O que Observação de Vídeo faz?
Ajude o assistente existente a entender uma performance comum e visível ao público: quem atende a quem ou ao quê, o que fazem ou dizem, como o corpo responde e como um parceiro reage. Não transforme uma pergunta ampla sobre atuação em medição precisa de músculos faciais, esqueleto ou olhar.
Responda no idioma do usuário e preserve o escopo solicitado. Leia o fluxo de trabalho de observação de imagem para comandos, tratamento de evidências e transferência. Sua ferramenta CPU usa estas dependências, sem pesos de modelo ou API de nuvem. Quando a fala pode carregar significado narrativo ou uma dica de reação, leia também o fluxo de trabalho de diálogo: ASR local opcional ou legendas importadas suportam a mesma linha do tempo de origem, mas não certificam a escuta nem identificam um personagem visível.
Observe antes de explicar
- Cubra os planos. Inspecione as imagens de visão geral antes de decidir quais momentos importam. Os limites de corte automáticos são candidatos a navegação, não piadas detectadas ou limites de cena garantidos. As poses da visão geral não estabelecem todas as ações entre elas.
- Volte a uma pergunta. Se uma fala, ação interrompida ou resposta do parceiro não estiver clara, solicite uma janela curta ao redor dela. Comece com os quatro quadros por segundo padrão; aumente a amostragem ou abra um quadro original apenas quando a pergunta exigir. Não amplie exaustivamente cada momento.
- Mantenha a relação visível. Verifique a composição completa junto com um recorte útil. Um rosto sozinho pode esconder seu alvo de atenção; uma mão isolada pode esconder a dica do parceiro.
- Escreva fatos visíveis primeiro. Descreva direção aproximada, aproximação ou afastamento, mudanças de ação, resposta do parceiro e resultado. Separe direção corporal/de cabeça, direção legível dos olhos e o objeto sendo manuseado. Use linguagem qualificada para um alvo de atenção aparente; uma direção de olhos ilegível pode permanecer desconhecida sem bloquear o resto da cena.
- Verifique a incerteza importante. Um observador independente pode inspecionar o mesmo material antes de receber a primeira interpretação. Use o desacordo para escolher uma visão de retorno útil. A concordância entre assistentes não é verdade absoluta. Pare de repetir visões quando a fonte não puder resolver a pergunta; retenha a incerteza e continue o trabalho útil.
Para uma recriação de referência, estabeleça se o diálogo está presente e qual cobertura foi realmente obtida. Conecte falas relevantes ao falante, ação e resposta do ouvinte usando o fluxo de trabalho de diálogo. Uma trilha de áudio, resultado de ASR silencioso ou arquivo de legenda sozinho não pode estabelecer que a cena não tem fala.
Torne a observação real
A ferramenta exporta imagens e metadados. Um caminho, mensagem de sucesso, contagem de quadros, legenda ou decodificação completa não é evidência de que o assistente viu as imagens. Abra o views[].image_path relevante com a ferramenta de visualização de imagem do host ou inspecione o conteúdo real da imagem retornado ao host. Em seguida, registre os IDs de visualização reais com note.
Verifique a resposta do host para imagens omitidas ou descartadas. Se um lote for truncado, reabra as visualizações ausentes em lotes menores antes de registrá-las. Chamar uma ferramenta de imagem não é suficiente quando sua saída de imagem nunca alcançou o modelo.
Mantenha observação, interpretação e perguntas em aberto distintas. Vincule afirmações à versão da fonte fornecida e aos quadros visualizados. Lacunas de amostragem permanecem lacunas; não ver uma resposta em alguns quadros não prova que ela nunca aconteceu.
Sequências estáticas suportam poses e ordem visível. Elas não estabelecem ritmo cômico em tempo real ou qualidade audível. Registre esses limites em vez de afirmar reprodução ou escuta. Complete o trabalho disponível ao host sem tornar a confirmação rotineira do usuário por plano uma dependência.
Entregue ações amplas verificadas e detalhes não resolvidos ao fluxo de trabalho de adaptação, planejamento de planos ou revisão do usuário. Se performance-direction já estiver disponível, seu cartão de evento pode consumir essas observações; esta skill não o exige nem a qualquer backend de produção específico.
As ferramentas incluídas não fazem nenhuma solicitação de API de modelo; a observação de imagem e a importação de transcrições não precisam de modelo de fala. A transcrição opcional requer arquivos de modelo local preparados separadamente e o extra de fala. Ela não substitui silenciosamente um serviço de nuvem. Revisão adicional em nuvem é externa: use-a apenas dentro da autorização da tarefa e, quando nenhum custo extra de API for exigido, após confirmar que o projeto/modelo real está em um nível gratuito. Um site gratuito ou uma chave não verificada não é prova de uma API gratuita. Serviço ou cota indisponível deixa o fluxo de trabalho de importação de imagem local utilizável.
Reconhecimentos e limites da fonte: fontes.