PhucDnag/video-3d-agent

Habilidade de Direção de Vídeo 3D Sincronizado com Diálogo

Objetivo

Transformar roteiro e locução em um vídeo vertical 9:16 com imagens 3D bonitas e facilmente compreensíveis mesmo sem áudio. Cada cena deve ilustrar exatamente a ideia sendo dita, sincronizar com as legendas e conter uma mudança/ação visível. Diversificar personagens, objetos, cenários, composições, cores, materiais, iluminação e movimentos; não fazer com que todos os vídeos sejam compostos de cristais dourados, neon, gráficos, relógios ou câmeras em órbita.

Manter compatibilidade com o renderizador, cena e CLI reais do projeto. Não descrever ou prometer a existência de um recurso, movimento, alinhador, provedor de IA ou comando sem antes verificá-lo no código. Quando o mecanismo ainda não suportar uma nova cena, descrever a cena usando a combinação mais adequada de formas/objetos disponíveis e registrar as limitações; estender o renderizador somente quando o usuário solicitar a modificação do software.

Processo de Direção

1. Ler o roteiro completo e verificar o pipeline de criação de cenas, TTS, temporização de legendas, renderizador e as cenas/câmeras realmente suportadas. Manter o conteúdo, tom e significado das falas.
2. Dividir o texto em batidas de significado (beats), não assumindo que uma frase seja uma cena automaticamente. Registrar para cada batida: fala/legenda original, ideia principal, sujeito, ação, objeto, emoção, causa e efeito, o que deve ser mostrado obrigatoriamente e o que não pode ser ilustrado incorretamente.
3. Priorizar a ilustração direta: se o texto mencionar uma pessoa, objeto, ação ou lugar específico, mostre isso ao espectador. Para conceitos abstratos, usar metáforas visuais simples e fáceis de entender, utilizando-as apenas quando tornarem a ideia mais clara. Apegar-se a palavras de negação, comparação, transição e resultado; não apenas capturar palavras-chave do tópico.
4. Criar um storyboard seguindo o ritmo do texto: determinar a cena, ação principal, enquadramento/ângulo de câmera, design de iluminação–cor–material, transição de cena e continuidade de personagens/adereços entre as batidas relacionadas. Cada cena deve focar em uma ideia ou ação principal.
5. Projetar a linha emocional de todo o vídeo: começar com uma pergunta, uma imagem incomum ou uma ação inacabada adequada ao conteúdo; aumentar gradualmente a escala/o ritmo na parte de desenvolvimento; reservar a revelação ou o momento mais forte para a ideia central; terminar com uma imagem/emoção duradoura ou um chamado à ação, se o roteiro o incluir. Não adicionar falas, fatos ou reviravoltas que distorçam a mensagem.
6. Dirigir a locução de acordo com a nuance de cada batida e do roteiro como um todo; não permitir que a voz permaneça monótona do início ao fim. Registrar claramente a emoção, intensidade (leve/média/forte), velocidade (lenta/média/rápida), ênfase (palavra/trecho a ser destacado) e pausas antes/depois para cada batida, antes de gerar o TTS ou gravar.
7. Alinhar a temporização com o áudio/legendas reais. Usar a temporização de palavras/alinhamento se o pipeline fornecer; caso contrário, usar a temporização de segmentos existente e marcar a precisão limitada. Não afirmar que a sincronização palavra por palavra foi alcançada sem ter os timestamps de cada palavra.
8. Ouvir o áudio junto com a pré-visualização das imagens; corrigir partes onde a locução soa não natural, ênfase equivocada, tom monótono ou não corresponde à expressão/movimento. Renderizar o arquivo final usando o processo exato do projeto.

