O que Criador de Vídeos Podcast Lite faz?
Um pipeline de propósito único para uso pessoal: tópico → roteiro de narração → Azure TTS (SSML) → Remotion → MP4 1080p/4K. Sem skills externas, sem arquivos de configuração, sem modelos empacotados — a composição Remotion é gerada uma vez de acordo com o contrato abaixo e reutilizada em vários vídeos.
Pré-requisitos
pip3 install azure-cognitiveservices-speech # a única dependência Python
export AZURE_SPEECH_KEY="..." # chave do recurso Azure Speech
export AZURE_SPEECH_REGION="..." # ex.: eastasia
# ffmpeg + node 18+ necessários; um projeto Remotion com npm install concluído
# Playwright MCP (sessão do navegador) necessário apenas para a Etapa 5 (busca de BGM)
Descoberta do projeto (execute antes da Etapa 1)
- Localize o projeto Remotion — o diretório que contém
src/remotion/index.tsenode_modules/remotion/. Verifique primeiro o diretório de trabalho atual; se não estiver lá, pergunte ao usuário o caminho do projeto. NÃO escaneie o sistema de arquivos e NÃO crie um novo projeto se um já existir em outro lugar. - Inventarie vídeos existentes —
ls videos/els src/remotion/*Video.tsx. O*Video.tsxmais recente é o componente a ser copiado na Etapa 3;videos/mostra quais vídeos já existem. - Já existe
videos/{nome}/? Então esta é uma iteração naquele vídeo, não um novo — reutilize o diretório e reexecute apenas o que mudou (veja Iterando). - Nenhum projeto em lugar algum (apenas na primeira execução) → crie o esqueleto uma vez no diretório de trabalho:
npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom, criesrc/remotion/e avise o usuário sobre a instalação única de ~2 GB. Todos os vídeos posteriores pulam esta etapa.
Fluxo de trabalho (6 etapas)
Execute todos os comandos a partir da raiz do projeto. Todos os artefatos de um vídeo ficam em videos/{nome}/ dentro do projeto. {nome} está em inglês minúsculo, separado por hífen.
Etapa 1 — Escreva o roteiro: videos/{nome}/podcast.txt
Um marcador [SECTION:xxx] por segmento de vídeo; os nomes das seções estão em inglês minúsculo (hero, content-1, outro). Um título de exibição opcional vai após um | — [SECTION:outro|thanks] — ele rotula a pílula da barra de progresso e o layout padrão (sem ele, o rótulo deriva da primeira frase, o que pode ser estranho). Linhas que começam com # são ignoradas (e podem mencionar marcadores com segurança). Apenas texto falado — sem markdown — e siga as regras de estilo de roteiro abaixo. Exemplo:
# linhas de comentário não são faladas
[SECTION:hero|intro]
Bem-vindos ao vídeo de hoje! Vamos falar sobre um assunto que interessa a todos.
[SECTION:content-1|ponto 1]
Primeiro, vamos ver o primeiro ponto. Aqui estão algumas informações importantes que você precisa saber.
[SECTION:outro|agradecimentos]
Bom, por hoje é só. Se achou útil, curte e compartilha, e a gente se vê no próximo vídeo!
Estilo do roteiro (antissabor de IA, pt-BR)
Aplique ao escrever e faça uma autoverificação antes do TTS. Objetivo: português falado do dia a dia, não prosa escrita com vírgulas. (Destilado do natural-narration.md + script-polish.md da skill completa — essas são as fontes canônicas; edite as regras lá primeiro, depois espelhe aqui.)
Substituição de conectores (escrito → falado): além disso → e também · no entanto → mas · portanto → então · ao mesmo tempo → nessa hora · em resumo/em síntese → apagar · em primeiro lugar/em segundo lugar/por fim → falar direto a próxima coisa.
Lista de proibidos (reescreva ou delete): empoderar, criar, aprofundar, vale destacar/vale ressaltar, como todos sabem, fundamental, revolucionário, disruptivo, teto, sem emendas, integrado, alavancas, marco, sinaliza, futuro promissor, vamos aguardar.
