Communitygithub.com

Conjunto de Ferramentas de Edição de Vídeo

Edite qualquer vídeo por conversa. Transcreva, corte, corrija cores, gere animações sobrepostas, queime legendas — para talking heads, montagens, tutoriais, viagens, entrevistas. Sem presets, sem menus. Faça perguntas, confirme o plano, execute, itere, persista. Regras de correção de produção são obrigatórias; todo o resto é liberdade artística.

O que é Conjunto de Ferramentas de Edição de Vídeo?

Este skill capacita o usuário a editar vídeos complexos através de um diálogo natural com um agente de IA, eliminando a necessidade de menus e presets tradicionais. Ele é ideal para desenvolvedores e criadores de conteúdo que desejam um controle granular sobre o processo de edição, priorizando a qualidade do áudio e a sincronia visual. O agente utiliza transcrições em nível de palavra para identificar cortes precisos, aplica animações paralelamente, e garante a correção técnica com regras rígidas, como a aplicação de legendas por último na cadeia de filtros. O processo é iterativo: o agente propõe uma estratégia, aguarda a confirmação do usuário, executa a edição, e então permite refinamentos. Suporta uma ampla gama de estilos de vídeo e técnicas avançadas, como L-cuts, J-cuts, e animações personalizadas via FFmpeg e PIL, promovendo completa liberdade artística dentro de um arcabouço de produção confiável.

Funciona com✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/govindgoel2001/video-editing-toolkit/tree/HEAD/vendor/video-use

Perguntar na sua IA favorita

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

Documentação

Uso de Vídeo

Princípios

  1. O LLM raciocina a partir da transcrição bruta + visuais sob demanda. O único artefato derivado que merece ser mantido é uma transcrição compacta em nível de frase (takes_packed.md). Todo o resto — marcação de hesitações, detecção de retakes, classificação de cenas, pontuação de ênfase — você deriva no momento da decisão.
  2. Áudio é primário, visuais seguem. Candidatos a corte vêm de limites de fala e lacunas de silêncio. Aprofunde-se nos visuais apenas nos pontos de decisão.
  3. Pergunte → confirme → execute → itere → persista. Nunca toque no corte até que o usuário tenha confirmado a estratégia em inglês claro.
  4. Generalize. Não presuma que tipo de vídeo é este. Olhe para o material, pergunte ao usuário, então edite.
  5. Liberdade artística é o padrão. Cada valor, preset, fonte, cor, duração, estrutura de tom e técnica específicos neste documento são um exemplo prático de um vídeo comprovado — não uma ordem. Leia-os para entender o que é possível e por que cada um funcionou. Então tome suas próprias decisões de gosto com base no que o material realmente é e no que o usuário realmente quer. As únicas coisas que VOCÊ DEVE fazer estão na seção Regras Rígidas abaixo. Todo o resto é seu.
  6. Invente livremente. Se o material pedir uma técnica não descrita aqui — tela dividida, picture-in-picture, cartões de identidade de terço inferior, cortes de reação, rampas de velocidade, congelamento de quadros, crossfades, match cuts, L-cuts, J-cuts, rampas de velocidade sobre respirações, o que quer que seja — crie. Os ajudantes são ffmpeg e PIL. Eles podem fazer qualquer coisa que o formato suporte. Não espere permissão.
  7. Verifique sua própria saída antes de mostrá-la ao usuário. Se você não a enviaria, não a apresente.

Regras Rígidas (correção de produção — inegociáveis)

Estas são as coisas onde o desvio produz falhas silenciosas ou saída quebrada. Elas não são gosto, são correção. Memorize-as.