Regras de Sincronização com Legendas e Ritmo Visual

• Cada batida deve ter um visualClaim: uma frase descrevendo o que o espectador verá acontecer, correspondendo exatamente à fala. Comparar o storyboard com cada frase da legenda antes de renderizar.
• Colocar o sujeito no quadro assim que a ideia for introduzida; iniciar a ação próximo ao verbo; mostrar o resultado no momento exato em que a fala menciona o resultado. É permitido mostrar uma preparação visual um breve instante antes da fala para que o espectador a reconheça, mas não revelar o resultado muito cedo.
• Mudar de cena nos limites da ideia, pausas rítmicas ou mudança de sujeito; evitar cortes no meio de um grupo de ideias. Uma única imagem contínua pode se estender por várias frases se ainda estiver ilustrando corretamente; uma frase longa pode ser dividida em várias cenas se o significado mudar.
• As legendas karaokê e a locução devem usar a mesma fonte de temporização. Não dividir a duração da frase igualmente para fingir um alinhamento de palavras. Manter as legendas legíveis, com ortografia correta, contraste adequado e sem sobrepor ações importantes.
• Para negação/oposição, mostrar claramente os dois estados ou ações a serem evitados; não usar uma imagem que afirme o oposto da fala. Para conselhos, ilustrar ações específicas em vez de apenas mostrar um ícone genérico.
• A cena não pode ser apenas uma órbita/zoom: deve conter ação, transformação, interação ou revelação que ajude a transmitir o conteúdo. A câmera deve apoiar a narrativa, não substituir a ação.
• A abertura deve despertar curiosidade usando o conteúdo do próprio roteiro: começar diretamente com um detalhe, pergunta, consequência ou escolha que chame a atenção; evitar intros longas com logotipos, fly-throughs genéricos e cenas bonitas mas ainda irrelevantes.
• Ajustar o ritmo da edição de acordo com a locução e o nível de importância: cenas mais curtas para listas/oposições rápidas, cenas mais longas para emoção, ações que exigem observação ou ideias que precisam de reflexão. Usar mudanças de escala de plano, direção de movimento, pausas na voz (se houver) ou revelações para criar ritmo; não cortar rapidamente de forma contínua apenas para criar uma sensação de dinamismo.
• Usar transições de cena com motivação visual: match cut por forma/movimento, obstrução da lente por um objeto na cena, mudança de foco/iluminação, ou corte direto no ritmo da fala. Limitar efeitos de transição decorativos e repetitivos.

Direção de Locução com Emoção

• Compreender o significado e a relação entre as frases antes de escolher a nuance. Para cada batida, registrar emotion, intensity (leve/média/forte), pace (lenta/média/rápida), emphasis (palavra/trecho a ser destacado) e pauseAfter/pauseBefore se necessário. Esses rótulos são diretrizes de direção; devem ser passados para o TTS apenas se a API/o esquema realmente os suportar.
• Criar uma curva emocional natural: começar com clareza e curiosidade; a parte explicativa deve ser calma e fácil de ouvir; a ideia importante deve ser enfatizada com firmeza; a parte emocional deve ser calorosa e sincera; a parte de alerta deve ser séria, mas não aos gritos; a conclusão deve ter um ponto de queda. Ajustar de acordo com o roteiro, não aplicar um único padrão de leitura para todos os vídeos.
• Usar pausas intencionais nos limites das ideias, antes de revelações, após perguntas retóricas ou após frases que exigem reflexão do espectador. Não inserir pausas longas após cada frase e não substituir pontuação para alterar o significado ou corrigir o conteúdo.
• Enfatizar usando entonação e ritmo, não apenas aumentando o volume/velocidade. Evitar um tom de anúncio muito animado para conteúdo triste, sensacionalista para conhecimento neutro, ou excessivamente piegas para conselhos leves. Garantir pronúncia clara, volume estável e sem comprometer a compreensão.
• Se houver várias opções de voz, escolher um timbre adequado à idade/emoção/gênero e manter a consistência no vídeo. Não mudar de voz entre as batidas a menos que haja uma intenção narrativa.
• Verificar a capacidade real do TTS antes de projetar controle de expressão. No pipeline atual, os campos voice, rate, pitch podem ser configurados; não assumir a existência de tags de emotion/style ou controle de prosódia por segmento. Se o mecanismo tiver apenas rate/pitch, usar segmentação de script, pontuação e pausas suportadas pelo pipeline; registrar as limitações de expressão. Não declarar que o TTS atua com emoção humana sem verificar através da audição. Quando for necessária uma atuação sutil que o mecanismo não suporta, sugerir gravação com voz humana real ou integração de um mecanismo com controles expressivos como uma alteração separada.
• Fazer a voz e a imagem atuarem juntas: frases suaves usam movimentos suaves e poucos cortes; frases assertivas usam poses claras/cortes precisos; frases de surpresa podem ter uma revelação no momento certo; frases calmas mantêm a cena por tempo suficiente. A imagem apoia a emoção, não a exagera em detrimento do conteúdo.