Indícios estruturais — os padrões de correção:
| Padrão | Correção |
|---|---|
| Estruturas verbo-substantivo: otimizar/realizar/apresentar crescimento | ação concreta + resultado: "reduziu o processo de três etapas para uma" |
| Contraste de negação: não é X, é Y | diga Y diretamente |
| Paralelismo de três partes: é… é… e também é… | mantenha o item mais informativo; dois vence três |
| Intensificadores vazios: significativamente/muito | um número ou uma consequência perceptível |
| Atribuição vaga: especialistas dizem/é amplamente aceito | fonte nomeada + data, senão delete a frase |
| Finais genéricos: futuro promissor/inovar constantemente | termine com um fato concreto: número, data, próxima ação |
Escreva para o ouvido: uma ideia por frase, sujeito no início, varie o comprimento, sem orações aninhadas, sem — ou · como conectivos (não são falados e poluem legendas). Um leve uso da primeira pessoa é aceitável ("eu testei e gostei").
As legendas são o roteiro, ipsis litteris — então escreva números da forma como devem APARECER na tela: dígitos arábicos (3.8, 63K, 98.8%, 128G), nunca numerais por extenso (trinta e dois / duzentos e cinquenta). A mesma regra de dígitos se aplica a textos na tela nos componentes Remotion (cartões, manchetes). NÃO escreva a forma falada no roteiro para corrigir a pronúncia — isso vaza para as legendas. O tts.py deriva a camada falada sozinho: cada token com número (86.1, 9B, 5600, Qwen3.5) é convertido para sua leitura em português (oitenta e seis vírgula um, nove B, cinco mil e seiscentos, quem três vírgula cinco) antes da síntese, então os limites das palavras são mapeados de volta para que as legendas mantenham o texto de exibição. (Vozes multilíngues como pt-BR-FranciscaNeural leem dígitos puros em inglês em contexto misto — é exatamente isso que esta camada evita. O SSML <sub alias> foi testado e abandonado: os eventos de limite de palavra do Azure para <sub> são problemáticos e corrompem o SRT.)
Os números devem ser rastreáveis — um número preciso sem fonte é inventado; descarte-o ou atribua-o.
Autoverificação antes da Etapa 2: sem palavras da lista de proibidos? sem "não é… é…"? sem final genérico? Leia cada seção em voz alta — se hesitar, divida a frase.
PARE — portão de revisão do roteiro (obrigatório): quando podcast.txt estiver escrito, pause o pipeline e entregue o roteiro ao usuário para revisão. NÃO execute o TTS (Etapa 2) até que o usuário aprove explicitamente o roteiro. Este portão vem antes de tudo o mais a jusante — áudio, sincronização e entradas visuais derivam do roteiro, portanto uma mudança tardia no roteiro custa uma reexecução completa.
Etapa 2 — TTS
python3 "${SKILL_DIR}/scripts/tts.py" videos/{nome}/podcast.txt videos/{nome}/
Execute --check primeiro (apenas lint, sem síntese, gratuito) para detectar lacunas de polifonia e alias antes de pagar pela síntese.
Produz podcast_audio.wav + podcast_audio.srt + timing.json + cues.json (texto por dica, quadro global e section_frame — use para alinhar entradas visuais no componente em vez de analisar manualmente o srt). Cada seção é sintetizada separadamente via SSML e concatenada, portanto os tempos das seções são exatos por construção. As dicas de legenda são orientadas por frase: uma frase com até 30 caracteres visíveis é mostrada inteira; frases mais longas são divididas em cláusulas de vírgula/ponto e vírgula (~22 por dica); uma cláusula muito longa é cortada no limite da palavra mais próximo do seu meio, nunca no meio da palavra; dicas minúsculas finais se mesclam na anterior dentro da mesma seção apenas (uma primeira frase curta da próxima seção nunca deve vazar na última dica da seção anterior). Reexecutar sobre um timing.json existente imprime um diff de duração por seção; qualquer seção que mudou >0.3s significa que os atrasos de entrada codificados no componente precisam realinhamento a partir do novo cues.json.
