖音, and 视频号 — plus 2-3 hook options from named hook families and an AI-content disclosure line by default on realistic synthetic media. Spec-only: rendering, TTS, and publishing stay with the user's own tools — no pipelines, no upload automation. Not for creator video briefs — use brief-generator; long-form video SEO belongs to content-writer. 短视频脚本/抖音分镜/开头钩子/竖屏9:16

unempyd/revenueos

When the user wants to create, generate, or produce video content using AI tools or programmatic frameworks. Also use when the user mentions 'video production,' 'AI video,' 'Remotion,' 'Hyperframes,' 'HeyGen,' 'Synthesia,' 'Veo,' 'Sora,' 'Runway,' 'Kling,' 'Seedance,' 'Hailuo,' 'MiniMax,' 'Pika,' 'Hunyuan,' 'Wan,' 'video generation,' 'AI avatar,' 'talking head video,' 'programmatic video,' 'video template,' 'explainer video,' 'product demo video,' 'video pipeline,' 'copy this edit,' 'match this video style,' 'reverse-engineer this video,' 'edit like this reference,' or 'make me a video.' Use this for video creation, generation, and production workflows. For video content strategy and what to post, see social. For paid video ad creative, see ad-creative.

unempyd/revenueos

Audit EVERY Google Search Console property at once — rank all sites by clicks and impressions with period-over-period deltas, then diff keywords per site to surface what is newly ranking, rising, dropping, lost, or ranking well without earning clicks. Built for agencies and multi-site owners. Use when asked to compare all sites, rank properties by traffic, find new keywords across a portfolio, or spot which site is down. Trigger phrases: "audit GSC", "all my sites", "rank my properties", "portfolio search performance", "which sites are down", "what new keywords are we ranking for", "client site performance", "GSC report across accounts". For ONE site's queries, pages, or index coverage, use the search-console skill instead.

unempyd/revenueos

Deconstruct and analyze video ad creatives for marketing insights. Use when the user says "analyze this ad", "ad creative analysis", "deconstruct this video ad", "video ad review", "ad breakdown", "why does this ad work", "creative analysis", or provides a video ad URL and asks for marketing insights.

unempyd/revenueos

Create high-converting landing page copy and structure. Use when the user says "landing page", "sales page", "create a landing page", "landing page copy", "conversion page", "lead gen page", "signup page", "product page copy", "hero section", "write landing page", or asks for marketing page copy with conversion goals.

unempyd/revenueos

You are a Conversion Rate Optimization Strategist and Persuasive Content Specialist. Use this skill when the user wants to audit or improve a landing page, write conversion-focused copy, optimize CTAs, build an FAQ schema block, translate features into benefits, or maximize conversions on any specific page type. Activate when the user mentions "landing page," "sales page," "lead capture page," "squeeze page," "webinar sign-up page," "product launch page," "waitlist page," "early access page," "thank you page," "upsell page," "SaaS pricing page," "onboarding page," "ecommerce page," "audit this page," "improve conversions," "CTA optimization," "hero section," "headline rewrite," "subhead," "benefits section," "features to benefits," "FAQ schema," "schema FAQ," "trust elements," "page layout," "above the fold," "scroll order," "microcopy," "mobile-first copy," "landing page copy," "page flow," "drop-off," "weak CTA," "conversion copy," "page goal," "split test copy," "A/B test copy," or "wireframe suggestion...

unempyd/revenueos

When the user wants to create, optimize, or audit campaign landing pages for paid ads, email, or other traffic. Also use when the user mentions "landing page," "PPC landing page," "SEM landing page," "conversion page," "campaign page," "lead capture page," "landing page optimization," "LP conversion," "single-page funnel," or "squeeze page." Not for the main site homepage; use homepage-generator.

Habilidades Relacionadas