Diversidade Visual Intencional

Escolher um estilo que se adeque ao tema e à emoção, em vez de aplicar um preset estético a todo o vídeo. É possível combinar estilos de animação de personagens, miniature/maquette, clay, low-poly refinado, materiais de vidro/cerâmica/madeira/tecido/metal, diorama cotidiano, arquitetura estilizada, natureza ou símbolos abstratos. Priorizar formas nítidas, superfícies com profundidade, iluminação que cria volume, cores com hierarquia, fundo limpo e sujeito que se destaque na tela do celular.

Cada vídeo precisa de uma direção de arte breve antes do storyboard: tema/emoção, tipo de formas e materiais predominantes, paleta de 3 a 5 cores, estilo de iluminação, design de personagem (se houver), contraste e nível de estilização. Exemplo: uma história familiar pode usar madeira, tecido, luz de janela quente; conteúdo científico pode usar modelos em corte, plástico translúcido e iluminação de laboratório; temas tensos podem começar com composição apertada e alto contraste, expandindo o espaço à medida que são resolvidos. Esta é uma orientação flexível, não um preset obrigatório.

Criar pontos focais visuais por meio de hierarquia: um ponto focal principal, um elemento secundário de apoio e um fundo com menos detalhes. Usar close-ups para emoção/detalhes, planos médios para interação, planos gerais para escala ou transformação; perspectiva e profundidade de campo devem ser usadas apenas quando ajudam a tornar o sujeito mais claro. Projetar silhuetas facilmente reconhecíveis, expressões/poses legíveis em tamanho pequeno, materiais com diferenças claras. Evitar texto falso em imagens 3D, logotipos/marcas d'água não solicitados, objetos distorcidos difíceis de reconhecer, highlights estourados, fundos muito poluídos e paletas neon uniformes.

Antes de finalizar o storyboard, revisar as cenas adjacentes e alterar proativamente pelo menos dois elementos quando eles se repetirem: sujeito/adereço, local, escala de plano/composição, ângulo de câmera/movimento, paleta de cores, materiais ou tipo de transição. Não repetir o mesmo objeto principal por mais de duas batidas consecutivas, a menos que a continuidade seja necessária; não usar o mesmo tipo de câmera em três cenas consecutivas. A diversidade deve vir de mudanças de significado no texto, não de mudanças arbitrárias de cor.

Manter a continuidade de personagens, roupas, adereços, tempo e direção de movimento dentro da mesma sequência narrativa. Usar uma paleta de cores principal para cada sequência; é possível mudar a iluminação ou a cor de destaque para expressar uma mudança emocional. Limitar partículas/brilhos e detalhes de fundo para não poluir o sujeito, o texto ou a área da legenda.

Diversificar entre os vídeos alterando a abordagem narrativa adequada ao roteiro, não apenas mudando a cor ou substituindo um adereço: pode-se escolher uma história de personagem contínua, uma sequência de vinhetas, uma jornada através do espaço, uma comparação de duas opções, uma time-lapse de transformação ou uma exploração de modelo/estrutura interna. Usar uma estrutura narrativa apenas quando ela tornar a mensagem mais compreensível. Se houver histórico de vídeos anteriores, evitar repetir a direção de arte e a sequência de cenas características recentes; se não houver dados, não afirmar que o histórico foi consultado.

Seleção de Cena e Viabilidade

• Verificar as cenas/câmeras registradas no código e nos presets antes de usá-las. A biblioteca de cenas antigas é uma opção viável/fallback, não uma razão para forçar todos os roteiros em tubos de dinheiro, engrenagens ou cristais.
• Se o projeto suportar sceneSpec/scene graph, descrever de forma estruturada o ambiente, atores, objetos, ações, câmera e transições; usar apenas geometria, rigs, materiais e animações que o resolvedor de assets/renderizador realmente suportar.
• Se suportar apenas um enum scene, escolher o enum mais adequado disponível. Não inventar enums/câmeras e declarar que o renderizador os entenderá; descrever a cena desejada como storyboard quando necessário para que o usuário decida sobre a extensão do motor.
• Priorizar ações realizáveis: andar, colocar/pegar, abrir/fechar, cair, entregar/receber, construir, rachar, crescer, mudar de direção, encontrar e depois se separar. Animações complexas de pessoas exigem rig/clip válido; se não houver, usar silhuetas, blocking simples ou objetos substitutos.
• Usar apenas assets da biblioteca com origem e direitos de uso claros. Não declarar a criação de modelos 3D arbitrários a partir de texto se o projeto não tiver um provedor correspondente. Registrar claramente quais assets são processuais, de biblioteca, gerados ou fallback quando o pipeline suportar esses metadados.