  1. As legendas são aplicadas por ÚLTIMO na cadeia de filtros, depois de cada sobreposição. Caso contrário, as sobreposições escondem as legendas. Falha silenciosa.
  2. Extração por segmento → concatenação com -c copy sem perdas, não filtro de passagem única. Caso contrário, você codifica cada segmento duas vezes quando as sobreposições são adicionadas.
  3. Fade de áudio de 30ms em cada limite de segmento (afade=t=in:st=0:d=0.03,afade=t=out:st={dur-0.03}:d=0.03). Caso contrário, estalos audíveis em cada corte.
  4. Sobreposições usam setpts=PTS-STARTPTS+T/TB para deslocar o quadro 0 da sobreposição para o início da sua janela. Caso contrário, você vê o meio da animação durante a janela de sobreposição.
  5. O SRT mestre usa deslocamentos da linha do tempo de saída: output_time = word.start - segment_start + segment_offset. Caso contrário, as legendas desalinham após a concatenação do segmento.
  6. Nunca corte dentro de uma palavra. Encaixe cada borda de corte em um limite de palavra da transcrição Scribe.
  7. Acrescente margem a cada borda de corte. Janela de trabalho: 30–200ms. Os timestamps do Scribe variam 50–100ms — a margem absorve a variação. Mais apertado para ritmo acelerado, mais folgado para cinematográfico.
  8. Apenas ASR literal em nível de palavra. Nunca modo SRT/frase (perde dados de lacuna de submilissegundo). Nunca hesitações normalizadas (perde sinal editorial).
  9. Armazene em cache as transcrições por fonte. Nunca retranscreva a menos que o próprio arquivo de origem tenha mudado.
  10. Subagentes paralelos para múltiplas animações. Nunca sequenciais. Crie N de uma vez via ferramenta Agent; o tempo total de parede é aproximadamente o mais lento.
  11. Confirmação da estratégia antes da execução. Nunca toque no corte até que o usuário tenha aprovado o plano em inglês claro.
  12. Todas as saídas da sessão em <videos_dir>/edit/. Nunca escreva dentro do diretório do projeto video-use/.

Todo o resto neste documento é um exemplo prático. Desvie sempre que o material pedir.

Estrutura de Diretórios

O skill reside em video-use/. As filmagens do usuário ficam onde ele as colocar. Todas as saídas da sessão vão para <videos_dir>/edit/.

<videos_dir>/
├── <arquivos de origem, intactos>
└── edit/
    ├── project.md               ← memória; anexado a cada sessão
    ├── takes_packed.md          ← transcrições em nível de frase, a visão de leitura primária do LLM
    ├── edl.json                 ← decisões de corte
    ├── transcripts/<nome>.json  ← JSON Scribe bruto em cache
    ├── animations/slot_<id>/    ← fonte + renderização + raciocínio por animação
    ├── clips_graded/            ← extratos por segmento com correção de cor + fades
    ├── master.srt               ← legendas da linha do tempo de saída
    ├── downloads/               ← saídas do yt-dlp
    ├── verify/                  ← quadros de depuração / PNGs da linha do tempo
    ├── preview.mp4
    └── final.mp4

Configuração

A instalação inicial reside em install.md (clone, dependências, ffmpeg, registro do skill, chave da API). Não o execute novamente a cada sessão; na inicialização a frio, apenas verifique:

  • ELEVENLABS_API_KEY resolve — seja no ambiente ou em .env na raiz do repositório video-use. Se estiver faltando, peça ao usuário para colar uma e escreva-a em .env (nunca no <videos_dir> do usuário).
  • ffmpeg + ffprobe no PATH.
  • Dependências Python instaladas (uv sync ou pip install -e . dentro do repositório).
  • Node.js + npm disponíveis se a sessão precisar de slots HyperFrames ou Remotion. HyperFrames atualmente requer Node.js 22+
  • yt-dlp, HyperFrames, Remotion, Manim instalados apenas no primeiro uso.
  • A configuração de animação de primeiro uso acontece dentro do diretório do slot, nunca na raiz do repositório video-use. HyperFrames pode ser invocado com npx --yes hyperframes ...; Remotion pode ser esboçado com npx create-video@latest ou instalado como uma dependência local do projeto antes de usar seu comando remotion render.
  • Este skill fornece skills/manim-video/. Leia seu SKILL.md ao construir um slot Manim.

Ajudantes (helpers/transcribe.py, helpers/render.py, etc.) residem ao lado deste SKILL.md. Resolva seus caminhos relativos ao diretório que contém este arquivo — o skill é tipicamente vinculado simbolicamente em ~/.claude/skills/video-use/ ou ~/.codex/skills/video-use/.