Parâmetros: --voice (padrão pt-BR-FranciscaNeural), --style (mstts:express-as, ex.: gentle / cheerful — limite-se a esses dois; outros podem soar forçados), --rate (prosódia, ex.: -4%), --phonemes (dicionário pinyin de palavras completas para polifonias como linha de comando; por padrão ~/.video-podcast-maker/phonemes.json e phonemes.json ao lado da entrada são mesclados — entradas por vídeo vencem), --aliases (aliases de pronúncia exibição→fala, ex.: "Ornith-1.5": "Ornith um ponto cinco"; mesma ordem de mesclagem com aliases.json). Fallbacks de ambiente: TTS_VOICE / TTS_STYLE / TTS_RATE. Para uma voz de canal consistente entre vídeos, defina-os uma vez no seu perfil do shell (ex.: TTS_VOICE=pt-BR-FranciscaNeural TTS_RATE=+5%) em vez de passar flags toda vez.
Pronúncia: verificação prévia de polifonia, formatos de leitura incorreta conhecidos, mecânica do dicionário de alias e comportamentos internos da camada falada estão documentados em references/pronunciation.md — leia antes da primeira execução de TTS em um novo tópico.
Etapa 3 — Compor visuais
- Primeiro vídeo de todos: gere a composição (
index.ts+Root.tsx+Video.tsxemsrc/remotion/) de acordo com o contrato de composição. - Cada vídeo posterior: copie o componente do vídeo anterior e edite — nunca comece do contrato novamente.
Um projeto Remotion hospeda todos os vídeos; um novo vídeo adiciona exatamente um arquivo de componente e um registro <Composition>:
project-root/ # UM projeto, npm install uma vez
├── src/remotion/
│ ├── index.ts # registerRoot — compartilhado, nunca muda
│ ├── Root.tsx # um <Composition id="…"> por vídeo
│ ├── DemoVideo.tsx # componente por vídeo (cópia do último, editado)
│ └── NextTopicVideo.tsx
└── videos/{nome}/ # artefatos por vídeo: podcast.txt, wav, srt, timing.json, mp4
Por vídeo: escolha um id de componente/composição PascalCase único (ex.: ReferenceManagerComparison), defina título / cores e dê a cada nome de seção um layout (um switch (section.name) sobre hero / content-N / outro funciona bem).
Riqueza visual (estilo padrão — texto simples em uma caixa não é o visual alvo): cada cartão de informação, caixa de fluxo, pílula e bloco de estatísticas carrega UM emoji principal (ou um componente de marca @lobehub/icons quando representa um produto real); no máximo um por elemento, e nunca dentro de uma linha de valor MONO (emoji quebra o alinhamento monoespaçado — coloque-o no rótulo/título). Mantenha o mapeamento um conceito = um emoji consistente em todo o vídeo e escolha-o com bom gosto para o tópico (datas/parâmetros/velocidade/custo cada um recebem uma correspondência óbvia; o agente escolhe). Cada seção também recebe pelo menos uma âncora visual (uma ilustração): material oficial primeiro (banner do produto, cartão de especificação, captura de tela), senão uma ilustração livre ou conjunto de ícones (unDraw SVG, imagens do Pixabay/Pexels, OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji, @lobehub/icons para logotipos de marca) — anote a fonte + licença na seção asset-sources do publish_info (conjuntos com atribuição obrigatória, como o nível gratuito do Flaticon, devem ser creditados na descrição do vídeo). Emoji decoram os cartões da UI, ilustrações ancoram a seção; nenhum substitui o outro.
Etapa 4 — Pré-visualização (portão humano obrigatório)
npx remotion studio src/remotion/index.ts --public-dir videos/{nome}/
DEVE iniciar o Studio e aguardar o usuário revisar pessoalmente. NUNCA renderize até que o usuário confirme explicitamente ("render" / "renderizar"). Um pedido de ajuste não é confirmação — aplique a mudança, deixe o Studio recarregar a quente e pergunte novamente. Cada rodada de mudanças visuais precisa de sua própria confirmação; a confirmação nunca passa para a Etapa 5.