Timeline e Estrutura de Dados

Manter o schema do projeto existente e os campos obrigatórios para compatibilidade. Quando suportado, cada segmento deve conter:

{
  "id": "beat_01",
  "vi": "Fala original",
  "meaning": "Significado da batida",
  "visualClaim": "Ação/imagem específica a ser vista",
  "mustShow": ["sujeito", "ação", "resultado se houver"],
  "mustNotShow": ["desenvolvimento que contradiz a fala"],
  "continuityIds": ["personagem ou adereço que atravessa a cena"],
  "scene": "cena válida do projeto",
  "camera": "câmera válida do projeto",
  "actions": [{"verb": "ação visível", "cue": "frase de ativação se houver temporização"}],
  "timing": {"source": "tts_alignment ou segment_timing", "startSec": null, "endSec": null}
}

Isto é uma sugestão de storyboard, não adicionar campos incompatíveis ao projeto que está sendo renderizado. O tempo final deve ser obtido do pipeline de áudio/TTS imediatamente antes da renderização; não deixar null na timeline de render se o renderizador exigir timestamps. Se houver apenas temporização por frase, manter as batidas por segmento e não inventar marcos de tempo.

Verificação de Qualidade

Antes de exportar, verificar cada batida com a seguinte lista:

• Fiel ao texto: com o som desligado, ainda é possível adivinhar a ideia principal; a imagem não contradiz negações, sujeito, emoção ou relação de causa e efeito.
• Ritmo correto: a ação importante aparece quando a frase correspondente é lida; legenda e locução não estão dessincronizadas dentro da capacidade verificável do pipeline.
• Bonito e claro: o sujeito se destaca, a paleta de cores tem intenção, a iluminação/material cria profundidade, a composição é legível em telas pequenas, não cobre a legenda.
• Tem movimento: a cena contém ação/transformação/revelação; não abusa de órbita ou zoom.
• Diverso e contínuo: cenas adjacentes são diferentes com intenção, mas os personagens/adereços relacionados permanecem consistentes.
• Envolvente e rítmico: os primeiros 1-3 segundos estão diretamente relacionados ao gancho; há variação visual de acordo com o progresso do conteúdo; o clímax/revelação serve à ideia principal; o final não é interrompido no meio de uma ação.
• Tem direção de arte: estilo, paleta, iluminação e materiais são consistentes dentro de cada sequência; cada cena tem hierarquia de ponto focal; não usa efeitos apenas para decoração.
• Locução com variação: nuance, ênfase e pausas adequadas a cada ideia; o ritmo visual acompanha a voz; todas as limitações do TTS são explicitadas.
• Renderização viável: os assets são resolvidos, não há cenas vazias/pretas, objetos não são cortados pelo quadro; duração e áudio/vídeo estão dentro dos limites da ferramenta.

Se não for possível verificar um critério com as ferramentas disponíveis, registrar que é uma verificação não realizada em vez de relatar como aprovado. Exportar storyboard/manifest/relatório de QA apenas se o pipeline oferecer suporte ou o usuário solicitar.

Exemplos de Seleção de Imagem de Acordo com o Texto

• “Cada dia você melhora um pouco”: o mesmo personagem praticando em uma mesa ao longo dos dias, a operação se tornando gradualmente mais proficiente; mudar a iluminação/o clima para representar o tempo. Gráfico deve ser usado apenas se a frase realmente falar sobre dados numéricos.
• “Você não pode segurar alguém que quer ir embora”: duas pessoas soltam as mãos em um corredor, uma delas caminha em direção à porta; não terminar com um reencontro.
• “O dinheiro desaparece devido a pequenas despesas”: o personagem toca no telefone, algumas pequenas contas/transações são subtraídas do saldo uma a uma; não assumir o uso de um cano furado.
• “O tempo com os pais não é mais muito”: uma refeição em família, um calendário virando páginas e o personagem voltando a sentar-se ao lado dos pais; não transformar o lembrete em uma cena piegas se o tom da narração for suave.
• “Disciplina é fazer mesmo sem motivação”: o personagem acorda de manhã cedo, abre o caderno, começa a escrever; a imagem fica desfocada e muda para um close dos olhos, que gradualmente se tornam focados; não usar uma imagem de uma pessoa correndo ou suando.

[As subseções e exemplos restantes seguem o mesmo padrão de formatação e tradução.]