Ajudantes

  • transcribe.py <vídeo> — chamada Scribe de arquivo único. --num-speakers N opcional. Em cache.
  • transcribe_batch.py <videos_dir> — transcrição paralela com 4 trabalhadores. Use para múltiplas tomadas.
  • pack_transcripts.py --edit-dir <dir> — transcripts/*.json → takes_packed.md (em nível de frase, quebra em silêncio ≥ 0.5s).
  • timeline_view.py <vídeo> <início> <fim> — tira de filme + PNG de forma de onda. Aprofundamento visual sob demanda. Não é uma ferramenta de varredura — use-a em pontos de decisão, não constantemente.
  • render.py <edl.json> -o <saída> — extração por segmento → concatenação → sobreposições (PTS-deslocadas) → legendas POR ÚLTIMO. --preview para 720p rápido. --build-subtitles para gerar master.srt embutido.
  • grade.py <entrada> -o <saída> — cadeia de filtros ffmpeg para correção de cor. Presets + --filter '<raw>' para personalizado.

Para animações, crie <edit>/animations/slot_<id>/ com Bash e crie um subagente via ferramenta Agent.

O Processo

  1. Inventário. ffprobe em cada fonte. transcribe_batch.py no diretório. pack_transcripts.py para produzir takes_packed.md. Amostre um ou dois timeline_views para uma primeira impressão visual.

  2. Pré-varredura para problemas. Uma passada sobre takes_packed.md para notar escorregões verbais, erros de fala óbvios ou frases a evitar. Lista simples, alimente o briefing do editor.

  3. Converse. Descreva o que você vê em inglês claro. Faça perguntas moldadas pelo material. Colete: tipo de conteúdo, duração/proporção alvo, direção estética/de marca, sensação de ritmo, momentos a preservar, momentos a cortar, preferências de animação e correção de cor, necessidades de legenda. Não use uma lista de verificação fixa — as perguntas certas são diferentes a cada vez.

  4. Proponha estratégia. 4–8 frases: forma, escolhas de tomada, direção de corte, plano de animação, direção de correção de cor, estilo de legenda, estimativa de duração. Aguarde confirmação.

  5. Execute. Produza edl.json via o briefing do subagente editor. Aprofunde-se em timeline_view em momentos ambíguos. Construa animações em subagentes paralelos. Aplique correção de cor por segmento. Componha via render.py.

  6. Pré-visualização. render.py --preview.

  7. Autoavaliação (antes de mostrar ao usuário). Execute timeline_view na saída renderizada (não nas fontes) em cada limite de corte (janela de ±1.5s). Verifique cada imagem para:

    • Descontinuidade visual / flash / salto no corte
    • Pico de forma de onda no limite (estalo de áudio que escapou do fade de 30ms)
    • Legenda escondida atrás de uma sobreposição (violação da Regra 1)
    • Sobreposição desalinhada ou mostrando quadros errados (violação da Regra 4)

    Amostre também: primeiros 2s, últimos 2s e 2–3 pontos médios — verifique consistência da correção de cor, legibilidade das legendas, coerência geral. Execute ffprobe na saída para verificar se a duração corresponde à expectativa do EDL.

    Se algo falhar: corrija → re-renderize → reavalie. Limite a 3 passadas de autoavaliação — se problemas persistirem após 3, sinalize-os ao usuário em vez de loop infinito. Apresente a pré-visualização apenas se a autoavaliação for aprovada.

  8. Itere e persista. Feedback em linguagem natural, replaneje, re-renderize. Nunca retranscreva. Renderização final na confirmação. Acrescente a project.md.

Técnicas de Corte

  • Áudio primeiro. Cortes candidatos de limites de palavra e lacunas de silêncio.
  • Preserve picos. Risadas, punchlines, batidas de ênfase. Estenda além das punchlines para incluir reações — a risada É a batida.
  • Transições de falantes se beneficiam de ar entre as falas. Valores comuns: 400–600ms. Menos para ritmo acelerado, mais para cinematográfico. Decisão de gosto.
  • Eventos de áudio como sinais. (risos), (suspiros), (aplausos) marcam batidas. Estenda além deles.
  • Lacunas de silêncio são candidatas a corte. Silêncios ≥400ms são geralmente os mais limpos. Limites de frase de 150–400ms são utilizáveis com uma verificação visual. <150ms é inseguro (meio da frase).
  • Exemplo de margem de corte (o vídeo de lançamento enviado com este): 50ms antes da primeira palavra mantida, 80ms após a última. Mais apertado para energia de montagem, mais folgado para documentário. Fique na janela de trabalho de 30–200ms (Regra Rígida 7).
  • Nunca raciocine áudio e vídeo independentemente. Cada corte deve funcionar em ambas as faixas.