Etapa 5 — Renderizar + BGM
Renderizar:
npx remotion render src/remotion/index.ts MyVideo videos/{nome}/output.mp4 --public-dir videos/{nome}/
BGM (padrão; pule apenas se o usuário disser sem música): busque uma faixa aleatória do Pixabay Music e misture em volume baixo (a narração permanece dominante). Licença Pixabay: livre de royalties, uso comercial permitido, sem atribuição necessária — ainda assim registre título/autor na seção asset-sources do publish_info.
Como buscar (verificado em 25/08/2026): as páginas de pesquisa/lista do Pixabay são renderizadas no cliente e protegidas por Cloudflare para clientes que não são navegadores, mas uma página de faixa única aberta em um navegador real incorpora a URL de download completo em seu JSON-LD, e essa URL cdn.pixabay.com então faz o download com plain curl.
-
Com o navegador da sessão (Playwright MCP), abra uma página de pesquisa —
https://pixabay.com/music/search/cinematic/(ourelaxing/ambientse um fundo mais calmo for desejado). -
Colete links de resultado correspondentes a
/music/<slug>-<id>/(exclua/music/search/e com prefixo de localidade como/pt/music/...), escolha um aleatoriamente, abra-o. -
Leia o JSON-LD da faixa (
script[type=application/ld+json"]→ oAudioObject):contentUrl(MP3 completo),name,creator.name,duration. Prefira ~1.5–8 min; se estiver fora do intervalo, abra outro link. Se o JSON-LD da página não tivercontentUrl(layout mudou), pare de tentar — peça ao usuário para escolher uma faixa e fornecer a URL de download. -
Baixe com curl (UA de navegador +
Referer: https://pixabay.com/— verificado para funcionar):curl -sL -A "<browser UA>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{nome}/bgm.mp3
Misturar (bgm baixo; o estágio loudnorm é necessário — sem ele a mixagem fica em ≈ -32 dB médio, ~10 dB muito baixo):
ffmpeg -y -i videos/{nome}/output.mp4 -i videos/{nome}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{nome}/final_video.mp4
Pare o servidor Studio assim que a renderização for confirmada — um Studio deixado para trás mantém sua porta e continua observando arquivos.
Etapa 6 — Extras de entrega (apenas quando o pipeline do usuário os incluir)
Renderizado após a Etapa 5, nesta ordem:
- Stills de capa: Stills de miniatura 16x9 + 4x3 via
npx remotion still— exclua o PNG antigo primeiro, stills pulam arquivos existentes. - Verificação de volume do BGM:
ffmpeg -i final_video.mp4 -af volumedetect -f null -, média ≈ -19 a -22 dB, máxima ≈ -1.5 dB. publish_info.md: título / descrição / tags / carimbos de data/hora dos capítulos (capítulos derivam detiming.json).assets/manifest.json: proveniência dos ativos.- Contabilidade no nível do repositório: geradores de índice/tema (ex., um construtor de
VIDEO_INDEX.md) normalmente se baseiam nos títulos depublish_info.md, e scripts de classificação podem se recusar a executar até que o novo diretório de vídeo seja adicionado ao seu mapa de atribuição — execute-os após os artefatos de publicação estarem no lugar.
Contrato de composição
A composição consome três arquivos de --public-dir videos/{nome}/ via staticFile(): podcast_audio.wav, podcast_audio.srt e timing.json:
{
"total_duration": 32.1,
"fps": 30,
"total_frames": 964,
"sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}
Itens inegociáveis ao gerar uma composição (cada um é um modo de falha real se perdido):
- O áudio é o relógio mestre —
calculateMetadataretornadurationInFrames = timing.total_frames, carregado em tempo de execução. Nunca codifique uma duração. Resolução por convenção do projeto: 1920×1080 @ 30fps, ou 4K (3840×2160) via um wrapper que escala uma