A Transcrição Compacta (visão de leitura primária)

pack_transcripts.py lê todos os transcripts/*.json e produz um arquivo markdown onde cada tomada é uma lista de linhas em nível de frase, cada uma prefixada com seu intervalo de tempo [início-fim]. As frases quebram em qualquer silêncio ≥ 0.5s OU mudança de falante. Este é o artefato que o subagente editor lê para escolher cortes — ele dá precisão de limite de palavra a partir apenas do texto com 1/10 dos tokens do JSON bruto.

Exemplo de linha:

## C0103  (duração: 43.0s, 8 frases)
  [002.52-005.36] S0 Noventa por cento do que um agente web faz é completamente desperdiçado.
  [006.08-006.74] S0 Nós corrigimos isso.

Briefing do Subagente Editor (para seleção de múltiplas tomadas)

Quando a tarefa for "escolher a melhor tomada de cada batida em vários clipes", crie um subagente dedicado com um briefing moldado assim. A estrutura é fundamental; o exemplo de formato de tom não é.

Você está editando um vídeo de <tipo>. Escolha a melhor tomada de cada batida e
monte-as cronologicamente por batida, não pela ordem do clipe de origem.

ENTRADAS:
  - takes_packed.md (transcrições em nível de frase anotadas com tempo de todas as tomadas)
  - Contexto do produto/narrativa: <2 frases do usuário>
  - Falante(s): <nome, papel, nota de estilo de entrega>
  - Estrutura esperada: <escolha um arquétipo ou invente um>
  - Escorregões verbais a evitar: <lista da passada de pré-varredura>
  - Tempo de execução alvo: <segundos>

Arquétipos estruturais comuns (escolha, adapte ou invente):
  - Lançamento técnico / demonstração:   GANCHO → PROBLEMA → SOLUÇÃO → BENEFÍCIO → EXEMPLO → CTA
  - Tutorial:             INTRODUÇÃO → CONFIGURAÇÃO → PASSOS → ARMADILHAS → RECAP
  - Entrevista:            (PERGUNTA → RESPOSTA → ACOMPANHAMENTO) repetir
  - Viagem / evento:       CHEGADA → DESTAQUES → MOMENTOS TRANQUILOS → PARTIDA
  - Documentário:          TESE → EVIDÊNCIA → CONTRAPONTO → CONCLUSÃO
  - Música / performance:  INTRODUÇÃO → VERSO → REFRÃO → PONTE → FINAL
  - Ou invente o seu próprio.

REGRAS:
  - Os tempos de início/fim devem cair em limites de palavra da transcrição.
  - Adicione margem aos limites de corte (janela de trabalho 30–200ms).
  - Prefira silêncios ≥ 400ms como alvos de corte.
  - Escorregões inevitáveis são mantidos se não houver tomada melhor. Anote-os em "motivo".
  - Se acima do orçamento, revise: descarte uma batida ou apare caudas. Relate o total e autocorrija-se.

SAÍDA (array JSON, sem prosa):
  [{"source": "C0103", "start": 2.42, "end": 6.85, "beat": "GANCHO",
    "quote": "...", "motivo": "..."}, ...]

Retorne o EDL final e uma verificação de tempo de execução total em uma linha.

Correção de Cor (quando solicitada)

Seu trabalho é raciocinar sobre a imagem, não aplicar um preset. Olhe para um quadro (via timeline_view), decida o que está errado, ajuste uma coisa, olhe novamente.

O modelo mental é ASC CDL. Por canal: saída = (entrada * inclinação + deslocamento) ^ potência, então saturação global. inclinação → realces, deslocamento → sombras, potência → meios-tons.

Exemplos de cadeias de filtros (grade.py tem --list-presets; use-os como pontos de partida ou misture os seus próprios):

  • warm_cinematic — retrô/técnico, divisão teal/laranja sutil, dessaturado. Enviado em um vídeo de lançamento real. Seguro para talking heads.
  • neutral_punch — corretivo mínimo: aumento de contraste + curva S suave. Sem mudanças de matiz.
  • none — cópia direta. Padrão quando o usuário não pediu.

Para qualquer outra coisa — retratos, natureza, produto, videoclipe, documentário — invente sua própria cadeia. grade.py --filter '<ffmpeg bruto>' aceita qualquer string de filtro.

Regras rígidas: aplique por segmento durante a extração (não após a concatenação, que recodifica duas vezes). Nunca seja agressivo sem testar tons de pele.

Legendas (quando solicitadas)

As legendas têm três dimensões que valem a pena raciocinar: agrupamento (1/2/3/frase por linha), caixa (MAIÚSCULO/Título/Natural) e posicionamento (margem do fundo). A combinação certa depende do conteúdo.

Estilos trabalhados — escolha, adapte ou invente:

bold-overlay — lançamento técnico curto, redes sociais de ritmo acelerado. Agrupamentos de 2 palavras, MAIÚSCULO, quebra em pontuação, Helvetica 18 Negrito, branco com contorno, MarginV=35. render.py vem com isso como SUB_FORCE_STYLE.

FontName=Helvetica,FontSize=18,Bold=1,
PrimaryColour=&H00FFFFFF,OutlineColour=&H00000000,BackColour=&H00000000,
BorderStyle=1,Outline=2,Shadow=0,
Alignment=2,MarginV=35

natural-sentence (se você inventar este modo) — narrativa, documentário, educação. Agrupamentos de 4–7 palavras, caixa de frase, quebra em pausas naturais, MarginV=60–80, fonte maior

...

[truncado para tradução]

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

govindgoel2001/video-editing-toolkit

GSAP animation reference for HyperFrames. Covers gsap.to(), from(), fromTo(), easing, stagger, defaults, timelines (gsap.timeline(), position parameter, labels, nesting, playback), and performance (transforms, will-change, quickTo). Use when writing GSAP animations in HyperFrames compositions.

govindgoel2001/video-editing-toolkit

HyperFrames CLI tool — hyperframes init, lint, inspect, preview, render, transcribe, tts, doctor, browser, info, upgrade, compositions, docs, benchmark. Use when scaffolding a project, linting, validating, inspecting visual layout in compositions, previewing in the studio, rendering to video, transcribing audio, generating TTS, or troubleshooting the HyperFrames environment.

govindgoel2001/video-editing-toolkit

Install and wire registry blocks and components into HyperFrames compositions. Use when running hyperframes add, installing a block or component, wiring an installed item into index.html, or working with hyperframes.json. Covers the add command, install locations, block sub-composition wiring, component snippet merging, and registry discovery.

govindgoel2001/video-editing-toolkit

Create video compositions, animations, title cards, overlays, captions, voiceovers, audio-reactive visuals, and scene transitions in HyperFrames HTML. Use when asked to build any HTML-based video content, add captions or subtitles synced to audio, generate text-to-speech narration, create audio-reactive animation (beat sync, glow, pulse driven by music), add animated text highlighting (marker sweeps, hand-drawn circles, burst lines, scribble, sketchout), or add transitions between scenes (crossfades, wipes, reveals, shader transitions). Covers composition authoring, timing, media, and the full video production workflow. For CLI commands (init, lint, preview, render, transcribe, tts) see the hyperframes-cli skill.

govindgoel2001/video-editing-toolkit

Capture a website and create a HyperFrames video from it. Use when: (1) a user provides a URL and wants a video, (2) someone says "capture this site", "turn this into a video", "make a promo from my site", (3) the user wants a social ad, product tour, or any video based on an existing website, (4) the user shares a link and asks for any kind of video content. Even if the user just pastes a URL — this is the skill to use.

govindgoel2001/video-editing-toolkit

Production pipeline for mathematical and technical animations using Manim Community Edition. Creates 3Blue1Brown-style explainer videos, algorithm visualizations, equation derivations, architecture diagrams, and data stories. Use when users request: animated explanations, math animations, concept visualizations, algorithm walkthroughs, technical explainers, 3Blue1Brown style videos, or any programmatic animation with geometric/mathematical content.

Habilidades Relacionadas